大多数的聚类算法都不适合对高维数据进行聚类，原因是“ 维度”。随着维度的增加，数据将变得稀疏，对象之间的距离趋于相同，并且嘈杂的功能也会增加。 它降低了聚类的有效性算法敏锐。 频谱聚类是一种面向图的子空间聚类方法，其关键是构造一个健壮的anity矩阵。 最近，稀疏表示（SR）和协作表示（CR）编码方案已被证明是有效的线性表示模型。 但是，它们不是数据嘈杂时足够强大。 局限性协作表示（LCR）已显示通过在分类中的CR编码方案中引入局部一致性来提高其对噪声和异常值的鲁棒性高维数据。 在本文中，我们建