一种改进型专家模糊核聚类赋权方法研究

针对传统基于判断矩阵的专家模糊核聚类赋权方法，由于归一化条件的制约，导致离群点对聚类结果产生不良影响的问题，提出一种改进型模糊核聚类算法。该方法在聚类过程中，通过放宽归一化约束条件，削弱离群点对聚类结果的影响；并且针对传统基于信息熵与一致性系数线性耦合的聚类标准的局限性，提出一种基于偏差熵的赋权方法，依据专家对自身类别的聚类贡献度，确定专家权重，克服了传统方法的不足。算例表明，该方法可行、有效。     

基于信息熵的群组聚类组合赋权法

在多属性群决策方法的研究中,为了科学地确定专家的权重,提出一种基于信息熵的群组聚类组合赋权法。依据各个专家的判断矩阵归一化得到的排序向量,利用相关系数法构造相关矩阵。通过分析阀值变化率选取最优聚类阀值,对相似程度较高的排序向量给出合理的聚类。运用信息熵为类内专家赋权,综合聚类结果和排序向量的信息熵,确定专家的总权重。算例表明该方法可以对较为相近的专家评价结果进行有效分类,并准确衡量每位专家评价信息量的大小,能够有效提高专家赋权的合理性和群组决策的科学性。