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。     

半模糊超球支持向量机多类分类方法研究

针对支持向量机在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球支持向量机分类方法.该方法首先利用半模糊核聚类方法对样本进行预处理,完成边缘样本的选取,进而以所选样本为训练样本进行超球支持向量机训练,从而有效提高分类器的性能.实验表明,该方法比标准支持向量机多类分类方法具有更高的速度和精度.     

一种基于PIM与核方法的模糊聚类新算法

本文针对模糊C均值聚类在大数据量时收敛较慢以及不能对多种数据结构有效聚类的缺点,结合PIM算法与核方法提出了一种新的高效聚类算法———KPIM算法,并从理论上证明了该算法的收敛性.最后利用标准实验数据IRIS数据集测试,结果表明KPIM算法在保证收敛速度的同时,聚类效果更有效.     

基于模糊聚类和模糊模式识别的企业财务预警

在回顾国内学者关于企业财务预警模型研究的基础上,提出了一种新的预警模型--基于模糊聚类和模糊模式识别模型.利用该模型对训练样本进行模糊聚类,计算最优聚类中心,对待估样本所属类别进行模糊模式识别.通过对40家沪市上市公司进行实证分析,取得了较好的预警效果.最后针对模型存在的问题提出进一步的研究方向.     

模糊C聚类综合评价法在企业财务信用评级中的应用

本文针对当前企业财务信用问题,提出了基于模糊C均值聚类和综合评价相结合的财务等级分类方法。探讨了聚类分析方法在财务信用分类中的应用,包括模糊聚类方法和根据聚类中心进行综合评价研究两个方面。采用实际的数据进行了实证分析,表明该方法可根据实际需要获取很好的评价分类效果,而且根据聚类中心进行评价,能更清楚地反映信用等级。     

一种基于信息熵与K均值迭代模型的模糊聚类算法

本文提出了基于信息熵和K均值算法混合迭代模糊聚类的细分模型,解决了模糊聚类的原型初始化参数问题。将信息熵和K均值算法引入模糊聚类中进行分析,并结合测试样本数据进行实际分析,与传统方法相比,取得了较好的效果。     

大规模灾害中基于聚类的医疗物资联合运送优化

应急响应中,往往出现救援物资供应节点与需求节点距离太远、关键道路损毁导致难以及时通过车辆运送物资到灾区等情景,此时直升飞机逐渐被用来运送关键应急资源（如医疗物资及医护人员）。然而,大规模灾害中难以使用直升飞机运送医疗物资到每个医疗救助点,通常考虑灾民的聚集性选择一定数量的应急中转点,以接收直升飞机运送的医疗物资,之后采用车辆运送物资到其覆盖的医疗救助点。针对该问题,提出一种基于聚类的两阶段医疗物资联合运输方法：第一阶段根据医疗救助点分布,采用模糊C-均值算法（FCM）进行应急中转点选择和医疗救助点划分,并针对FCM划分中存在的剩余容量不均衡问题,考虑容量约束提出一种改进划分方法（FCMwCC）,构建“直升飞机-车辆”医疗物资联合运输网络结构;第二阶段建立基于聚类的运送路线优化模型,确定从应急中转点到医疗救助点的具体运送路线。数值实验验证了提出方法和算法的有效性。     

模糊聚类分析在高校学生评教中的应用

针对目前高校教师教学质量管理中存在的若干问题,提出采用模糊聚类评价方法进行针对高校教师课程教学质量的评判.在建立模糊聚类分析模型的基础上,进行综合评估和定量计算,通过例子表明,该方法简单、易行、准确.     

基于模糊神经网络的交合分析改进方法

为了克服传统交合分析法(CA)存在的总体效用模型可能会失效及没有较好反映评价问题内在复杂作用关系和没有考虑到专家主观判断不准确性的缺陷,本文借鉴从定性到定量综合集成的复杂系统分析方法论,应用模糊神经网络技术,提出一种基于模糊神经网络的交合分析改进方法。该方法能够比较有效地近似反映出复杂系统蕴含的、难以为专家识别的内在复杂作用机理,因而是一种能够适应各种系统评价问题的一般性、普适性方法。数值验证的结果表明,应用基于模糊神经网络的交合分析改进方法得出的待评价对象排序结果明显好于传统CA法。这说明该方法不但是科学的,而且是比传统CA法更为有效的。     

基于改进的核化聚类判别分析的故障识别

针对一类虽然满足线性判别分析算法(LDA)的三种假设,但仍然导致LDA失效的特殊故障模式,提出运用基于高斯核函数和核化离散差判别分析的一种核化聚类判别分析方法 (KSCDA),通过模拟12种不同样本,证明KSCDA能有效解决该问题,故障识别率最大提升从62.5%到100%。且KSCDA优于KSLDA。该问题的解决对实践有一定指导意义。     

外商直接投资区位选择与风险分析

本文提出一种新的基于组合熵权TOPSIS方法的多目标决策模型,综合考虑市场、成本、聚集和制度等相关因素,对山东省17个地区的经济发展水平及其与外商直接投资区位选择关系进行分析。在模型中,我们首先应用熵权法得到各评价准则和因素的相对权重,然后应用TOPSIS方法对山东省17个地区进行排序。本文还结合实例说明如何将所提出的方法应用到外商直接投资在中国的区位选择问题。此外,我们还进行了敏感性分析,以判断各评价准则受权重的影响程度。研究结果和实例分析表明基于组合熵权TOPSIS方法在外商直接投资区位选择分析中是有效和可行的。     

基于粗糙集条件信息熵的权重确定方法

权重确定是管理决策和评价的重要环节,现有的权重确定方法基本依赖于专家的先验知识。粗糙集权重确定方法由于其不需要所处理数据集合的先验信息、充分体现数据客观性的特点在管理决策中得到日益广泛应用。但是,原有的粗糙集权重确定方法无法确定冗余属性的权重。本文针对粗糙集的信息表示比代数表示更全面的特点,通过粗糙集条件信息熵属性重要度的分析,提出了新的基于粗糙集条件信息熵的权重确定方法,并分析了其合理性。通过算例证明,新的条件信息熵权重确定方法可以解决原有粗糙集权重确定方法无法解决的问题,从而提高了方法的普适性和可解释性。     

基于改进模糊综合评价法的信用评估体系研究—以我国中小上市公司为样本的实证研究

分析我国中小企业目前的融资困境及其根源,提出改进模糊综合评价模型—AFF模型(Analytic hierarchy process- Factor Analysis- Fuzzy Comprehensive Evaluation)对中小企业进行信用评估。该模型在进行指标权重决策问题时,不仅考虑了复杂大群体决策的不确定性,更是将主观赋权法和客观赋权法思想相结合,提出以基于群决策的AHP方法确定主观权重,基于因子分析法(FA)确定客观权重,最后将主客观权重集结得到指标的综合权重。模型既克服了传统主观因素赋权的不足,又充分考虑客观因素,而且引入了群体决策的思想,拓展了模糊综合评价法的应用,更具理论实际意义。选取信息技术服务业53家公司为样本,利用该模型进行了实证分析,验证了该模型的适用性、稳定性和客观性。分析结果表明,采用AFF模型能准确地得到公司的信用等级,并能发现导致公司信用状况不佳的相关因素,通过对相关因素的剖析,帮助领导者和决策者改善公司信用状况,具有较强的实践意义。AFF模型在各类理论与实践的综合评价中均具有应用和推广价值。     

移动商务中面向客户细分的KSP混合聚类算法

数据挖掘技术中的聚类算法是解决客户细分问题的重要算法之一。为解决传统聚类算法在客户细分问题中分类精度较低、收敛速度较慢的问题,着重对比分析传统聚类算法中K-m eans、自组织映射网络和粒子群3种算法的不足,提出融合3种算法优点的混合型聚类算法,该算法利用K-m eans和自组织映射网络对初始聚类中心进行优化,结合粒子群优化和K-m eans优化聚类迭代过程,并在迭代优化过程中设计避免算法因早熟而停滞的机制。针对移动电子商务环境下的餐饮业客户细分问题,建立移动餐饮业客户细分模型,并利用混合型聚类算法、K-m eans、层级自组织映射网络和基于粒子群的K-m eans等4种算法对实际案例进行对比分析。研究结果表明,混合型聚类算法的聚类精度分别比其他3种算法高,同时还具有最快的收敛性能,更适用于客户细分问题。     

Clustering Binary Oligonucleotide Fingerprint Vectors for DNA Clone Classification Analysis

We considered the problem of clustering binarized oligonucleotide fingerprints that attempts to identify clusters. Oligonucleotide fingerprinting is a powerful DNA array based method to characterize cDNA and rRNA libraries and has many applications including gene expression profiling and DNA clone classification. DNA clone classification is the main application for the problem considered in this paper. Most of the existing approaches for clustering use normalized real intensity values and thus do not treat positive and negative hybridization signals equally. This is demonstrated in a series of recent publications where a discrete approach typically useful in the classification of microbial rRNA clones has been proposed. In the discrete approach, hybridization intensities are normalized and thresholds are set such that a value of 1 represents hybridization, a value of 0 represents no hybridization, and an N represents unknown, which is also called a missing value. A combinatorial optimization problem is then formulated attempting to cluster the fingerprints and resolve the missing values simultaneously. It has been examined that missing values cause much difficulty in clustering analysis and most clustering methods are very sensitive to them. In this paper, we turned a little back to the traditional clustering problem, which takes in no missing values but with the revised goal to stabilize the number of clusters and maintain the clustering quality. We adopted the binarizing scheme used in the discrete approach as it is shown to be typically useful for the clone classifications. We formulated such a problem into another combinatorial optimization problem. The computational complexity of this new clustering problem and its relationships to the discrete approach and the traditional clustering problem were studied. We have designed an exact algorithm for the new clustering problem, which is an A* search algorithm for finding a minimum number of clusters. The experimental results on two commonly tested real datasets demonstrated that the A* search algorithm runs fast and performs better than some popular hierarchical clustering methods, in terms of separating clones that have different characteristics with respect to the given oligonucleotide probes.Supported by NSERC and CFI.Supported by NSERC.Supported partially by NSERC, CFI, and NNSF Grant 60373012.     

电子商务推荐系统中群体用户推荐问题研究

尽管传统的电子商务推荐系统在个体用户推荐方面取得了巨大成功,但它并不适用于向群体用户进行推荐。随着虚拟社区中群体用户的不断增加,构建群体推荐系统,向群体用户提供个性化推荐,减少他们搜集信息所耗费的时间和精力显得越来越重要。基于此,本文提出了一种新颖的推荐方法—结合领域专家法的群体用户推荐算法。该算法以基于项目的协同过滤技术为基础,根据群体成员间的相互作用确定群体偏好,由群体偏好产生推荐,推荐过程中存在的成员未评分项采用领域专家法进行预测填充,此外本文算法还考虑了成员间相似关系对推荐质量的影响。实验结果表明了本文算法的有效性。     

动静态属性数据相结合的客户分类方法研究

研究了一种客户动态、静态属性数据相结合的客户分类方法。提出了客户时间序列的加权处理方法,并应用客户时间序列的统计特征作为聚类特征向量,采用混合式遗传算法对客户聚类,使每一类客户具有相似的时序特征。在此基础上将聚类结果与客户的静态属性数据相结合,对客户进一步分类。实验结果表明,与传统的基于静态属性数据的客户分类方法相比,本文的方法提高了客户分类的准确性。