面向项目型制造企业的客户需求分析方法

针对项目型制造企业面向客户需求进行产品设计时,传统的客户需求分析方法不能有效解决客户需求信息中贫 信息不确定性、冗余交叉和主观性强等问题,提出一种基于灰色关联聚类和改进粗糙数理论的客户需求分析方法。首先 根据客户行业特征划分客户群,利用熵权法计算其权重;其次运用灰色关联聚类定量表示需求项目间的关系,对客户群 需求进行约简;然后改进了粗糙数理论,提出了面向项目型制造企业的客户需求重要度确定方法;应用结果表明该方法 不仅具有简单易行、有效性高的特点,且能有效提高项目型制造企业设计人员的工作效率和客户满意度,提升企业差异 化的竞争优势。     

辽宁省1997—2012年人力资本存量测算

利用收入法和永续盘存法分别测算1997—2012年辽宁省14个地级市人力资本存量和物质资本存量,并通过计算辽宁省各地级市人力资本产出比,了解辽宁省各地级市人力资本产出效率的差异,为研究各地级市之间经济增长差异提供数据支持。同时,对辽宁省14个地级市人力资本产出比进行聚类分析,研究各地区人力资本产出效率情况,为政府进行战略性决策提供理论基础。     

面向突发事件的应急献血者聚类与分配方法研究

突发事件发生后,应急献血者呈爆发式增长、献血设施超负荷运作。本文提出一种应急献血者聚类与分配的优化方法可以有效地解决该问题。在该方法中,首先提出了应急献血者的分类规则,并采用Canopy与K-means相结合的算法对应急献血者进行聚类分组;然后,考虑献血者的心理因素,建立了最大化血液满足、均衡各献血设施的工作量以及最大化献血者效用的多目标分配优化模型;进一步,考虑应急献血者的时间偏好,构建了献血时间安排的多目标优化模型;通过使用优化算法求解模型得到应急献血者的分配方案;最后,通过一个算例分析验证了该方法的可行性以及有效性。     

基于改进的自适应传播模型的农业风险区划分析

农业险定价中的核心问题是农业风险区划问题,为了体现农业区划中个体指标的动态发展特征,根据近邻传播改进自适应近邻传播聚类方法对数据进行优化,基于轮廓系数、归属度和吸引度得到最佳聚类中心和几何聚类中心,并将聚类转化为新数据集的聚类问题;选取代表性的棉花为例进行实证分析,通过计算生产、销售、收入、财政等指标进行棉花风险区划实例分析,计算最优棉花风险区划,结果表明对于具有动态特征的数据,本模型具有很好的有效性、实用性和解释性。     

面板数据加权聚类分析方法研究

在面板数据聚类分析方法的研究中,基于面板数据兼具截面维度和时间维度的特征,对欧氏距离函数进行了改进,在聚类过程中考虑指标权重与时间权重,提出了适用于面板数据聚类分析的"加权距离函数"以及相应的Ward.D聚类方法。首先定义了考虑指标绝对值、邻近时点增长率以及波动变异程度的欧氏距离函数;然后,将指标权重与时间权重通过线性模型集结成综合加权距离,最终实现面板数据的加权聚类过程。实证分析结果显示,考虑指标权重与时间权重的面板数据加权聚类分析方法具有更好的分辨能力,能提高样本聚类的准确性。     

旅游产业的溢出效应及其集群化测度研究——基于山西省11个地市的实证分析

基于2008—2014年的面板数据,以旅游收入和旅游人次为自变量,以地区生产总值为因变量,构建回归模型,对旅游产业的溢出效应进行实证分析。研究发现,旅游收入和旅游人次会对地方经济产生正的溢出效应,适合旅游产业的集群化发展。然后分别运用城市旅游功能、区位熵、产业空间联系方法,通过定性和定量分析,对山西省11个地市的旅游产业集群化程度进行了综合测度与评价,并据此提出了建议。     

基于应急物流的减灾系统LRP研究

减灾系统的定位-路径问题(Location-Routing Problem,LRP)的研究对提高应对突发事件能力和灾害应急管理水平有着重要的意义。本论文将见在系统的定位-路径问题划分为应急服务设施选址和应急资源运输路线安排两个子问题,针对两个子问题建立了以总成本(包括应急服务服务设施点建设成本,运输成本和灾害损失成本)最小为目标的LRP模型,并利用一个两阶段的启发式算法进行求解。最后选择以某一典型台风灾害为例,对基于应急物流的减灾系统的LRP模型进行算例分析,结果表明了模型的合理性和算法的可行性。     

粒子群优化的模糊聚类方法在车辆行驶工况中的应用

本文研究了粒子群优化的模糊聚类方法在车辆行驶工况中的应用。采用主成分分析方法将众多反映车辆行驶工况特征的运动学片段特征值进行压缩,用粒子群优化的模糊聚类方法对运动学片段的前三个主成分得分进行聚类,通过Matlab编程将上述理论用于合肥市典型道路行驶工况的构建和分析,按时间比例选取合适片段拟合代表性工况,并将代表性工况和采用K均值聚类法及模糊C均值聚类方法拟合的工况进行对比分析。研究结果表明,将粒子群优化的模糊聚类方法应用到工况的构建中可以有效地提高构建精度。     

Mixture models with an improper component

A class of mixture models in which a component is associated with an improper distribution is introduced. This component is intended mainly for outliers. The models are motivated by the EM algorithm, and are fitted by its simple adaptation. They are illustrated on several examples with large samples, one of them about transactions of residential properties in Wellington, New Zealand, in 2006.     

Weighted Support Vector Machine Using k-Means Clustering

The support vector machine (SVM) has been successfully applied to various classification areas with great flexibility and a high level of classification accuracy. However, the SVM is not suitable for the classification of large or imbalanced datasets because of significant computational problems and a classification bias toward the dominant class. The SVM combined with the k-means clustering (KM-SVM) is a fast algorithm developed to accelerate both the training and the prediction of SVM classifiers by using the cluster centers obtained from the k-means clustering. In the KM-SVM algorithm, however, the penalty of misclassification is treated equally for each cluster center even though the contributions of different cluster centers to the classification can be different. In order to improve classification accuracy, we propose the WKM–SVM algorithm which imposes different penalties for the misclassification of cluster centers by using the number of data points within each cluster as a weight. As an extension of the WKM–SVM, the recovery process based on WKM–SVM is suggested to incorporate the information near the optimal boundary. Furthermore, the proposed WKM–SVM can be successfully applied to imbalanced datasets with an appropriate weighting strategy. Experiments show the effectiveness of our proposed methods.