基于模糊多属性决策的多维时序信用风险评价建模

针对属性权重完全未知且数据为多维时序的信用风险评价问题,提出基于多属性决策与模糊聚类相结合的混杂信用风险评价建模方法.该方法使用离差最大化方法和二次规划模型得出指标属性的综合权重,对受评样本在各时点上进行多属性决策得到决策评分,再通过决策评分矩阵进行模糊聚类,并对结果进行了有效性验证.最后通过实例验证,证明该方法具有可行性和有效性.     

一种基于动态模糊聚类算法的客户细分方法

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客户细分模型,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,并结合联通客户的大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.     

一种优化的语义条件模糊聚类

在条件模糊聚类的基础上,提出利用公理化模糊集的成员隶属度函数量化用户语义、确定外部条件的方法.引入调节因子新概念,以调节基于语义的成员隶属度和基于欧拉距离的模糊隶属度对聚类结果的影响,并最终建立了语义条件聚类和经典模糊聚类的统一框架.给出了语义聚类的评价指标——语义强度期望,以找到距离目标语义最近的聚类.为使条件模糊聚类的聚类准确性更高,对原始数据进行了谱变换,尔后进行语义条件聚类.利用Iris数据集,对标准模糊聚类、语义条件聚类和语义条件聚类的谱优化3个算法进行了多指标综合实验比较.实验结果表明,语义条件聚类能够发现最贴近用户给出的语义的聚类.     

基于信息熵模糊聚类和粗糙集理论故障的模糊判据研究

复杂电子系统的缓变故障是故障预报的难点之一,针对这一问题提出了基于信息熵模糊聚类和粗糙集理论的故障决策判据方法;该方法主要分两个步骤:以信息熵作为聚类标准,采用谱系的方法确定聚类数目,然后通过FCM模糊聚类构造故障决策表;利用粗糙集理论对故障决策表进行简化和最小化,最终形成带评价的简约故障决策判据;该方法改进了一般模糊聚类算法的不足,克服了先验信息和知识不准确、不完整、不一致情况下故障决策表获取与更新的困难;实际算例表明,信息熵模糊聚类方法比一般模糊聚类方法的聚类质量更高,更客观真实。     

Web页面和客户群体的模糊聚类算法

web日志挖掘在电子商务和个性化web等方面有着广泛的应用.文章介绍了一种web页面和客户群体的模糊聚类算法.在该算法中,首先根据客户对Web站点的浏览情况分别建立Web页面和客户的模糊集,在此基础上根据Max—Min模糊相似性度量规则构造相应的模糊相似矩阵,然后根据模糊相似矩阵直接进行聚类.实验结果表明该算法是有效的.     

可调节产品族的自底向上优化再设计方法

在建立可调节产品族优化模型的基础上,基于独立优化、平台规划、实例产品设计和方案评价的产品族自底向上设计流程,提出基于敏感度分析和模糊聚类的产品族优化再设计方法.在产品平台规划阶段,首先使用变量敏感度分析初步划分可能的平台常量和可调节变量集合;然后对实例产品间由于变量通用所造成的性能、成本和约束满足变化进行模糊C均值聚类,并引入模糊覆盖指数决定最优的聚类数目,合理规划多平台常量的共享.通过建立平台非通用性指数以定量评价产品族方案的通用程度.最后采用通用电机产品族的再设计实例,证明了该方法的正确性与高效性.     

模糊K-Modes聚类精确度分析

模糊K-Modes聚类算法是对具有分类属性的数据进行聚类的一种有效的算法。为了评价聚类结果，以具有明确分类结构的数据作为输入数据，将模糊K-Modes聚类结果与原始数据的分类结构进行对比，分析了确定它们之间对应关系的方法，在期望聚类结果应该具有的特点的基础上，对现有的精确度定义和计算方法进行修正，在划分相似度的基础上，重新定义模糊K-Modes聚类精确度。     

基于加权网络的客户需求聚类方法

针对高端制造业客户需求数据庞大、需求间相关关系复杂的问题,提出了基于加权网络的客户需求聚类方法。将客户需求看做加权网络的节点,将客户需求之间的相关关系看做加权网络的边,构建客户需求的加权网络,并在加权网络的基础上结合聚类算法对客户需求进行聚类处理,从而将杂乱无章的客户需求根据相关程度进行分类。考虑到需求之间关系的主观性和模糊性,采用三角模糊数来量化加权网络的边权,最后以客户对塔式起重机的需求为例对所提出方法的有效性进行了验证。     

一种基于客户模糊聚类的知识需求分析方法

提出了一种引入信息熵的改进型模糊C均值聚类算法,用来对企业客户进行模糊聚类,以分析获取客户的知识需求,为客户提供个性化的知识推送服务。通过实验分析,证明了该方法的有效性,从而提高了企业知识推送的及时性和准确性。     

基于决策树的模糊聚类评价算法及其应用

评判聚类结果的有效性是一个复杂问题.文中提出一种基于决策树的模糊聚类评价算法,证明了决策树过程实际上就是一种模糊聚类评价过程,因此能够使用决策树算法来评价聚类结果的好坏,并在此基础上提出一个新的定理.通过UCI中已经有准确聚类个数的数据来验证算法有效性,在实验中首先使用K-means聚类算法得到不同聚类结果,再使用决策树中的C5.0算法来评价各种聚类结果,得到的最优聚类结果与UCI数据原有的聚类结果接近,证明了算法的实用性.最后给出算法在证券行业客户细分中的应用实例.