編輯推薦:

內(nèi)容簡(jiǎn)介:　　大數(shù)據(jù)是一股顛覆性力量，使各行業(yè)機(jī)遇與挑戰(zhàn)并存。大數(shù)據(jù)時(shí)代的來(lái)臨，使大數(shù)據(jù)分析成為各行業(yè)競(jìng)爭(zhēng)發(fā)展的變革點(diǎn)。麥肯錫全球研究所的研究顯示，數(shù)據(jù)對(duì)于企業(yè)的重要性正變得與勞動(dòng)力和資本并駕齊驅(qū)。聚類是數(shù)據(jù)分析的重要手段之一，面對(duì)海量數(shù)據(jù)，提取有價(jià)值的信息具有重要意義?！睹嫦蚪鹑诖髷?shù)據(jù)的若干聚類方法改進(jìn)與應(yīng)用研究》是作者幾年來(lái)科研成果的總結(jié)，《面向金融大數(shù)據(jù)的若干聚類方法改進(jìn)與應(yīng)用研究》共分6章，重點(diǎn)是針對(duì)吸引子傳播聚類等算法進(jìn)行若干理論改進(jìn)與應(yīng)用研究，并將其用于金融領(lǐng)域中，取得了令人滿意的結(jié)果。

作者簡(jiǎn)介:

目錄:目錄
前言
第1章 緒論 1
1.1 研究背景與意義 1
1.2 國(guó)內(nèi)外研究現(xiàn)狀 2
1.3 本書(shū)主要研究?jī)?nèi)容 4
1.4 本書(shū)結(jié)構(gòu)安排 5
參考文獻(xiàn) 5
第2章 聚類算法的理論基礎(chǔ) 7
2.1 相似性度量方式 7
2.2 聚類算法分類 8
2.2.1 基于劃分的方法 8
2.2.2 基于層次的方法 9
2.2.3 基于密度的方法 10
2.2.4 基于模型的方法 11
2.2.5 基于網(wǎng)格的方法 12
2.2.6 吸引子傳播聚類算法 12
2.3 聚類有效性評(píng)價(jià)指標(biāo) 17
2.4 本章小結(jié) 19
參考文獻(xiàn) 20
第3章 基于優(yōu)化參數(shù)的自適應(yīng)吸引子傳播聚類算法及應(yīng)用 21
3.1 基于果蠅優(yōu)化的吸引子傳播聚類算法 21
3.1.1 參數(shù)分析與改進(jìn) 22
3.1.2 FOA-AP算法流程 23
3.1.3 實(shí)驗(yàn)?zāi)M與結(jié)果分析 23
3.2 基于果蠅優(yōu)化的自適應(yīng)吸引子傳播聚類算法 27
3.2.1 FOA-SAP算法流程 27
3.2.2 實(shí)驗(yàn)數(shù)據(jù) 28
3.2.3 實(shí)驗(yàn)結(jié)果與分析 28
3.3 基于煙花爆炸優(yōu)化的半監(jiān)督吸引子傳播聚類算法 29
3.3.1 算法思想 29
3.3.2 算法描述 29
3.3.3 半監(jiān)督約束規(guī)則 30
3.3.4 FEO-SAP聚類算法流程 31
3.3.5 實(shí)驗(yàn)數(shù)據(jù) 32
3.3.6 實(shí)驗(yàn)結(jié)果與分析 32
3.4 基于布谷鳥(niǎo)優(yōu)化的半監(jiān)督吸引子傳播聚類算法 35
3.4.1 布谷鳥(niǎo)優(yōu)化算法簡(jiǎn)介 35
3.4.2 半監(jiān)督聚類算法簡(jiǎn)介 36
3.4.3 CS-SAP算法 37
3.4.4 CS-SAP算法流程 38
3.4.5 實(shí)驗(yàn)?zāi)M與結(jié)果分析 39
3.5 基于穩(wěn)定閾值的吸引子傳播聚類算法及其應(yīng)用 42
3.5.1 基于穩(wěn)定閾值的偏向參數(shù)優(yōu)化技術(shù) 42
3.5.2 S型收斂因子加速技術(shù) 43
3.5.3 仿真模擬實(shí)驗(yàn)與分析 43
3.6 基于約束規(guī)則的吸引子傳播聚類算法 46
3.6.1 穩(wěn)定模型 46
3.6.2 *倒序檢驗(yàn) 47
3.6.3 基于約束規(guī)則的搜索算法 48
3.6.4 仿真模擬實(shí)驗(yàn)與分析 49
3.7 本章小結(jié) 51
參考文獻(xiàn) 52
第4章 基于優(yōu)化相似度矩陣的吸引子傳播聚類算法及其應(yīng)用 53
4.1 基于變異賦權(quán)的吸引子傳播聚類算法 53
4.1.1 變異系數(shù) 54
4.1.2 變異賦權(quán)的吸引子傳播聚類算法流程 54
4.1.3 數(shù)據(jù)預(yù)處理 55
4.1.4 聚類評(píng)價(jià)指標(biāo)及實(shí)驗(yàn)對(duì)比 55
4.1.5 聚類結(jié)果分析 57
4.2 基于智能賦權(quán)的吸引子傳播聚類算法的上市公司績(jī)效評(píng)價(jià) 59
4.2.1 智能賦權(quán)的吸引子傳播聚類算法數(shù)學(xué)模型 59
4.2.2 智能賦權(quán)的吸引子傳播聚類算法流程圖 60
4.2.3 實(shí)驗(yàn)?zāi)M結(jié)果 61
4.2.4 聚類結(jié)果分析 61
4.3 基于距離貼近度的吸引子傳播聚類算法及其應(yīng)用 63
4.3.1 貼近度法 63
4.3.2 基于距離貼近度的吸引子傳播聚類算法流程 63
4.3.3 實(shí)驗(yàn)?zāi)M與結(jié)果分析 64
4.3.4 上市公司經(jīng)濟(jì)績(jī)效評(píng)價(jià) 66
4.4 半監(jiān)督自適應(yīng)權(quán)重吸引子傳播聚類算法 69
4.4.1 半監(jiān)督聚類 69
4.4.2 自適應(yīng)權(quán)重 69
4.4.3 相關(guān)定義 71
4.4.4 特征權(quán)重 72
4.4.5 AFW-SAP算法 73
4.4.6 實(shí)驗(yàn)?zāi)M與結(jié)果分析 73
4.5 引入變異度的吸引子傳播聚類算法 75
4.5.1 算法基本原理 76
4.5.2 算法流程 76
4.5.3 算法在政府網(wǎng)站聚類評(píng)價(jià)中的應(yīng)用 76
4.6 基于結(jié)構(gòu)相似度的半監(jiān)督自適應(yīng)吸引子傳播聚類算法 80
4.6.1 結(jié)構(gòu)相似性度量 80
4.6.2 仿真實(shí)驗(yàn)與分析 82
4.7 基于屬性分布相似度的吸引子傳播聚類算法及應(yīng)用 87
4.7.1 屬性分布相似度 87
4.7.2 仿真模擬實(shí)驗(yàn)與分析 89
4.8 本章小結(jié) 90
參考文獻(xiàn) 90
第5章 基于復(fù)雜數(shù)據(jù)結(jié)構(gòu)優(yōu)化的吸引子傳播聚類算法及其應(yīng)用 92
5.1 基于熵權(quán)法和主成分分析法相結(jié)合的吸引子傳播聚類算法 93
5.1.1 熵權(quán)法 93
5.1.2 主成分分析法 94
5.1.3 EWPCA-AP算法及其應(yīng)用 95
5.2 基于奇異值分解的自適應(yīng)吸引子傳播聚類算法 102
5.2.1 奇異值分解 102
5.2.2 基于奇異值分解的降維過(guò)程 103
5.2.3 動(dòng)態(tài)阻尼因子策略 103
5.2.4 SVD-SAP算法流程 104
5.2.5 仿真實(shí)驗(yàn)與分析 104
5.2.6 SVD-SAP聚類算法在股市板塊的應(yīng)用 106
5.3 基于最小簇匹配的流形吸引子傳播聚類算法 107
5.3.1 流形學(xué)習(xí)與流形距離 107
5.3.2 一種基于圖的流形距離 109
5.3.3 基于最小簇匹配的流形聚類算法 110
5.3.4 仿真模擬實(shí)驗(yàn)與分析 110
5.4 融合多指標(biāo)面板數(shù)據(jù)的上市公司績(jī)效評(píng)價(jià)模型 113
5.4.1 多指標(biāo)面板數(shù)據(jù)的二維表形式 113
5.4.2 多指標(biāo)面板數(shù)據(jù)的相似度 114
5.4.3 融合多指標(biāo)面板數(shù)據(jù)的半監(jiān)督吸引子傳播聚類算法流程 114
5.4.4 實(shí)證分析 115
參考文獻(xiàn) 119
第6章 結(jié)論與展望 122
6.1 結(jié)論 122
6.2 展望 125
彩圖