基于数据挖掘技术的移动通信行业客户细分

利用数据挖掘中的误差平方和准则函数的K-Means聚类算法,建立了客户细分模型,为企业进一步制定营销策略提供依据.此方法已经投入运行.实践证明,该方法实用、可操作性强,对支持企业产生了积极的影响.     

核k-凝聚聚类算法

为解决k-means聚类算法和k-凝聚聚类算法对于非凸形状数据聚类正确率低和模糊核聚类算法(FKCM)收敛速度慢的问题,将k-凝聚聚类算法与核函数方法相结合,在高维特征空间构造了新的核聚类算法--核k-凝聚聚类算法,实现了k-凝聚聚类算法的核化.通过Matlab编程进行数值实验,证明了核k-凝聚聚类算法在聚类的准确性、稳定性、健壮性等方面较之k-means聚类算法、k-凝聚聚类算法和FKCM有一定程度的改进.     

K—means聚类算法在客户细分中的应用

以某超市会员为研究对象,以其会员卡的消费记录为数据源,运用K-means聚类算法对该超市VIP客户进行细分,得到一个细分模型,该模型对企业营销策略的制定具有一定的辅助作用．     

支持客户细分的智能呼叫系统的研究与应用

传统人工呼叫服务中客户满意指数下降的问题已愈演愈烈,本文从海量数据和知识贫乏影响客户服务的两大原因出发,提出了基于X-means聚类算法的客户细分方法,并根据该方法设计了支持客户细分的智能呼叫系统,较好地解决了传统人工呼叫服务中客户满意指数下降的问题。     

一种改进的蚁群聚类算法在客户细分中的应用

分析了输入参数对算法聚类效果的影响,针对传统的蚁群聚类算法中参数设置依赖于经验的指导以及蚂蚁移动随机性大等问题,提出了一种改进的自适应蚁群聚类算法,算法中引入了自适应策略函数,通过设置相似度阈值,动态调整蚂蚁的运动状态,降低蚂蚁移动的随机性.将改进算法应用于客户细分,并将结果与K均值聚类算法进行了比较,实验结果表明:改进后的算法在迭代次数上更少,算法的收敛速度更快,识别客户的正确率更高.     

数据挖掘技术在铁路货运客户细分中的应用

基于数据挖掘中的聚类和分类技术,通过挖掘货票库中的海量数据所蕴藏的信息,探讨了对铁路货运客户进行细分的方法,先用聚类技术对货运历史数据进行聚类分析,根据聚类结果再用贝叶斯分类器对新数据分类.研究目的是为了根据不同类别的货主对铁路贡献的大小制定不同的优惠措施,并为铁路货运营销部门提供决策依据,提高铁路企业的客户关系管理和决策水平.     

SOM-K-Means聚类算法在零售银行客户细分中的应用研究

大数据背景下零售银行业的竞争日益加剧,根据客户的特征,将客户进行细分,为客户提供差异化的产品和服务是零售银行实现精准营销的有效途径。K-Means聚类算法是客户细分中的一种重要算法,它的基本思想是将具有更多相同特性的样本聚集到一个类中,使不同类中的样本之间尽可能的远离,而同一类中的样本之间尽可能的相近。为了提高客户细分的精度,提出一种自组织特征映射神经网络(SOM)的KMeans聚类算法(SOM-K-Means)。该算法可以解决K-Means聚类算法随机确定聚类个数和初始聚类中心等影响聚类结果准确性的问题。对某零售银行实证研究表明,SOM-K-Means聚类算法对购买某产品客户的数据进行有效的挖掘分析,根据聚类之间客户的不同特征,为不同客户群体提供个性化营销策略。     

旅游大数据的MapReduce客户细分应用

分析K-means聚类算法和Hadoop云平台的特点,对聚类算法进行改进,给出算法的MapReduce实现.通过加速比实验和旅游数据细分实验,验证了算法的有效性和高可扩展性.针对旅游大数据的特点,构建了多指标的RFM扩展模型,通过文中算法聚类,得到与预期相近的聚类结果.实验结果表明:文中算法具有较高的实用价值.     

综述客户细分的方法与技术

本文以客户为导向研究各种细分方法与技术。先简要介绍各种细分方法的特点,并比较了它们之间的差异：再以细分技术为主要内容对基于客户统计学的客户细分、基于客户行为的客户细分、基于客户价值的客户细分和基于客户生命周期的客户细分四种主要的细分方法进行了详细的叙述;最后指出了现有细分方法的不足和发展方向。     

基于客户价值的期货业客户聚类细分方法

针对目前国内外学者较少重视的期货业客户细分问题,提出了可操作的期货业客户细分方法。通过对中国期货业面临的市场服务问题和客户特点的分析,认为解决问题的关键是对期货客户进行有效细分,支持期货企业差异化服务的实现。依据期货业客户管理特点构建了期货业客户价值预测模型,提出基于客户当前价值和增值价值的两维聚类细分方法。以某期货公司为案例描述了方法的实际应用,证明了所提方法可行性。     

基于卷积神经网络的布料疵点检测方法

针对传统布料疵点检测准确率低、识别较慢且计算量大问题,提出基于卷积神经网络的布料疵点检测方法,实现增强布料疵点检测鲁棒性、高效性的设计目标。为保证训练结果准确,首先采集数量以千万级为单位的布料图像并进行图像预处理,标记无疵点布料和疵点布料;然后将图像送入设计的卷积神经网络进行训练和测试,获取疵点检测框;紧接着采用改进的NMS分类算法对检测框进行多框合并,减少误检,进一步提高模型检测效果;最后利用设计的特征图分割算法使网络模型脱离GPU显存限制,适用于各种性能计算机。实验结果表明该方法可在实现布料检测高速度、高准确率的同时增强检测方法的鲁棒性。实际检测速度为3fps,准确率可达99.6%,超过现有疵点检测算法,表明该检测方法可应用于对布料要求更高的生产企业。     

融合注意力空洞卷积和Transformer的矿石图像分割

在金矿研磨过程中,矿石粒度大小对后期黄金冶炼起着至关重要的作用,是一个不可忽略的关键参数。为解决图像分割中多数矿石表面不规则、棱角多,粘连等问题,通过结合注意力与多尺度空洞卷积的Vit Transformer模型研究了矿石图像分割。首先使用ResNet34作为下采样主干,增强对金矿石的特征提取能力;其次采用Transformer模块解决长距离依赖问题,融合复合通道注意力空洞模块提升网络对金矿石边缘特征的提取能力,提高了网络的抗干扰能力并扩大感受野。实验结果表明：本文算法准确率达到95.84%,Dice系数达到94.69%,交并比(IoU)达到90.39%,错误率低至7.83%。与其他算法对比,本文方法精度、Dice系数、IoU更高,可以较好地完成矿石图像分割任务。     

基于分水岭变换和核聚类算法的图像分割

提出了一种基于分水岭变换和核聚类算法的图像分割算法．通过分水岭变换把图像分割成多个小区域,为实现过分割小区域的合并,利用Mercer核把各小区域的灰度平均值映射到高维特征空间,使原来没有显现的特征突现出来,在特征空间进行更准确的聚类,为下一步图像分析提供较为准确的分割区域．实验结果证明了该算法的可行性和有效性．     

基于人工免疫聚类的欺诈客户分析

针对传统aiNet聚类算法在处理欺诈客户分析时聚类精度差的问题,该文基于一种新的免疫聚类算法(SE-aiNet)提出了利用子群群体特征进化的免疫聚类算法,使收敛速度有显著提高,并在保持抗体种群规模的情况下有效提高了抗体的多样性;以训练所得的规则集来判断客户是否欺诈,经某银行的实际数据验证,算法的误分比例为24.0%,而相同环境下BP-NN算法的误分比例为32.3%,C-SVM的误分比例为28.6%。     

基于数据挖掘方法的中小型企业客户细分的案例研究

以中小型商业批发企业为例，基于企业的日常销售数据结合数据挖掘的方法，设计了一种反映客户价值与客户关系质量的客户细分模型，并进行了实际的挖掘。目的是探讨在中小型企业不能提供完备数据的情况下，进行客户细分方法的可行性及有效性。通过分析研究可以看到，只要设计出合理的细分模型仍然可以实现客户细分。     

基于均值漂移的舌体分割算法

本文针对舌体图像的特点,提出了一种基于均值漂移的舌体图像分割算法。该算法首先对输入图像进行平滑,可有效消除舌苔裂纹和色块噪声对舌体分割的干扰,然后根据空域和值域的邻近性原则进行聚类,根据聚类结果对舌体图像进行分割。实验结果表明,对不同的舌体图像进行分割,分割结果符合中医医师的诊断要求,对有噪声的图像,该方法也可较好地实现舌体分割。     

基于插值组合核的LS-SVR板形预测方法

基于RBF核的LS-SVR模型,采用实验变差函数计算插值算法权值,对权系数与各训练样本内积值相乘所反映样本空间结构和相互间关联度的插值核函数进行构造,提出了一种通过Kriging空间散乱插值方法利用样本数据构造出的插值核函数与RBF核函数进行组合而成的核方法。结果表明,该方法使LS-SVR板形预测有更好的性能,在提升预测算法泛化能力的同时,实现了对板形的精准回归预测。     

一种基于粒子群的模糊聚类图像分割算法

针对图像分割特征具有交叉重叠现象、其类属的划分存在不确定性的分割问题,模糊聚类分割算法具有较强的优势,但其速度慢且容易陷入局部最优以及对初始值的设置敏感等问题.根据粒子群优化算法具有全局寻优能力,同时还具有较强的局部寻优能力,能更快收敛于最优解的特点,提出了一种基于粒子群的模糊聚类分割算法.实验证明,该算法相比传统的模糊聚类分割算法,具有更快的收敛速度和更高的分割精度.     

关于一类含二个卷积核的对偶型完全奇异积分方程的求解

讨论了一类既含二个卷积核又含有Cauchy核的对偶型完全奇异积分方程的求解，利用完全奇异积分方程理论，Fredholm积分方程理论及Riemann边值问题求解方法，得到了方程在{0}函数类中的一般解与可解条件。