基于模糊投影寻踪聚类的洪灾评估模型

针对洪水灾害样本集的复杂性、随机性以及差异性,本文将模糊聚类迭代理论与投影寻踪技术进行互补融合,构建了模糊投影寻踪聚类模型.该模型采用投影值标准差和投影值欧氏距离平方和来构造投影指标函数,避免了传统投影寻踪模型由于经验性选取密度窗宽导致过于主观的问题;将高维数据低维化后进行模糊聚类运算,再通过对最优投影方向的寻优进行投影寻踪聚类运算,降低了模糊聚类迭代的运算量,实现了两种模型的双重迭代聚类.误差分析及聚类有效性评价表明,互补融合后模糊聚类与投影寻踪聚类的双重迭代聚类使得聚类精度和效果也得到了较大提高;此外,除优化算法初始化参数外,模型无需预设其它参数,也不依赖于随机训练样本,可客观依据历史样本集内在规律来进行洪灾聚类评估.实例研究和方法比较表明,提出的模型计算简洁,且能有效处理洪灾评估中的随机、模糊等主客观不确定性,能够为洪灾风险管理提供科学的决策支撑.     

基于决策者偏好投影寻踪模型的多属性决策法

针对现有主观赋权法和客观赋权法的不足,提出了一种新的综合赋权方法——基于决策者偏好及投影寻踪聚类模型的综合赋权法。该方法运用投影寻踪聚类模型,把多属性决策问题中的高维数据转化到低维子空间,同时用自适应粒子群优化算法来优化投影指标函数和模型参数,获得了决策属性体系最佳投影方向和投影值,揭示了高维数据的结构特征。同时,也考虑了决策者对不同属性的偏好,使对属性的赋权达到主观与客观的统一。最后通过一个仿真实例说明了该方法的可行性与有效性。     

基于区间二型模糊集的模糊等价关系聚类分析

传统聚类算法在解决含有不确定性的聚类问题时具有很大的局限性,为了更好地解决聚类问题中的不确定性,论文基于区间二型模糊集理论,提出了基于二型模糊等价关系的聚类分析算法.论文首先将语言变量信息完整地转化为区间二型模糊集,接着把语言变量和区间二型模糊集的优势相结合,通过区间二型模糊集的Jaccard相似度,提出了基于区间二型模糊语言变量的模糊等价关系聚类分析新方法,并设计了具体的算法流程.新聚类算法相对于传统的模糊等价关系的聚类算法,具有更好地处理不确定性问题的能力,避免了聚类计算过程中的信息丢失.同时新聚类算法可以灵活给出随聚类相似性参数变化的动态聚类结果.论文最后以电商平台的手机品牌聚类为例,验证了新算法的可行性和合理性.     

农业生产力综合评价的投影寻踪模型

提出了用投影寻踪模型进行农业生产力综合评价的新思路（PPEPC）,利用PPEPC模型可把农业生产力多维评价指标样本集综合成一维投影指标值,根据该投影指标值的大小谅可对该样本集进行统一评价。采用实码加速遗传传算法优化PPEPC模型参数,克服了常规投影寻踪方法计算量大、编程实现困难的缺点,为投影寻踪技术在各种综合评价中的广泛应用提供了新工具。     

中国水资源利用效率评估模型构建及应用

构建了一种基于投影寻踪及遗传算法的水资源利用效率评估模型. 首先运用层次分析法(AHP)对指标集进行筛选, 利用Ward系统聚类方法划分样本初始等级; 以初始等级和所选指标为基础建立投影寻踪模型; 采用遗传算法进行求解. 并将所构建的模型应用于对我国31个省级行政区的水资源利用效率进行评估. 根据模型计算结果, 北京、天津、山西等地水资源利用效率较高, 而宁夏、广西、西藏等水资源利用效率低. 分析发现中国水资源利用效率具有较为明显的地域特征和区域差异, 其基本趋势是: 水资源短缺压力较大或经济较发达的地区水资源利用效率相对较高; 反之亦然. 水资源利用效率较高的地区呈现出万元工业增加值用水量少、 去变异化农业用水效率高、人均GDP高等显著特点.     

基于多维伪F统计量的基因表达动态聚类分析方法研究

K-均值聚类分析算法是一种广泛应用于基因表达数据聚类分析中的迭代变换算法，它通过指定类别数K-基于给定的聚类目标函数，并采用迭代更新的方法，使得最终的聚类结果的目标函数值为极小值，达到较优的聚类效果。针对K-均值聚类分析算法存在参数依赖性强，且在整个聚类过程中类的数目无法改变的缺点，引入动态调整聚类个数的思想和多维伪F统计量，提出了一种基于多维伪F统计量的基因表迭动态K-均值聚类算法。实验结果表明该算法可以动态调整聚类个数，给出最佳聚类数目，从而获得较好的聚类质量．     

时间因子对构造指数代理证券组合影响的实证分析

使用传统的聚类分析对股票市场进行分析时，往往忽视了时间因素。由于股票价格是与时间高度相关的数据，本文在聚类过程中引入指数形式和线性形式的时间因子，然后再应用CAPM模型对所选择的聚类股票进确定投资组合，发现引入合适的时间因子后聚类生成的投资组合能在短期内更好地跟踪深圳综合指数的波动，取得了满意的效果。     

投影寻踪方法在工程环境影响评价中的应用

简要介绍投影寻踪方法 ,并将其用于水电工程的环境影响评价 .应用表明 ,新的评价方法能利用一个综合反映多因素之间复杂关系的特征指标给出相应的评价结果 ,且根据计算结果还可以分析工程建设中严重影响环境质量的主要因素 ,为工程环境影响评价提供了一种计算过程简单、直观的新方法 .     

一种FCM聚类算法的改进与优化

针对一种FCM聚类算法的一些不足 ,提出了具体的改进与提高的方法 ,并引入模糊决策理论 ,进行算法参数m的优化选择。改进后的算法 ,一方面有效地弥补了原算法中存在的不足 ,更好地解决了聚类数目选择等初值问题 ;另一方面 ,通过对参数m的优化选择 ,取得了较理想的聚类效果。最后给出了几种聚类算法对某数据样本集的聚类对比结果。     

模糊C均值聚类区间型模糊化参数模型

针对经典模糊C均值聚类算法中模糊加权指数对聚类的影响及其取值范围不确定性问题,提出了一种区间型模糊加权指数的设计模型。分析该模型设计的理论依据及对聚类结果的影响,推导出包括模糊隶属度划分矩阵、模糊聚类中心等基于该模型的模糊化参数表示方法。理论分析和实验证明,区间型模糊化参数模型的设计在基于模糊划分的数据处理中取得了很好的效果。     

投影寻踪模型在水资源工程方案优选中的应用

提出了水资源工程方案优选的投影寻踪(PP)模型的新方法。利用PP模型可把方案多维评价指标值综合成一维投影值,投影值越大表示该方案优选,根据投影值的大小就可对方案集进行优选。采用实码加速遗传算法进行PP建模,简化了投影寻踪技术的实现过程,克服了目前投影寻踪技术计算复杂、编程实现困难的缺点,为投影寻踪技术在水资源系统工程中的广泛应用提供了新的有力工具。应用实例的结果说明,直接由样本数据驱动的PP模型用于水资源工程方案优选简便可行,PP模型的投影值比较分散、易于决策,适用性和可操作性强,不需确定评价指标的权重,优选结果较为客观。     

基于遗传算法的投影寻踪模型对小花碱茅最佳收获期的判定

针对小花碱茅实际生产中最佳收获期难于客观确定的问题,提出基于加速遗传算法的投影寻踪模型用于解决小花碱茅（Puccine Uiatenuiflora）最佳收获期的判定问题,该模型通过优化指标投影方向,将多维数据指标（样本评价指标）转换到低维子空间,并根据投影函数值的大小评价出各样本的优劣,最大限度地避免了权重矩阵取值的人为干扰。结果表明：初花期收获各指标投影函数值最大,这个时期收获的牧草具有相对较高的营养价值和产量,并具有相对较低的粗纤维含量,因而这个时期收获综合评价值最高。图1,表2,参18。     

基于RAGA的PPC模型在节水灌溉项目投资决策中的应用

针对节水灌溉项目投资决策问题 ,采用高维降维技术——投影寻踪分类模型 ( PPC) ,利用基于实数编码的加速遗传算法 ( RAGA)优化其投影方向 ,将多维数据指标 (样本评价指标 )转换到低维子空间 ,根据投影函数值的大小评价出样本的优劣 ,从而做出决策 .最大限度避免了模糊综合评判中权重矩阵取值的人为干扰 ,取得了满意效果 ,为节水灌溉项目投资决策及其它评判决策问题提供一条新的方法与思路 .     

解不确定型决策问题的投影寻踪方法

不确定型决策问题在系统工程理论与实践中具有重要意义 ,其益损值矩阵反映了该问题的复杂性和不确定性 ,同时也反映了决策者所面临的收益机会和损失机会的风险信息 ,目前常用方法利用益损值矩阵的信息都不充分 .指出求解该问题的实质 ,就是如何把益损值矩阵转换为压缩向量 ,该压缩向量的最大分量所对应的方案就是所求的最优方案 .为全面处理这种机会风险 ,提出了基于遗传算法的投影寻踪方法的新途径 .研究结果表明 ,根据益损值矩阵所反映的收益机会的风险与损失机会的风险的对比情况 ,投影寻踪方法既可积极地也可稳妥地选取最优方案 ,利用益损值矩阵的信息比常用方法充分 ,可根据决策者所面临的机会风险能进能退.     

基于改进K-均值聚类的欠定混合矩阵盲估计

在源信号个数未知条件下,提出一种基于改进K-均值聚类的欠定混合矩阵盲估计方法。该方法首先计算观测信号在单位半超球面上投影点的密度参数,然后去掉低密度投影点,并从高密度投影点中选取初始聚类中心,最后对剩余投影点进行聚类,根据Davies-Bouldin指标估计源信号个数,并估计出混合矩阵。仿真结果表明,该方法的复杂度低,其运行时间仅为拉普拉斯势函数法的1%~3%;该方法的源信号个数估计正确率远高于鲁棒竞争聚类算法,当信噪比高于13 dB时,该方法源信号个数估计正确率大于96.6%,且混合矩阵估计误差较小。该方法在信噪比较高时,可降低对源信号稀疏度的要求。     

模糊综合评判法与参数投影寻踪评价模型在农机选型中的对比研究

以6种型号的农业机器作为备选机型,分别利用模糊综合评判法与基于加速遗传算法(RAGA)的投影寻踪(PPC)模型进行数据处理,对备选机型选优排序;并对这两种选优模型进行对比分析探讨,指出两种方法利弊所在,同时针对不同归一化数据处理对结果产生的影响进行分析。为该方向的研究提出了新的思路模式。表1,参3。