基于改进K均值聚类的银行客户分类算法

为了提高银行客户分类的正确率,使银行的收益最大化,提出一种基于改进K均值聚类的银行客户分类算法.算法定义了类间最大相似度均值(AMS),并根据该定义确定最佳聚类数.当计算出的当下AMS值比前一次的AMS值小时,根据距离原则选择初始聚类中心;当计算出的当下AMS值比前一次的AMS值大时,把该最小AMS值相匹配的聚类中心看作初始聚类中心.利用最佳聚类数和初始聚类中心实现银行客户的细分.仿真结果表明,提出的算法能够跳出局部最优,并提高客户分类的正确率.     

基于基因表达数据双向聚类算法的研究

基因组数据的聚类分析,可以从多个数据集中识别与特定的生物学表型相关联的基因。传统的聚类方法仅进行单向聚类,即仅对基因表达谱的特征(基因)或样本进行聚类,没有考虑基因与样本的关联性。针对基因表达数据提出了一种新的无监督双向聚类算法,同时对基因和样本进行聚类。对已提出的聚类性能评价指标进行了改进,利用改进的指标确定双向聚类算法最优的聚类个数。将该方法分别应用到乳腺癌和青少年类风湿性关节炎基因表达数据中,结果显示,与传统方法相比,本方法具有较好的聚类效果。     

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.     

基于因子分析和聚类分析的航线市场细分方法

航线市场细分对于航空公司确定市场战略,制定合适的营销策略具有重要的现实意义.但目前业界对航线的划分非常粗略,并没有一个统一的公认标准.该文从数据库中随机选择了24条具有代表性的航线样本,利用因子分析和聚类分析法进行了实证研究,结果表明可以将众多的影响因子划分为三大类:供求因子、价格因子和季节因子.基于这些因子的聚类分析和方差分析结果表明可以将航线归为5类:稳定的繁华航线、较稳定的普通航线、季节性小运量航线,以及其余两种特殊航线.该方法对于确定航线细分市场具有一定的指导意义.     

基于蚁群算法的Web站点导航

提出了一种Web站点的导航方法.首先利用蚁群算法对已经存在的Web日志进行训练,构造一个有向图,该有向图的节点和边保存了网页与网页间的链接概率和用户行为规则.利用训练结果,预测访问网站的用户行为,根据其行为推荐网页,最后的测试结果表明该方法比单纯的概率分析和关联规则具有更高的精度.     

加权Web访问模式聚类算法

针对Web应用挖掘中聚类算法中的问题，提出加权Web访问模式聚类算法，该算法利用服务器日志库中保存的网页访问次数信息，提高了聚类的客观性和准确性。     

一种基于SOM和层次凝聚的中文文本聚类方法

研究了一种基于SOM（self-organizing map）和层次聚集的中文文本聚类方法，按照提出的中文聚类模型，该方法首先对文档集向量化，文档向量矩阵通过SOM训练映射到虚拟的二维空间，形成初步聚类；然后对虚拟坐标集进行二次聚类，与直接聚类方法相比，该方法提高了聚类的效果，减少了计算时间，通过数值实验对比表明该方法对中文文本聚类具有有效性。     

基于结构方程模型的客户满意度建模及参数估计方法

客户满意度是客户关系管理研究的重要内容之一.客户满意度模型和模型参数估计是客户满意度研究的重点和难点问题.从客户关系管理视角结合结构方程模型理论,提出了一种新的客户满意度结构方程模型并进行了实证检验,并对模型常用参数估计方法进行了探讨.     

电子商务中基于聚类的顾客满意度影响因素分析

针对电子商务中顾客满意度影响因素的分析,提出一种基于RFM模型评分方法和聚类技术的影响因素分析方法 .首先,利用有序加权平均(OWA)方法来获得RMF模型中各变量的权重.然后,利用RFM模型对顾客的购买行为进行分析,给出各项评分,并使用模糊C均值(FCM)聚类技术对顾客进行聚类.接着,通过将每个聚类组的RFM值与平均RFM值进行比较,以此来发现流失的顾客类型.最后,对这些客户进行问卷调查来获得顾客不满意的主要因素.通过一个案例分析,提出方案能够准确找到顾客不满意因素,为电子商务公司提供有力依据.     

基于遗传算法的可变加权FCM聚类方法改进研究

模糊C均值聚类(FCM)应用广泛,但是它容易陷入局部最优,且对初始值很敏感.利用遗传算法对模糊聚类中聚类中心的个数和聚类中心的选取进行了确定,然后在FCM法中引入指标权重,并给出迭代公式和相应算法.实验结果表明,该方法可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,效果很好.     

基于DEA模型的电子商务网站综合评价与质量诊断

在网络经济时代,电子商务网站运行效率直接关系到企业的生存和发展.电子商务网站评价作为比较网站优劣、指导网站建设的重要方法和手段,受到电子商务领域学术界和企业界的共同关注.本文提出基于DEA的电子商务综合评价与质量诊断方法.该方法避免了各种指标权重确定方法的主观性和不确定性,并在评价基础上对弱DEA有效和非DEA有效商务网站进行质量诊断,指明改进和提高效率的方法与途径.实例分析证实了该方法的有效性和科学性.本文的研究丰富了电子商务评价理论,为当前电子商务网站评价提供了切实可行的技术经济分析方法.     

基于密度峰值剪枝后的最短路径聚类算法

聚类是通过数据标签或者属性,将一系列经验数据按照相似性或者相近性进行归类.基于密度属性展开的聚类算法,主要聚焦在聚类中心的确定和剩余点如何分配的问题上展开讨论.针对基于密度峰值的可训练最短路径算法,通过密度峰值确定聚类中心,提出使用截断阈值、对路径图进行剪枝的算法改进.然后基于最短路径法对剩余点进行全局分配.实验结果证明,在保持聚类精度的同时,有效地提升了算法执行效率.     

个人网站的策划与创建

在网络技术飞速发展的今天,网站成为互联网上人们快速获取、发布和传递信息的重要窗口,它在人们生活各个方面发挥着重要的作用.本文应用网页制作软件Macromedia Dreamweaver、Flash、Photoshopcs和ASP动态网页设计方法,通过资料的收集整理,探讨了个人网站创建.     

基于可变加权的FCM聚类对煤炭城市分类的研究

提出一种样本之间相似系数确定的方法,用相似度矩阵替代传统的相似矩阵,近而确定初始聚类中心.在FCM法中引入了指标权重,并给出了迭代公式和相应算法.将改进后的FCM法应用到煤炭城市分类的实例中去,聚类结果对处在经济转型时期的煤炭城市相互借鉴发展有一定的参考价值.     

灰色统计聚类在人力资源绩效考评中的应用

利用灰色统计聚类理论设计了具有灰色考评指标的人力绩效综合评价体系,给出了被考评者绩效水平的等级判断和排序,对各考评指标的总体水平进行了评价.并通过案例分析,表明了该方法在人力绩效考核中具有较好的应用价值.     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak, CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering, DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%...     

多任务模糊聚类驱动的多任务TSK模糊系统模型

该文提出了一种多任务Takagi-Sugeno-Kang（TSK）模糊系统建模方法.首先给出了一种新的多任务模糊c均值聚类算法,能够有效提取所有任务之间的公共信息和每个任务的私有信息,进而利用所得的聚类中心构建多任务TSK模糊系统的前件参数.其次设计了一种具备多任务协同学习机制的后件参数优化方法,可以优化多任务TSK模糊系统的后件参数.最后基于优化的前后件参数,构建出具体多任务模糊聚类方法驱动的多任务TSK模糊系统模型（multi-task fuzzy c-means based multi-task TSK fuzzy system,MTFCM-MT-TSK-FS）以用于实际应用.分别在合成和真实数据集上进行实验,结果验证了该模型的有效性.     

一种发现社团结构的快速凝聚聚类算法

为了快速探测复杂网络中的社团结构,提出了基于网络节点耦合度的凝聚聚类算法.首先利用一种优化的聚类中心算法确定初始聚类中心节点,然后根据节点间耦合程度和节点度分别对各社团的节点进行分类和不断调整聚类中心,直至聚类算法结束.实验结果表明,该算法能够快速准确的划分复杂网络中的各社团.     

模板在线聚类的目标跟踪

针对基于模板的目标跟踪算法存在模板冗余高、难以适应非刚性目标外观多变的问题,提出一种基于粒子滤波的模板在线聚类目标跟踪方法.首先建立用于描述目标和背景的正、负模板集,然后抽取候选粒子,使用候选粒子与正、负模板集的类内距离以及正、负模板集之间的类间距离来构建似然函数,最后依据最大后验概率准则确定最佳候选粒子作为跟踪结果.根据视频序列中连续变化的目标状态,将一定范围内的相似目标状态视为一个状态类,确定当前状态类的聚类半径.采用均值漂移算法对正模板集及最近几帧跟踪结果进行聚类,并将聚类后的中心集作为新的正模板集.实验表明,该算法能保留目标不同的外观状态,在复杂情况下仍能准确跟踪目标.     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak,CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering,DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%,在计算效率和精度方面均优于其他两种方法。