面向金融大數據的若干聚類(lèi)方法改進(jìn)與應用研究簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:　　大數據是一股顛覆性力量，使各行業(yè)機遇與挑戰并存。大數據時(shí)代的來(lái)臨，使大數據分析成為各行業(yè)競爭發(fā)展的變革點(diǎn)。麥肯錫全球研究所的研究顯示，數據對于企業(yè)的重要性正變得與勞動(dòng)力和資本并駕齊驅。聚類(lèi)是數據分析的重要手段之一，面對海量數據，提取有價(jià)值的信息具有重要意義?！睹嫦蚪鹑诖髷祿娜舾删垲?lèi)方法改進(jìn)與應用研究》是作者幾年來(lái)科研成果的總結，《面向金融大數據的若干聚類(lèi)方法改進(jìn)與應用研究》共分6章，重點(diǎn)是針對吸引子傳播聚類(lèi)等算法進(jìn)行若干理論改進(jìn)與應用研究，并將其用于金融領(lǐng)域中，取得了令人滿(mǎn)意的結果。

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 國內外研究現狀 2
1.3 本書(shū)主要研究?jì)热?nbsp;4
1.4 本書(shū)結構安排 5
參考文獻 5
第2章 聚類(lèi)算法的理論基礎 7
2.1 相似性度量方式 7
2.2 聚類(lèi)算法分類(lèi) 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(lèi)算法 12
2.3 聚類(lèi)有效性評價(jià)指標 17
2.4 本章小結 19
參考文獻 20
第3章 基于優(yōu)化參數的自適應吸引子傳播聚類(lèi)算法及應用 21
3.1 基于果蠅優(yōu)化的吸引子傳播聚類(lèi)算法 21
3.1.1 參數分析與改進(jìn) 22
3.1.2 FOA-AP算法流程 23
3.1.3 實(shí)驗模擬與結果分析 23
3.2 基于果蠅優(yōu)化的自適應吸引子傳播聚類(lèi)算法 27
3.2.1 FOA-SAP算法流程 27
3.2.2 實(shí)驗數據 28
3.2.3 實(shí)驗結果與分析 28
3.3 基于煙花爆炸優(yōu)化的半監督吸引子傳播聚類(lèi)算法 29
3.3.1 算法思想 29
3.3.2 算法描述 29
3.3.3 半監督約束規則 30
3.3.4 FEO-SAP聚類(lèi)算法流程 31
3.3.5 實(shí)驗數據 32
3.3.6 實(shí)驗結果與分析 32
3.4 基于布谷鳥(niǎo)優(yōu)化的半監督吸引子傳播聚類(lèi)算法 35
3.4.1 布谷鳥(niǎo)優(yōu)化算法簡(jiǎn)介 35
3.4.2 半監督聚類(lèi)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)驗模擬與結果分析 39
3.5 基于穩定閾值的吸引子傳播聚類(lèi)算法及其應用 42
3.5.1 基于穩定閾值的偏向參數優(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)驗與分析 43
3.6 基于約束規則的吸引子傳播聚類(lèi)算法 46
3.6.1 穩定模型 46
3.6.2 *倒序檢驗 47
3.6.3 基于約束規則的搜索算法 48
3.6.4 仿真模擬實(shí)驗與分析 49
3.7 本章小結 51
參考文獻 52
第4章 基于優(yōu)化相似度矩陣的吸引子傳播聚類(lèi)算法及其應用 53
4.1 基于變異賦權的吸引子傳播聚類(lèi)算法 53
4.1.1 變異系數 54
4.1.2 變異賦權的吸引子傳播聚類(lèi)算法流程 54
4.1.3 數據預處理 55
4.1.4 聚類(lèi)評價(jià)指標及實(shí)驗對比 55
4.1.5 聚類(lèi)結果分析 57
4.2 基于智能賦權的吸引子傳播聚類(lèi)算法的上市公司績(jì)效評價(jià) 59
4.2.1 智能賦權的吸引子傳播聚類(lèi)算法數學(xué)模型 59
4.2.2 智能賦權的吸引子傳播聚類(lèi)算法流程圖 60
4.2.3 實(shí)驗模擬結果 61
4.2.4 聚類(lèi)結果分析 61
4.3 基于距離貼近度的吸引子傳播聚類(lèi)算法及其應用 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(lèi)算法流程 63
4.3.3 實(shí)驗模擬與結果分析 64
4.3.4 上市公司經(jīng)濟績(jì)效評價(jià) 66
4.4 半監督自適應權重吸引子傳播聚類(lèi)算法 69
4.4.1 半監督聚類(lèi) 69
4.4.2 自適應權重 69
4.4.3 相關(guān)定義 71
4.4.4 特征權重 72
4.4.5 AFW-SAP算法 73
4.4.6 實(shí)驗模擬與結果分析 73
4.5 引入變異度的吸引子傳播聚類(lèi)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(lèi)評價(jià)中的應用 76
4.6 基于結構相似度的半監督自適應吸引子傳播聚類(lèi)算法 80
4.6.1 結構相似性度量 80
4.6.2 仿真實(shí)驗與分析 82
4.7 基于屬性分布相似度的吸引子傳播聚類(lèi)算法及應用 87
4.7.1 屬性分布相似度 87
4.7.2 仿真模擬實(shí)驗與分析 89
4.8 本章小結 90
參考文獻 90
第5章 基于復雜數據結構優(yōu)化的吸引子傳播聚類(lèi)算法及其應用 92
5.1 基于熵權法和主成分分析法相結合的吸引子傳播聚類(lèi)算法 93
5.1.1 熵權法 93
5.1.2 主成分分析法 94
5.1.3 EWPCA-AP算法及其應用 95
5.2 基于奇異值分解的自適應吸引子傳播聚類(lèi)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)驗與分析 104
5.2.6 SVD-SAP聚類(lèi)算法在股市板塊的應用 106
5.3 基于最小簇匹配的流形吸引子傳播聚類(lèi)算法 107
5.3.1 流形學(xué)習與流形距離 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(lèi)算法 110
5.3.4 仿真模擬實(shí)驗與分析 110
5.4 融合多指標面板數據的上市公司績(jì)效評價(jià)模型 113
5.4.1 多指標面板數據的二維表形式 113
5.4.2 多指標面板數據的相似度 114
5.4.3 融合多指標面板數據的半監督吸引子傳播聚類(lèi)算法流程 114
5.4.4 實(shí)證分析 115
參考文獻 119
第6章 結論與展望 122
6.1 結論 122
6.2 展望 125
彩圖