前言
第1章 绪论 1
1.1 研究背景与意义 1
1.2 国内外研究现状 2
1.3 本书主要研究内容 4
1.4 本书结构安排 5
参考文献 5
第2章 聚类算法的理论基础 7
2.1 相似性度量方式 7
2.2 聚类算法分类 8
2.2.1 基于划分的方法 8
2.2.2 基于层次的方法 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 基于网格的方法 12
2.2.6 吸引子传播聚类算法 12
2.3 聚类有效性评价指标 17
2.4 本章小结 19
参考文献 20
第3章 基于优化参数的自适应吸引子传播聚类算法及应用 21
3.1 基于果蝇优化的吸引子传播聚类算法 21
3.1.1 参数分析与改进 22
3.1.2 FOA-AP算法流程 23
3.1.3 实验模拟与结果分析 23
3.2 基于果蝇优化的自适应吸引子传播聚类算法 27
3.2.1 FOA-SAP算法流程 27
3.2.2 实验数据 28
3.2.3 实验结果与分析 28
3.3 基于烟花爆炸优化的半监督吸引子传播聚类算法 29
3.3.1 算法思想 29
3.3.2 算法描述 29
3.3.3 半监督约束规则 30
3.3.4 FEO-SAP聚类算法流程 31
3.3.5 实验数据 32
3.3.6 实验结果与分析 32
3.4 基于布谷鸟优化的半监督吸引子传播聚类算法 35
3.4.1 布谷鸟优化算法简介 35
3.4.2 半监督聚类算法简介 36
3.4.3 CS-SAP算法 37
3.4.4 CS-SAP算法流程 38
3.4.5 实验模拟与结果分析 39
3.5 基于稳定阈值的吸引子传播聚类算法及其应用 42
3.5.1 基于稳定阈值的偏向参数优化技术 42
3.5.2 S型收敛因子加速技术 43
3.5.3 仿真模拟实验与分析 43
3.6 基于约束规则的吸引子传播聚类算法 46
3.6.1 稳定模型 46
3.6.2 *倒序检验 47
3.6.3 基于约束规则的搜索算法 48
3.6.4 仿真模拟实验与分析 49
3.7 本章小结 51
参考文献 52
第4章 基于优化相似度矩阵的吸引子传播聚类算法及其应用 53
4.1 基于变异赋权的吸引子传播聚类算法 53
4.1.1 变异系数 54
4.1.2 变异赋权的吸引子传播聚类算法流程 54
4.1.3 数据预处理 55
4.1.4 聚类评价指标及实验对比 55
4.1.5 聚类结果分析 57
4.2 基于智能赋权的吸引子传播聚类算法的上市公司绩效评价 59
4.2.1 智能赋权的吸引子传播聚类算法数学模型 59
4.2.2 智能赋权的吸引子传播聚类算法流程图 60
4.2.3 实验模拟结果 61
4.2.4 聚类结果分析 61
4.3 基于距离贴近度的吸引子传播聚类算法及其应用 63
4.3.1 贴近度法 63
4.3.2 基于距离贴近度的吸引子传播聚类算法流程 63
4.3.3 实验模拟与结果分析 64
4.3.4 上市公司经济绩效评价 66
4.4 半监督自适应权重吸引子传播聚类算法 69
4.4.1 半监督聚类 69
4.4.2 自适应权重 69
4.4.3 相关定义 71
4.4.4 特征权重 72
4.4.5 AFW-SAP算法 73
4.4.6 实验模拟与结果分析 73
4.5 引入变异度的吸引子传播聚类算法 75
4.5.1 算法基本原理 76
4.5.2 算法流程 76
4.5.3 算法在政府网站聚类评价中的应用 76
4.6 基于结构相似度的半监督自适应吸引子传播聚类算法 80
4.6.1 结构相似性度量 80
4.6.2 仿真实验与分析 82
4.7 基于属性分布相似度的吸引子传播聚类算法及应用 87
4.7.1 属性分布相似度 87
4.7.2 仿真模拟实验与分析 89
4.8 本章小结 90
参考文献 90
第5章 基于复杂数据结构优化的吸引子传播聚类算法及其应用 92
5.1 基于熵权法和主成分分析法相结合的吸引子传播聚类算法 93
5.1.1 熵权法 93
5.1.2 主成分分析法 94
5.1.3 EWPCA-AP算法及其应用 95
5.2 基于奇异值分解的自适应吸引子传播聚类算法 102
5.2.1 奇异值分解 102
5.2.2 基于奇异值分解的降维过程 103
5.2.3 动态阻尼因子策略 103
5.2.4 SVD-SAP算法流程 104
5.2.5 仿真实验与分析 104
5.2.6 SVD-SAP聚类算法在股市板块的应用 106
5.3 基于*小簇匹配的流形吸引子传播聚类算法 107
5.3.1 流形学习与流形距离 107
5.3.2 一种基于图的流形距离 109
5.3.3 基于*小簇匹配的流形聚类算法 110
5.3.4 仿真模拟实验与分析 110
5.4 融合多指标面板数据的上市公司绩效评价模型 113
5.4.1 多指标面板数据的二维表形式 113
5.4.2 多指标面板数据的相似度 114
5.4.3 融合多指标面板数据的半监督吸引子传播聚类算法流程 114
5.4.4 实证分析 115
参考文献 119
第6章 结论与展望 122
6.1 结论 122
6.2 展望 125
彩图
大数据是一股颠覆性力量，使各行业机遇与挑战并存。大数据时代的来临，使大数据分析成为各行业竞争发展的变革点。麦肯锡研究所的研究显示，数据对于企业的重要性正变得与劳动力和资本并驾齐驱。聚类是数据分析的重要手段之一，面对海量数据，提取有价值的信息具有重要意义。本书是作者几年来科研成果的总结，全书共分6章，重点是针对吸引子传播聚类等算法进行若干理论改进与应用研究，并将其用于金融领域中，取得了令人满意的结果。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
