滿額折
商品簡介
目次
相關商品
商品簡介
大數據是一股顛覆性力量，使各行業機遇與挑戰并存。大數據時代的來臨，使大數據分析成為各行業競爭發展的變革點。麥肯錫全球研究所的研究顯示，數據對于企業的重要性正變得與勞動力和資本并駕齊驅。聚類是數據分析的重要手段之一，面對海量數據，提取有價值的信息具有重要意義。《面向金融大數據的若干聚類方法改進與應用研究》是作者幾年來科研成果的總結，共分6章，重點是針對吸引子傳播聚類等算法進行若干理論改進與應用研究，并將其用于金融領域中，取得了令人滿意的結果。
目次
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 本書主要研究內容 4
1.4 本書結構安排 5
參考文獻 5
第2章 聚類算法的理論基礎 7
2.1 相似性度量方式 7
2.2 聚類算法分類 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 基于網格的方法 12
2.2.6 吸引子傳播聚類算法 12
2.3 聚類有效性評價指標 17
2.4 本章小結 19
參考文獻 20
第3章 基于優化參數的自適應吸引子傳播聚類算法及應用 21
3.1 基于果蠅優化的吸引子傳播聚類算法 21
3.1.1 參數分析與改進 22
3.1.2 FOA-AP算法流程 23
3.1.3 實驗模擬與結果分析 23
3.2 基于果蠅優化的自適應吸引子傳播聚類算法 27
3.2.1 FOA-SAP算法流程 27
3.2.2 實驗數據 28
3.2.3 實驗結果與分析 28
3.3 基于煙花爆炸優化的半監督吸引子傳播聚類算法 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聚類算法流程 31
3.3.5 實驗數據 32
3.3.6 實驗結果與分析 32
3.4 基于布谷鳥優化的半監督吸引子傳播聚類算法 35
3.4.1 布谷鳥優化算法簡介 35
3.4.2 半監督聚類算法簡介 36
3.4.3 CS-SAP算法 37
3.4.4 CS-SAP算法流程 38
3.4.5 實驗模擬與結果分析 39
3.5 基于穩定閾值的吸引子傳播聚類算法及其應用 42
3.5.1 基于穩定閾值的偏向參數優化技術 42
3.5.2 S型收斂因子加速技術 43
3.5.3 仿真模擬實驗與分析 43
3.6 基于約束規則的吸引子傳播聚類算法 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 仿真模擬實驗與分析 49
3.7 本章小結 51
參考文獻 52
第4章 基于優化相似度矩陣的吸引子傳播聚類算法及其應用 53
4.1 基于變異賦權的吸引子傳播聚類算法 53
4.1.1 變異系數 54
4.1.2 變異賦權的吸引子傳播聚類算法流程 54
4.1.3 數據預處理 55
4.1.4 聚類評價指標及實驗對比 55
4.1.5 聚類結果分析 57
4.2 基于智能賦權的吸引子傳播聚類算法的上市公司績效評價 59
4.2.1 智能賦權的吸引子傳播聚類算法數學模型 59
4.2.2 智能賦權的吸引子傳播聚類算法流程圖 60
4.2.3 實驗模擬結果 61
4.2.4 聚類結果分析 61
4.3 基于距離貼近度的吸引子傳播聚類算法及其應用 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算法流程 63
4.3.3 實驗模擬與結果分析 64
4.3.4 上市公司經濟績效評價 66
4.4 半監督自適應權重吸引子傳播聚類算法 69
4.4.1 半監督聚類 69
4.4.2 自適應權重 69
4.4.3 相關定義 71
4.4.4 特征權重 72
4.4.5 AFW-SAP算法 73
4.4.6 實驗模擬與結果分析 73
4.5 引入變異度的吸引子傳播聚類算法 75
4.5.1 算法基本原理 76
4.5.2 算法流程 76
4.5.3 算法在政府網站聚類評價中的應用 76
4.6 基于結構相似度的半監督自適應吸引子傳播聚類算法 80
4.6.1 結構相似性度量 80
4.6.2 仿真實驗與分析 82
4.7 基于屬性分布相似度的吸引子傳播聚類算法及應用 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化的吸引子傳播聚類算法及其應用 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程 103
5.2.3 動態阻尼因子策略 103
5.2.4 SVD-SAP算法流程 104
5.2.5 仿真實驗與分析 104
5.2.6 SVD-SAP聚類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算法 107
5.3.1 流形學習與流形距離 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算法 110
5.3.4 仿真模擬實驗與分析 110
5.4 融合多指標面板數據的上市公司績效評價模型 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算法流程 114
5.4.4 實證分析 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
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 本書主要研究內容 4
1.4 本書結構安排 5
參考文獻 5
第2章 聚類算法的理論基礎 7
2.1 相似性度量方式 7
2.2 聚類算法分類 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 基于網格的方法 12
2.2.6 吸引子傳播聚類算法 12
2.3 聚類有效性評價指標 17
2.4 本章小結 19
參考文獻 20
第3章 基于優化參數的自適應吸引子傳播聚類算法及應用 21
3.1 基于果蠅優化的吸引子傳播聚類算法 21
3.1.1 參數分析與改進 22
3.1.2 FOA-AP算法流程 23
3.1.3 實驗模擬與結果分析 23
3.2 基于果蠅優化的自適應吸引子傳播聚類算法 27
3.2.1 FOA-SAP算法流程 27
3.2.2 實驗數據 28
3.2.3 實驗結果與分析 28
3.3 基于煙花爆炸優化的半監督吸引子傳播聚類算法 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聚類算法流程 31
3.3.5 實驗數據 32
3.3.6 實驗結果與分析 32
3.4 基于布谷鳥優化的半監督吸引子傳播聚類算法 35
3.4.1 布谷鳥優化算法簡介 35
3.4.2 半監督聚類算法簡介 36
3.4.3 CS-SAP算法 37
3.4.4 CS-SAP算法流程 38
3.4.5 實驗模擬與結果分析 39
3.5 基于穩定閾值的吸引子傳播聚類算法及其應用 42
3.5.1 基于穩定閾值的偏向參數優化技術 42
3.5.2 S型收斂因子加速技術 43
3.5.3 仿真模擬實驗與分析 43
3.6 基于約束規則的吸引子傳播聚類算法 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 仿真模擬實驗與分析 49
3.7 本章小結 51
參考文獻 52
第4章 基于優化相似度矩陣的吸引子傳播聚類算法及其應用 53
4.1 基于變異賦權的吸引子傳播聚類算法 53
4.1.1 變異系數 54
4.1.2 變異賦權的吸引子傳播聚類算法流程 54
4.1.3 數據預處理 55
4.1.4 聚類評價指標及實驗對比 55
4.1.5 聚類結果分析 57
4.2 基于智能賦權的吸引子傳播聚類算法的上市公司績效評價 59
4.2.1 智能賦權的吸引子傳播聚類算法數學模型 59
4.2.2 智能賦權的吸引子傳播聚類算法流程圖 60
4.2.3 實驗模擬結果 61
4.2.4 聚類結果分析 61
4.3 基于距離貼近度的吸引子傳播聚類算法及其應用 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算法流程 63
4.3.3 實驗模擬與結果分析 64
4.3.4 上市公司經濟績效評價 66
4.4 半監督自適應權重吸引子傳播聚類算法 69
4.4.1 半監督聚類 69
4.4.2 自適應權重 69
4.4.3 相關定義 71
4.4.4 特征權重 72
4.4.5 AFW-SAP算法 73
4.4.6 實驗模擬與結果分析 73
4.5 引入變異度的吸引子傳播聚類算法 75
4.5.1 算法基本原理 76
4.5.2 算法流程 76
4.5.3 算法在政府網站聚類評價中的應用 76
4.6 基于結構相似度的半監督自適應吸引子傳播聚類算法 80
4.6.1 結構相似性度量 80
4.6.2 仿真實驗與分析 82
4.7 基于屬性分布相似度的吸引子傳播聚類算法及應用 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化的吸引子傳播聚類算法及其應用 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程 103
5.2.3 動態阻尼因子策略 103
5.2.4 SVD-SAP算法流程 104
5.2.5 仿真實驗與分析 104
5.2.6 SVD-SAP聚類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算法 107
5.3.1 流形學習與流形距離 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算法 110
5.3.4 仿真模擬實驗與分析 110
5.4 融合多指標面板數據的上市公司績效評價模型 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算法流程 114
5.4.4 實證分析 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
今日66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。