面向金融大数据的若干聚类方法改进与应用研究【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

面向金融大数据的若干聚类方法改进与应用研究PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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 λ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 基于最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 基于最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