排序方式: 共有6条查询结果,搜索用时 12 毫秒
1
1.
区间型符号数据是一种重要的符号数据类型,现有文献往往假设区间内的点数据服从均匀分布,导致其应用的局限性。本文基于一般分布的假设,给出了一般分布区间型符号数据的扩展的Hausdorff距离度量,基于此提出了一般分布的区间型符号数据的SOM聚类算法。随机模拟试验的结果表明,基于本文提出的基于扩展的Hausdorff距离度量的SOM聚类算法的有效性优于基于传统Hausdorff距离度量的SOM聚类算法和基于μσ距离度量的SOM聚类算法。最后将文中方法应用于气象数据的聚类分析,示例文中方法的应用步骤与可操作性,并进一步评价文中方法在解决实际问题中的有效性。 相似文献
2.
城市综合实力增长的比较 总被引:7,自引:1,他引:6
本文基于多个总体的主成分分析方法,对城市综合实力增长的比较进行一些探索性的研究。对我国十八个大城市1994年、1995年和1996年的八个指标用多个总体的主成分分析方法进行分析,通过检验和计算,得到这三个总体的公共主成分子空间。取公共主成分子空间的一正交基作为这三个总体的新的主成分PRIN1的系数,此主成分即表示城市综合实力。计算出各城市任意两年间的综合实力差值,以此作为城市综合实力增长的度量,对城市综合实力增长再作主成分分析,即得到有效的城市综合实力增长的比较方法 相似文献
3.
基于误差理论的区间主成分分析及其应用 总被引:1,自引:0,他引:1
针对区间数样本,传统的主成分分析需进行拓展。首先讨论了区间样本数据的两种主要来源,即观测误差和符号数据分析。然后将区间数看作一个由中点和半径构成的具有一定误差的数,从误差理论出发,研究基于误差传递公式的区间主成分分析方法,并获得以区间数为表达形式的主成分。最后,结合我国2005年第四季度股票市场的数据进行了实证分析。结果表明,面对海量数据,区间PCA较传统PCA更容易从总体上把握样本的属性。 相似文献
4.
5.
区间MDEA模型及其求解 总被引:5,自引:0,他引:5
将一种改进的DEA模型-MDEA模型[1]拓展到区间投入产出情形,得到区间MDEA模型.定义了一种反映决策者满意度的区间数序关系,当决策者给定一满意度水平,将区间MDEA中的区间不等式约束转化为确定型约束.研究了该满意度水平的另一层含义,即决策者对除被评价决策单元外的其它决策单元的偏好程度,据此将区间MDEA中的区间等式约束和区间目标函数转化为确定型.最终将区间MDEA转化为某一满意度水平下的确定型MDEA,并进行求解.最后给出算例分析. 相似文献
6.
符号数据分析是一种新兴的数据挖掘技术,区间数是最常用的一种符号数据。研究应用区间型符号数据的PCA方法来评价股票的市场综合表现问题。首先介绍了符号数据分析的基本理论。接下来研究了区间数据样本的经验描述统计量的计算,并基于经验相关矩阵,给出了区间主成分分析的算法,该算法最终得到区间数表达形式的主成分取值。最后选取上海证券交易市场20支股票在某一周上的交易数据,进行了实证研究,基于区间主成分得分的矩形图表示,将20支股票按其市场综合表现分成了四类。 相似文献
1