学科分类
/ 1
2 个结果
  • 简介:针对采用经典划分思想的聚算法以一个点来代表的局限,提出一种基于泛化中心的分类属性数据聚算法。该算法通过定义包含多个点的泛化中心来代表,能够体现出的数据分布特征,并进一步提出泛化中心距离及间距离度量的新方法,给出泛化中心的确定方法及基于泛化中心进行对象到分配的聚策略,一般只需一次划分迭代就能得到最终聚结果。将泛化中心算法应用到四个基准数据集,并与著名的划分聚算法K-modes及其两种改进算法进行比较,结果表明泛化中心算法聚正确率更高,迭代次数更少,是有效可行的。

  • 标签: 聚类算法 泛化中心 分类属性 K-modes
  • 简介:对于多属性群决策中专家权重确定的问题,本文提出了基于聚的专家权重确定方法,将专家权重分为类别间权重和类别内权重,对专家聚步骤和类别间权重的计算方法进行了改进。通过专家给出的判断矩阵构建相容度矩阵,利用系统聚原理,对相容度矩阵进行聚,得到最大相容度谱系图。通过最大相容度间的距离和给定阈值的比较,对专家进行恰当分类,从而避免了根据现有研究步骤只能将专家分为两的不足。此外,在确定类别间权重时,除继续对容量较大的赋予较大的类别间权重系数外,还引入专家判断矩阵的属性权重一致性来反映类别间的差异,从而有效避免了当某几类专家中含有相等数目专家时,赋予这几类专家相同类别间权重系数的问题。所提方法结构清晰、计算简便,并使得专家权重计算结果更为合理准确。最后运用一个算例对比验证了该方法的可行性和有效性。

  • 标签: 决策科学 多属性群决策 专家权重 聚类分析 判断矩阵