遗传模糊聚类算法在数据关联中的应用（精选6篇）由网友“麦雷”投稿提供，下面就是小编给大家带来的遗传模糊聚类算法在数据关联中的应用，希望大家喜欢，可以帮助到有需要的朋友!
篇1：遗传模糊聚类算法在数据关联中的应用
遗传模糊聚类算法在数据关联中的应用
针对传统数据关联算法存在计算量偏大或关联精度不高的问题,提出了一种利用遗传模糊聚类策略来求解数据关联问题的.算法.该算法将多传感器多目标的数据关联问题看作是一类约束条件下的组合优化问题,先通过对同一时刻不同传感器提供的量测按照其相似性用遗传算法进行模糊聚类,再用聚类后的等效量测对各目标的状态进行估计.聚类方式的改进不仅增加了算法的局部寻优能力,有效地减少了计算的复杂度,而且还具备一定的野值剔除能力.仿真结果表明该算法关联精度较高,计算量适中,具有一定的工程应用价值.
作 者：胡傲 冯新喜 王冬旭 郭威武 HU Ao FENG Xinxi WANG Dongxu GUO Weiwu 作者单位：空军工程大学电讯工程学院,西安,710077 刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL 年，卷(期)： 17(3) 分类号：V271.4 TN953 关键词：数据关联 多目标跟踪 模糊聚类 遗传算法篇2：改进模糊聚类算法及其在人力资源管理中的应用
改进模糊聚类算法及其在人力资源管理中的应用
对传统的'模糊聚类算法进行了改进.考虑了各评价指标的相关性及不同评价指标对所分析问题的重要程度.使模型能够更准确地反映实际问题.运用改进算法对人力资源问题进行了分析,验证了该算法的有效性.
作 者：WANG Hao 都忠诚 WANG Hao DU Zhongcheng 作者单位：天津师范大学管理学院,天津,300387 刊 名：天津师范大学学报（自然科学版） ISTIC PKU英文刊名：JOURNAL OF TIANJIN NORMAL UNIVERSITY(NATURAL SCIENCE EDITION) 年，卷(期)： 28(3) 分类号：O159 关键词：模糊聚类分析 相关性 人力资源管理篇3：模糊聚类在水质评价中的应用
模糊聚类在水质评价中的应用
摘要：文章提出了利用模糊聚类法对水质进行综合评价的新方法,并利用该方法对龙羊峡水库的水质进行了综合评价研究,其研究结果表明利用该方法对水质进行综合评价,具有理论严谨,实用合理以及计算简单的优点.作 者：韩佩琦 路金喜 宋双虎 张晓芳 杜贵荣 关珂 张文丽 作者单位：韩佩琦(河北科技大学,石家庄,050018)路金喜,张晓芳,杜贵荣,关珂,张文丽(河北农业大学,保定,071001)
宋双虎(张河湾抽水蓄能电站,石家庄,050001)
期 刊：环境科学与技术 ISTICPKU Journal：ENVIRONMENTAL SCIENCE & TECHNOLOGY 年，卷(期)：, 30(z1) 分类号：X824 关键词：模糊聚类 水质 综合评价 欧氏距离篇4：一种改进的遗传k-means聚类算法
一种改进的遗传k-means聚类算法
在经典的k-means聚类算法中,聚类数k必须事先给定,然而在现实中k很难被精确的确定.本文提出了一种改进的遗传k-means聚类算法,并构造了一个用来评价分类程度好坏的适应度函数,该适应度函数考虑的是在提高紧凑度(类内距)和分离度(类间距)的同时使得分类个数尽可能少.最后采用两个人工数据集和三个UCI数据集对k-means聚类算法(KM),遗传聚类算法(GA),遗传k-means聚类算法(GKM)和改进的遗传k-means聚类算法(IGKM)进行比较研究,比较的指标有类间距、类内距和分类正确率.研究证明改进的'遗传k-means算法能够自动获取最佳聚类数k并且保持较高的正确率.
作 者：刘婷 郭海湘 诸克军 高思维 LIU Ting GUO Hai-xiang ZHU Ke-jun GAO Si-wei 作者单位：中国地质大学,管理学院,湖北,武汉,430074 刊 名：数学的实践与认识 ISTIC PKU英文刊名：MATHEMATICS IN PRACTICE AND THEORY 年，卷(期)：2007 37(8) 分类号：O1 关键词：聚类 k-means算法 遗传算法篇5：模糊数据挖掘在CRM中的应用
1 CRM概述
客户关系管理(CRM)就其功能来看，就是借助先进的信息技术、网络技术和管理思想，通过对企业业务流程的重组来整合客户信息资源，并在企业内部实现客户信息和资源的共享，为客户提供更经济、更快捷更满意的产品和服务，提高客户价值、忠诚度和满意度，保持和吸引更多的客户，从而增强企业的赢利能力，最终实现企业利润的最大化，
为实现这样的目标，企业可通过建立完整的客户数据、量身订制的产品及服务、有效的管理来建立以客户为中心的组织，去了解客户生命周期、掌握最有价值的客户及其需求、发展以个人财务需求为导向的销售模式，最终达到提高客户满意度，并提升企业的竞争力与获利率。
客户划分是 CRM中的首要问题，一个企业在经营策划时要非常明确以下问题:销售对象是哪个客户层，哪些客户需要这样的产品，是否考虑了客户生命周期，是否建立了以客户需求为导向的客户关系，谁是公司最有价值的客户。要回答和解决以上问题，首要任务就是综合各种数据，从不同角度对客户进行分群、分组划分。
2 数据挖掘技术概述
数据挖掘是一种知识发现的过程，它主要基于统计学、人工智能、机器学习等技术，从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，并对未来情况进行预测，以辅助决策者评估风险，做出正确的决策。对于企业而言，数据挖掘有助于发现业务的趋势，揭示已知的事实、预测未知的结果，提高市场决策能力。其演化过程如图 1所示。
然而单纯的数据挖掘可能会导致“尖锐边界”等问题，因此考虑将模糊逻辑和数据挖掘结合起来的模糊数据挖掘技术引人到客户关系管理系统中。
3 模糊数据挖掘方法
3.1 确定模糊集
建立样本特性指标矩阵，设聚类的对象的全体集合X={x1，x2，…，xn}，为了使分类效果科学合理，首先要选取具有实际意义且有较强分辨性和代表性的统计指标。现假设X中每一个元素Xj(j=1,2,…,n。)有m个统计指标Xij=(x1j，x2j，…，xnj)，其中，分量Xij表示第j个元素的第i项统计指标值(i=1，2，…，m;j=1，2，…，n)。本步骤的关键是统计指标值的求法。统计指标值反映实际的精确程度，是取得最优聚类的先决条件，由于各企业的实际情况不一样，所选取的统计指标也应各不相同。因此，统计指标值的求法因实际问题而定。
3.2 对样本特性指标矩阵进行数据规格化
在实际问题中，通常不同的数据有不同的量纲。因此，需要根据模糊矩阵的要求，进行标准化处理。一般可通过以下变换来实现。
3.2.1平移/标准差变换
3.3 标定― 建立模糊相似矩阵所谓标定，是指根据实际情况，选用一定的方法对对象进行比较得出模糊相似矩阵。根据上述已建立的指标体系Xj(j=1，2，…n)，求出相似系数rij表示Xi与Xj按m个特征相似的程度，得到模糊相似矩阵R=(rij)mxn本步骤的关键是如何合理地求出相似系数rij，由于求相似系数的方法很多，而且需要因实际情况不同而选用不同的方法。
求相似系数的方法很多，主要有最大最小法、算术平均值最小法、几何平均值最小法、相关系数法、夹角余弦法、距离法、数量积法、绝对值指数法、绝对值倒数法、绝对值减数法等方法。
对于一些实际问题，很难用解析表达式来刻画事务间的相关程度，这时只有请有经验者或专家进行评分，用〔0，1〕上的数表示。选取什么样的方法描述两个元素之间的相似程度，将直接影响分类的效果。通常是同时选三四种，最后看分类与实际吻合的情况，择优选取。
3.4 求传递闭包― 构造模糊等价矩阵
用传递闭包法求R的模糊等价矩阵，
传递闭包是包含R的最小传递矩阵，设 t(R)是R的传递闭包，通常采用平方法求R的传递闭包，即R→R2→R4 →Rg →…→R2k经有限次运算后，一定有R2k=R2k+1，于是t(R)=R2k。
3.5 聚类结果
利用各个需求对该次分类的相对隶属度数据应用相对类别(级别)特征公式，得到各个部件归属各类的相对类别特征值H(r)表，从而获得了该分类数目下的部件类别划分结果。
根据择近原则，判断该样本接近哪个模式，从这个模式的整体情况预测其发展结果。
4 应用模糊数据挖掘实现客户分类
假定每一个客户对一类产品的外观、使用环境功能、可靠性都有各自的要求，那么，对于产品簇建模过程来说，要将这些不同客户的不同需求转化为产品的工程指标，并最终转化为产品的零部件，工作量是非常大的，也是不科学的。所以要对不同客户的需求进行必要的聚类，通过聚类将产品需求分为不同的簇，同一簇中的产品需求视为相同，不同簇中的产品需求视为相异。这样就可以减少产品模型的种类，并且使形成的产品种类最大限度地满足不同客户的需求。
4.1构造模糊集
选取样本为5x5阶矩阵。设从外观、使用环境、产品功能、可靠性、忠诚度5个方面描述对产品的需求，构建模糊集 R如表1所示。
4.2 关联矩阵规格化
首先根据各个产品需求在产品中的地位给出其相应的权重(相当于指标对聚类作用的权重)。应用式(1)和式(2)实现规格化，结果如表2所示。
4.3 求传递闭包― 构造模糊等价矩阵
用传递闭包法求R的模糊等价矩阵。传递闭包是包含R的最小传递矩阵，设 t(R)是 R的传递闭包，通常采用平方法求R的传递闭包，即R→R2→R4 →Rg →…→R2k经有限次运算后，一定有R2k=R2k+1，于是t(R)=R2k。求得最优模糊矩阵。最优模糊矩阵表述的内容是每一个需求对各类别(共有m个)的相对隶属度。
4.4聚类结果
利用各个需求对该次分类的相对隶属度数据，应用相对类别(级别)特征公式，得到各个部件归属各类的相对类别特征值H(r)表，从而获得了该分类数目下的部件类别划分结果。应用下述的公式对最优模糊矩阵进行处理。
设分类状态为1~m，某部件对某正态的相对隶属度表示为RA1(r)~ RAc(r)，即表达了上文的最优模糊矩阵。首先，相对隶属度满足归一化条件:
设状态变量i以对应的相对隶属度为权重，其总和 称为相对状态特征值或级别特征值。表示了i与H(r)分布列的整体相对特征，因此，H(r)可以作为样本R对模糊概念或指标Ai归属状态判断的相对指标，它利用了状态变量i对全部相对隶属度信息，使样本 R的归属更为全面和客观。改变分类的数目m，重复上述步骤，产生新的分类，最终得到针对不同m分类的产品需求聚类结果。当m=3时，最优模糊矩阵如表3所示。通过对m=3时产品需求聚类分析结果的观察，可以容易地发现各个需求指标的聚分程度:{R5}，{R1，R3}，{R2，R4}。这说明，在考虑客户需求时，对于忠诚度高的客户群体，可以将他们的需求作为一类产品类型来重点构建;对于第二种分类，说明应该着重针对产品外观和产品功能来构建一类产品模型;同理，另外一种产品模型的构建应着重考虑产品的使用环境和产品的可靠性。可以看出，通过这样的聚类，产品模型的种类减少了，但产品模型覆盖的客户需求是完备的。
5 结束语
模糊数据挖掘能够自动地从数据库中发掘出新的知识，经过检验和验证，然后返回对用户有用的结果，而不是根据用户对事物的假设去检验和验证。它与传统的数据分析本质的区别是:它是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘系统已成功地用于超大型数据库的知识挖掘。
在信息时代，要充分利用企业的信息资源，从以产品为中心的管理模式转变为以客户为中心的管理模式上来，利用模糊数据挖掘技术，分析客户的特征，探索企业和所对应市场的运营规律，不断提高企业的经济效益是企业发展的必由之路。
篇6：模糊聚类和排序在植被演替研究中的综合应用
模糊聚类和排序在植被演替研究中的综合应用
应用模糊聚类和主成分分析(PCA)对黄土高原丘陵沟壑区植物群落演替进行研究,以探讨该方法在植被演替研究中的.可行性.研究结果表明,利用模糊聚类分析和主成分分析,可以将13个样地客观地划分为5个群系.结合不同群系的恢复时间,即可判定随时间变化而呈现出的植物群落演替序列:猪毛蒿群落-赖草群落-长芒草群落-铁杆蒿群落-沙棘群落.该演替序列与传统的研究结果基本相同,说明利用模糊聚类分析和主成分分析方法研究植被演替是可行的.同时该方法数学上较为严格,且计算简单、运算量小,精度较高、可在计算机上运算,可大大提高植物群落演替研究的定量化水平,在植被演替中具有较好的应用价值.
作 者：卜耀军 温仲明 焦峰 焦菊英 作者单位：卜耀军(西北农林科技大学资源环境学院)温仲明,焦峰,焦菊英(中国科学院水利部水土保持研究所,陕西,杨陵,712100)
刊 名：水土保持研究 ISTIC PKU英文刊名：RESEARCH OF SOIL AND WATER CONSERVATION 年，卷(期)：2005 12(1) 分类号：X176 D159 关键词：黄土高原丘陵沟壑区 植被自我修复 植物群落 模糊聚类 排序
【遗传模糊聚类算法在数据关联中的应用（精选6篇）】相关文章：
网络经济数据挖掘在工商管理中的应用论文2022-08-22
硕士 导师 评语2023-10-07
特教学校机房信息管理系统中数据挖掘技术的运用论文2022-10-08
管理方法在高校教学质量评价与改进中的应用2022-08-09
数据挖掘技术在WEB的运用论文2023-05-25
网络信息挖掘系统评价初探2023-07-07
试论开放数据在电子政务、电子商务和图书情报领域的应用2023-03-16
基于数据抽取与订阅实现数据共享分析及研究论文2023-07-21
科研管理中数据挖掘技术的应用论文2023-01-04
聘：数据分析 数据挖掘2022-04-30