上市公司绩效评价问题研究——基于吸引子传播聚类方法的分析

上市公司的绩效评价结果是公司利益相关者关注的主要问题和决策的主要依据,其不仅为利益相关者将企业要素向企业资本转化的过程提供了决策依据,也为企业资本转化为有效的企业产出提供了决策依据。将吸引子传播聚类方法用于上市公司绩效评价,能够克服传统方法的不足聚类质量低等缺陷。只有以市场竞争为前提,利润刺激才能激励经营者对于"努力"和"投入"的增加。上市公司应当关注企业自身核心竞争力的形成,应当结合自身情况制定战略决策,应当审慎地考虑多元化战略。

属性分布相似度吸引子传播聚类算法研究

传统吸引子传播聚类算法对数据类型敏感,文中提出一种改进的吸引子传播聚类算法,将JACCARD系数引入对象间属性分布相似度,并与吸引子传播聚类算法结合。仿真实验结果表明,该算法收敛速度快,聚类精度高,明显提高高维稀疏数据的聚类性能。

新闻图像中重要人物的自动标志

为了实现新闻图像中重要人物的自动标志,针对由于不同的表情、光照、姿势等因素带来的视觉空间上的差异性问题,提出融合文本和视觉多模态信息的新闻人物自动标志方法.首先针对每个人名找到与该人名相关的人脸图像子集,建立人名与人脸的映射关系;其次在文本空间计算相似度,并在视觉空间对人脸子集图像进行聚类和计算相似度;最后采用加权的Borda方法对文本和视觉空间的相似度排序进行序融合.在大约50万幅的雅虎新闻图像数据集上进行实验的结果表明,该方法可显著地提高基于聚类方法的性能.

基于APDE-RBF神经网络的网络安全态势预测方法

为了提高径向基函数(radical basis function,RBF)神经网络对网络安全态势的预测精度,提出了一种基于吸引力传播(affinity propagation,AP)聚类和差分进化(differential evolution,DE)优化RBF神经网络的算法。首先,利用AP聚类算法对样本数据进行划分聚类,从而获得RBF的中心和网络的隐含层节点数;其次,利用AP聚类得出种群差异度,自适应地改变DE算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;同时为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索。通过仿真实验表明,此算法在泛化能力增强的同时,对网络安全态势也达到了较高的预测精度。

一种快速AP聚类算法

Affinity propagation(AP)聚类算法中的一个重要参数-收敛系数(damping factor)对算法的运行效率有较大影响,而传统的AP算法中收敛系数常作为固定参数在算法运行中保持不变,因此AP算法的收敛性能对收敛系数初始值的选择比较敏感,针对这一问题提出了一种新的AP聚类算法:F-AP,该算法在传统AP聚类算法基础上引入收缩因子调节收敛系数,使其值能够随算法进程动态调整,以加速AP算法的收敛过程。在3个不同容量模拟数据集上进行了实验,结果表明,新算法能够有效加速收敛过程,并且能够保证与原算法相同的聚类结果;在标准数据集Iris上的聚类结果也表明了新算法具有较好的收敛性能。

智能信息处理的多指标面板数据聚类方法及其应用

为提高具有先验知识样本的学习效率,本文在吸引子传播聚类模型基础上,引入半监督学习策略,并综合考虑样本动态信息变化,融合多指标面板数据,提出智能信息处理的多指标面板数据聚类模型。选取30家房地产业上市公司2009-2013年相关财务数据,利用此模型进行聚类和绩效评价分析。结果表明,智能信息处理的多指标面板数据聚类模型能更加有效地区分样本类别特征,可为上市公司绩效评价、金融管理与决策提供一个更加有效的方法和手段。

采用自适应波段分组的高光谱图像压缩算法

针对高光谱成像中海量数据对存储与传输造成的困难,提出一种结合自适应波段分组与码率预分配的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段分组预处理,通过波段分组与预测参考帧的选取来提高压缩算法的编码性能。对不同分组内的高光谱图像采用分段预测算法去除谱间冗余,同时根据预测残差信息量的大小对空间压缩算法进行自适应码率分配。实验结果表明,在保证图像质量与较低计算复杂度的前提下,其重建图像的峰值信噪比较对比算法有所提高。

带时间窗的同城物流配送区域划分与路径优化

同城物流的B2C和O2O包裹如何在短时间内以较少的资源配送到顾客手中,已成为物流管理中亟待解决的问题.以最短配送时间为目标,构建带时间窗的"最后一公里"非线性数学规划模型(VRPTW),为求解此NP-hard问题,设计三阶段启发式算法,首先采用改进的吸引子传播聚类算法实现对配送区域的划分,充分考虑到配送点之间的关联因素;再对同区域相似度较高的订单进行合并;最后规划最短路径,从而建立完整的物流配送体系.通过案例分析,验证了模型的有效性.与传统的二阶段配送模型进行了对比,结果表明,三阶段算法能缩短订单完成时间,降低配送等待时间,提高资源利用率.

基于无监督学习的实时公交动态调度的研究

针对广州智能公交调度的优化问题,提出一种基于无监督学习的实时公交动态调度算法,结合乘客利益和公交公司利益总体最优为目标,通过无监督学习方法学习到公交客流出行特征表达的提取,利用吸引子传播(affinity propagation,AP)聚类算法的优化数据集与支持向量机(support vector machine,SVM)的训练样本集相结合建立预测模型训练,运用公交线网发车间隔和加权系数的目标函数优化调度数学模型,将多源信息融合及多策略的实时公交动态调度算法引入到求解模型中,利用深度学习的异常突发事件分类检测方法实现调度优化模型的实时调整。实验结果表明,AP聚类算法程序运行耗时16 s、高峰发车间隔5 min,比遗传算法运行效率更高、时间间隔更精确,实例证明模型和算法具有实用性和可靠性。