基于灰色关联聚类的协同过滤推荐算法

针对协同过滤推荐系统具有数据的高稀疏,高维度,数据量大的特点,本文将灰色关联聚类与协同过虑推荐算法相结合,构建了灰色关联聚类的协同过滤推荐算法,将其应用到协同过滤推荐系统中,以解决数据具有高稀疏高维度的特性情况下的个性化推荐质量问题。首先,定义了推荐系统中的用户项目评分矩阵,用户灰色绝对关联度,用户灰色相似度,用户灰色关联聚类。然后,给出了灰色关联聚类的协同过滤推荐算法的计算方法和步骤,同时给出了评价推荐质量方法。最后,将本文算法与基于余弦,相关分析及修正的余弦等协同过滤推荐算法在大小不同的数据集下进行了实验,实验表明灰色关联聚类的协同过滤推荐算法相较于传统的协同过滤推荐方法具有推荐质量高,计算量小,对数据大小要求不高等优点,同时在推荐系统的冷启动,稳定性和计算效率方面也具有一定的优势。

改进的灰色相似关联度模型在水质评价中的应用

基于灰色系统理论,提出一种改进的灰色相似关联度模型.通过计算评价对象的单因素隶属度矩阵,得到与各标准水质级别在不同评价指标处的灰色相似关联系数,最后根据灰色相似关联系数得到对各标准水质级别的综合隶属度.将此方法应用于延河流域的八个监测断面进行水质综合评价,取得了较好的结果.在此基础上进一步分析和改进了最大隶属度原则,在考虑最大隶属度的同时,综合考虑评价对象对各标准水质级别隶属度的分布,并制定了调整规则.

最优样本子集生成及进化LS-SVM的软件成本预测模型构建

文章提出了一种基于灰色相似度和信息熵的最优样本子集生成方法,进而采用LS-SVM方法建立了软件成本预测模型,并运用混合网格搜索和粒子群优化算法进化得到模型的各项参数。实证以加拿大软件园的desharnais数据集为对象,通过网格搜索确定灰色相似度的分辨系数和样本子集的相似度阈值,采用粒子群算法确定LS-SVM模型的参数,通过与线性回归和不考虑样本子集生成的预测结果比较发现:该方法在软件成本预测中的准确率有较大提高。

故障案例的聚类检索及相关性评估方法研究

针对传统最近邻(nearest neighbor,NN)方法仅适用于精确特征属性、时间开销与历史案例数量成正比、检出案例与目标不相关等问题,提出了一种故障案例的聚类检索方法;建立了五种故障特征之间的相似度计算模型,引入区间作为不确定数值特征的表示手段,构建了案例之间的灰色关联相似度模型;运用聚合分析启发案例索引的创建,据此改进了NN检索过程,并且使用等级相关对齐度量来评估检出案例的相关性。最后通过一个实例阐述了方法的可行性,以及两组实验验证了方法的性能优势。