事务所规模与年报会计政策“类准则”披露——基于文本分析的经验证据

通过计算上市公司年报会计政策披露的“类准则”程度,讨论会计师事务所规模是否为影响上市公司会计政策披露行为的重要因素。研究发现:(1)由规模较大的会计师事务所审计的上市公司,年报会计政策披露的“类准则”程度较低,会提供更多公司会计政策的个性化信息。(2)在上市公司风险增强和会计准则重大变化的两大类场景中,事务所规模与年报会计政策披露“类准则”程度之间的关系都得到增强,说明事务所的风险压力和事务所能力是重要的机制路径。(3)由同一事务所审计的上市公司会计政策披露的“类准则”程度更一致,具有同所效应。(4)基于会计师事务所变更的检验发现,若变更后的事务所规模更大,则会计政策披露的“类准则”程度会降低;若变更后的事务所规模更小,则会计政策披露的“类准则”程度会提高。

基于密度峰值聚类方法的多准则ABC库存分类模型

对于ABC库存分类管理的多准则优化问题,已有多种分类模型被提出,其中无监督机器学习方法具有吸引人的理论和实践特性,最大优点是不涉及主观性。在平均单位成本、全年货币使用量和提前期这三种库存决策要素的基础上,提出一个基于密度峰值聚类方法的多准则ABC库存分类模型。使用DPC模型和K-Means 模型对由47个库存单位组成的标准数据集进行聚类分类,利用成本-服务绩效方法将DPC模型、K-Means 模型和GMM模型分类结果进行比较分析。研究结果表明,在成本-服务绩效方面,DPC模型优于K-Means 模型和GMM模型,同时发现这三个无监督聚类模型分类结果优于使用同一数据集的几种数学规划模型。

基于聚类准则函数的改进K-means算法

K-means算法所使用的聚类准则函数是将数据集中各个簇的误差平方值直接相加而得到的,不能有效处理簇的密度不均且大小差异较大的数据集。为此,将K-means算法的聚类准则函数定义为加权的簇内标准差之和,权重为簇内数据对象数占总数目的比例。同时,调整了传统K-means算法将数据对象重新分配给簇的方法,采用一个数据对象到中心点的加权距离代替传统K-means算法中的距离,将数据对象分配给使加权距离最小的中心点所在的簇。实验结果表明,针对模拟数据集的聚类,改进K-means算法可以明显减少大而稀的簇中数据对象被错误地分配到相邻的小而密簇的可能性,改善了聚类的质量;针对UCI数据集的聚类,改进算法使得各个簇更为紧凑,从而验证了改进K-means算法的有效性。

基于模糊Fisher准则的半模糊聚类算法

该文针对线性可分数据提出一种鲁棒的基于模糊Fisher准则的半模糊聚类算法FFC-SFCA。FFC-SFCA通过模糊化散布矩阵,将模糊理论引入Fisher判别方法,通过对模糊Fisher准则函数迭代优化实现聚类。FFC-SFCA的优势在于具有很好的鲁棒性且可以获得可分性好的聚类结果,同时,可以求得最优鉴别矢量和分类阈值。实验证实了FFC-SFCA的有效性以及对两个常规聚类算法的优越性。

基于Fisher准则和特征聚类的特征选择

特征选择是机器学习和模式识别等领域的重要问题之一。针对高维数据,提出了一种基于Fisher准则和特征聚类的特征选择方法。首先基于Fisher准则,预选出鉴别性能较强的特征子集,然后在预选所得到的特征子集上对特征进行分层聚类,从而最终达到去除不相关和冗余特征的目的。实验结果表明该方法是一种有效的特征选择方法。

基于类3σ准则的光伏功率异常数据识别

在光伏电站实际运行过程中,通信测量设备故障、人为因素均会造成测量数据异常。为了有效地识别和处理异常数据,文章利用混合t Location-Scale分布模型中模型参数易于调整的特征,建立了类似于正态分布3σ准则模型的类3σ准则模型,并利用该模型对光伏功率异常数据进行识别。文章对两个光伏电站的实测数据进行分析,研究结果表明,与正态分布3σ准则模型相比,类3σ准则模型具有正确识别率高、适用性好等优点。

岩土类介质强度准则新探

在分析Mohr-Coulomb强度准则和双剪统一强度准则的基础上,提出了主剪面应力对以及主剪面应力对的作用这2个新概念,并以此为出发点,通过考虑十二面体单元主剪面上所有3个主剪应力对的共同作用,提出了一个有关岩土类介质的新强度准则。对该准则所作的极限线分析、应力摩尔圆分析、中间主应力效应曲线分析、破坏角分析以及实验对比分析表明,所提准则均能较好地反映岩土类介质的强度和破坏特征。

基于最佳聚类准则的多级模糊态势评估方法

针对态势评估中评估因素的不确定性、模糊性和模糊集划分、隶属函数需事先给定以及忽略了数据分布特点对评估结果影响的问题,提出了基于最佳聚类准则的多级模糊综合评判态势评估方法。根据最佳聚类准则得到最佳聚类数和聚类中心后完成数据属性的模糊集划分及隶属函数的确定,建立了基于单因素的主因素和加权平均的一级模糊评估模型,利用层次分析法得到所有因素对评估结果的影响权值,并建立所有因素的主因素和加权平均的二级模糊评估模型,将其应用到民航灾难态势评估过程,得到了较好的态势评估结果。通过对两种模型的评价,得出加权平均模型的态势评估结果更准确。

渐进演化类拓扑优化算法的优化准则对比研究

渐进演化类拓扑优化算法的优化准则是影响结构优化结果的关键因素之一。以不同荷载和边界条件下的深梁模型为数值算例,比较了基于不同优化准则的3种算法在优化解和优化效率上的差别。结果表明:对于荷载和边界等条件较简单的构件,采用单向和确定性优化准则的渐进演化类拓扑优化算法能高效地得到最优拓扑,采用概率性优化准则和采用双向优化准则的渐进演化类拓扑优化算法有着更广的适用范围,在荷载和边界等条件较复杂的构件上,同样表现出较强的避免优化畸变的能力和全局寻优能力。对结合概率性优化准则和双向优化准则的遗传双向渐进演化结构优化算法建立了流程图,并进行初步讨论,以期进一步提高渐进演化类拓扑优化算法的实用性和寻优能力。

基于模糊Fisher准则的自适应降维模糊聚类算法

该文指出曹苏群等人提出的基于模糊Fisher准则(FFC)的半模糊聚类算法(FFC-SFCA)中的一个推导错误,结合模糊紧性和分离性(FCS)聚类算法提出新的聚类算法:FFC-FCS。FFC-FCS充分利用FFC的特征提取和降维特性,交替运行原始数据空间中FFC和投影空间中的FCS,通过对降维数据的聚类实现对原始数据的聚类。FFC-FCS不仅对低维数据具有优异的分类性能而且对高维数据也表现出一定的分类优势。实验结果表明,FFC-FCS的性能明显优于原有的FCS算法,FFC-SFCA算法以及经典的模糊C-均值(FCM)算法。

多准则客观聚类在客户价值细分中的研究

聚类在商业研究中广泛应用于对未知特征的客户群进行价值细分。分析了传统细分方法对于细分客户初始条件敏感的弱点,多准则客观聚类方法不需要借助领域专家的知识,能够自动、客观地确定聚类个数及最优聚类方案。本文采用多准则客观聚类方法进行客户价值细分。提出新一致性准则体系及算法的实施步骤,并将其应用于客户价值细分中。通过实证对比研究,结果表明新算法具有无需预先指定聚类数、抗干扰性强的特点,使得细分结果更加准确。

基于模糊最大散度差判别准则的聚类方法

基于最大散度差判别准则提出了一种模糊最大散度差准则,并根据模糊最大散度差准则提出一种聚类方法(fuzzy maximum scatter difference discriminant criterion based clustering algorithm,简称FMSDC).该方法通过迭代优化方法实现聚类的同时还可以实现特征降维.该方法首先在最大散度差判别准则中引入模糊概念;然后通过具体原则设定模糊最大散度差判别准则中的参数η,从而在一定程度上降低了由参数η引起的敏感性;最后分别根据模糊隶属度μik、最优鉴别矢量ω进行聚类和特征降维.实验结果表明,FMSDC方法不但具有基本的聚类功能,而且具有较好的鲁棒性和较强的特征降维能力.

一类基于多目标规划的线性鉴别准则

两类Fisher鉴别准则、大间距线性投影准则以及最大散度差鉴别准则都是直接用于模式分类的两类线性鉴别准则,它们的共同点是将"投影后数据的可分性达到最大的方向"作为最优投影方向。区别在于它们对数据可分性的定义有所不同。过去的研究成果表明,大间距线性投影分类器与支持向量机之间、大间距线性投影准则与最大散度差鉴别准则之间以及最大散度差鉴别准则与两类Fisher鉴别准则之间,均存在着这样或那样的联系。论文试图在以往研究成果的基础上进一步理清这些两类线性鉴别准则之间的内在关系,并建立一个统一的理论框架从而将基于投影后数据可分性的这些两类线性鉴别准则都纳入其中。

基于AIC准则的最近邻聚类模型的优化算法

聚类分析方法的困难在于聚类模型的类中心和类别数的确定。首先给出了最近邻聚类规则,并根据该规则建立了确定聚类模型的分类方法;其次针对不同的聚类模型提出了优化判别准则———AIC准则,为解决所聚类的紧凑性与类别数增加的矛盾给出了理论分析。通过实例仿真,验证了本方法的实用性和正确性。

一类基于贝叶斯信息准则的k均值聚类算法

典型k-均值算法中的聚类数k必须是事先给定的确定值,然而,实际应用中k很难被精确地确定。同时该算法对初始聚类中心的依赖性而导致聚类结果可能陷入局部极小,使得该算法对一些实际问题无效。采用基于密度聚类算法(DBSCAN),在筛选局部代表点时结合贝叶斯信息准则(BIC),得到少量精准反映局部数据分布的BIC核心点。然后,以BIC核心点为初始聚类中心,BIC核心点数量为类别数,对全局数据进行k-均值聚类。实验结果表明,优化的k-均值算法是一种有效可行的聚类算法。

基于模糊最大散度差判别准则的自适应特征提取模糊聚类算法

指出皋军等人提出的基于模糊最大散度差判别准则(Fuzzy Maximum Scatter Difference Discriminant Criteri-on,FMSDC)的聚类算法(Fuzzy Maximum Scatter Difference Discriminant Criterion Based Clustering Algorithm,FMSDCA)中聚类中心表达式的推导错误及相关结论的错误,在修改该错误的基础上提出新的基于FMSDC的模糊聚类算法:FMSDC-FCS(Fuzzy Compactness and Separation Clustering Algorithm Based on Fuzzy Maximum Scatter Difference Discriminant Criterion).FMS-DC-FCS利用FMSDC产生最佳投影矢量,利用模糊紧性分离性(Fuzzy Compactness and Separation,FCS)算法对降维数据聚类,通过交替运行原数据空间中的FMSDC和投影空间中的FCS来优化投影矢量和聚类结果,最终通过对降维数据的聚类实现对原始数据的聚类.实验结果表明,FMSDC-FCS总体性能优于原有的FCS算法、FMSDCA算法以及经典的模糊C-均值算法.

层次凝聚聚类算法的动态分析与准则函数设计

为提高层次凝聚聚类（HAC）算法的执行效率和结果质量，对其进行了动态分析，研究了一次合并对后续合并的影响。分析表明，合并两个类会生成一个新类，并使被合并的类的共享邻居的邻居数减小1；当新生成的类或邻居数减小的类参与后续合并时，会影响执行效率；一次合并会改变参与合并的类和它们的候选邻居之间的准则函数值，从而影响后续合并提高质量的程度。基于上述分析并结合模块性的定义，研究了现有准则函数对凝聚过程的影响以及它们的缺陷，并设计了两个新的准则函数。在大量数据集上的买验表明，新的准则函数提高了层次凝聚聚类算法的执行效率和结果质量。

基于色度学准则分析的免疫组化彩色图像C-均值聚类分割技术研究

免疫组化彩色图像分割在免疫组化染色定量分析中有重要的应用价值。C-均值聚类算法(CMA)是根据一定的相似性准则将图像分成C类。由于运算十分耗时,直接限制了C-均值聚类算法在彩色图像分割领域的应用。本文针对免疫组化彩色图像特点,提出了分割免疫组化彩色图像的色度学准则,即:用每个像素的R分量减去B分量,根据其差值是否大于0将相应的像素分为两大类:(R-B)≥0类和(R-B)<0类,自动分离出图像的阳性细胞区域和阴性细胞区域。在此基础上我们改进了C-均值聚类分割的方法:①针对上述两大类图像的色彩分布的特点确定初始聚类中心;②分别对上述两大类像素在一个色度学空间聚类;③根据每次迭代过程中聚类中心的变化趋势来预测下一次迭代后可能的聚类中心,从而减少迭代的次数。改进之后的C-均值聚类分割方法减少了聚类的样本数量,降低了算法的复杂度,且由于迭代次数的减少,运行速度得到了提高。实验结果表明,本文建立的技术方法能有效地分割免疫组化彩色图像。

信息不完全确定的群体多准则语言聚类方法

针对决策者权重和准则权重信息不完全确定,且评价信息为语言值的多准则聚类问题,提出了一种新的求解方法。首先通过证据推理算法,将方案集的群体多准则语言评价信息转化为方案集模式样本,该模式样本是决策者权重和准则权重的不确定信息的非线性函数,然后根据K-均值方法,利用惯性粒子群算子对模式样本集进行聚类,得到最优聚类中心和方案集的最优聚类。最后实例说明该方法的可行性和有效性。