浅谈数据挖掘中金融时间序列的粗糙聚类

金融时间序列分析与预测作为金融领域重要研究方向,对于揭示市场动态、指导投资决策以及维护金融稳定具有关键意义。然而,金融时间序列数据具有复杂性、高噪声等特点,使得传统聚类方法在处理这些问题上往往存在局限性。粗糙聚类作为一种基于粗糙集理论的方法,具有处理上述问题的潜力。首先介绍粗糙集理论及粗糙聚类方法的基本概念和原理。然后,重点关注粗糙聚类在金融时间序列分析与预测领域的应用,包括宏观经济预测、股票市场分析等。最后通过实际应用实例,展示粗糙聚类在金融时间序列分析与预测中的重要价值。

基于亚像素特征点提取的螺纹检测粗糙聚类算法

本文研究了一种应用于高速图像检测的基于亚像素特征点提取的螺纹检测粗糙聚类算法。其基本思想是:采用分阶段的高精度亚像素特征点提取方法,将图像边缘特征离散为亚像素级特征点,利用粗糙集中的不可分辨概念和近似集合概念,对图像亚像素级特征点进行粗糙聚类,以便区分图像中多个螺纹零件,确定螺纹小径不可分辨类。在此基础上,给出了螺纹几何参数测量的步骤和计算规则,根据计算结果对螺纹零件进行基于图像特征的判别和处理。这种基于亚像素特征点提取的螺纹检测粗糙聚类方法具有较高的检测精度。

基于数据场的粗糙聚类算法研究

经典粗糙聚类算法采用距离来划分数据对象。本文将数据场理论引入到粗糙聚类分析中,借鉴粗糙集理论上下近似的特性,对数据场势函数进行重新定义,在粗糙K-means和粗糙K-medoids聚类算法基础上,提出了一种基于数据场的粗糙聚类算法,该算法以势值作为对象划分准则。该算法在Web日志挖掘中取得了很好的效果。

基于数据场的粗糙聚类算法

聚类分析是数据挖掘的研究热点。传统的聚类算法都是把一个对象精确地划分到一个聚类簇中,类别之间的界限是非常精确的。随着Web挖掘技术的发展,精确地划分每个对象的聚类算法面临着巨大的挑战。根据数据场理论和经典粗糙集理论所具有处理不精确与不确定性数据的特性,提出一种新的基于数据场的粗糙聚类算法,该粗糙聚类算法采用势值作为对象的划分依据,避免传统粗糙聚类算法一贯采用基于欧氏距离的划分方法。算法首先通过对数据对象进行粗分然后再不断迭代细分,直至形成稳定的聚类簇。实验分析过程中,把提出的算法与粗糙K-means算法和粗糙K-medoids算法进行了比较,结果表明该算法在交叉数据集上具有较好的聚类效果,而且收敛速度较快。

基于阴影集的粗糙聚类阈值选择

粗糙聚类思想自提出以来,在软划分聚类方面取得了广泛应用,但其阈值参数常主观确定,未能考虑数据集本身的特性。基于阴影集(Shadowed Sets)的优化理论给出了一种客观的阈值选择方法,并将其应用于粗糙模糊C均值聚类算法。人工数据与UCI数据实验结果表明了所提方法的有效性。

基于覆盖的粗糙聚类算法

传统的聚类算法大都得到了样本集的一个划分,类之间是严格的互斥关系,而现实世界中类与类之间往往没有明确的边界。该文将粗糙集理论引入到聚类分析中,提出了一种基于覆盖的粗糙聚类算法KMMRSC,它用多个中心点代表一个类,并用上、下近似来刻画样本的归属,类与类之间是一种覆盖关系。实验结果表明,该算法聚类质量优于k-均值算法,且能发现非球状簇。

基于模糊优势关系的粗糙聚类定性组合算法

为对包含数值和名词属性的混合数据集进行定性组合聚类分析,提出一种基于模糊优势关系的粗糙聚类定性组合算法f-QRD。根据混合数据集的不同属性分别进行聚类并计算类簇之间的模糊优势关系,为避免组合后的类簇碎片过多,对模糊优势关系差值较小的类簇进行合并处理。实验结果表明,与QRD算法相比, f-QRD算法能够有效减少类簇数目并提高聚类准确率。

基于变精度粗糙集的Web用户聚类方法

针对Web使用挖掘中的用户聚类问题,提出一种基于变精度粗糙集理论的粗糙聚类方法,该方法放宽经典粗糙集中不可区分关系的传递性将其扩展为相容关系,使用变精度粗糙集的相对错误分类率β来形成新的相似β上近似,从而将一个用户划分到多个聚类,该方法不需要区分用户会话,降低了数据预处理的难度,通过理论推导和实例证明了其有效性。

粗糙核k-means聚类算法

通过研究核聚类算法,以及粗糙集,提出了一个新的用于聚类分析的粗糙核聚类方法。通过mercer核映射把输入空间中的样本映射到Hilbert空间,使样本空间中没有显现的特征在特征空间中突现出来,在这种样本差异加大的基础上,结合粗糙集的思想,把样本分别划到相应聚类中心的上、下近似中,上、下近似中的样本按照一定的比例来共同决定新的聚类中心。这样不但聚类精度大大提高,而且算法收敛速度也较快。仿真实验的结果表明该算法的可行性和有效性。

基于局部密度自适应度量的粗糙K-means聚类算法

通过引入上、下近似的思想,粗糙K-means已成为一种处理聚类边界模糊问题的有效算法,粗糙模糊K-means、模糊粗糙K-means等作为粗糙K-means的衍生算法,进一步对聚类边界对象的不确定性进行了细化描述,改善了聚类的效果。然而,这些算法在中心均值迭代计算时没有充分考虑各簇的数据对象与均值中心的距离、邻近范围的数据分布疏密程度等因素对聚类精度的影响。针对这一问题提出了一种局部密度自适应度量的方法来描述簇内数据对象的空间特征,给出了一种基于局部密度自适应度量的粗糙K-means聚类算法,并通过实例计算分析验证了算法的有效性。

用于网络重叠社区发现的粗糙谱聚类算法

针对绝大多数社区发现算法都存在着网络节点仅隶属于一个社区的假设,引入谱图理论与粗糙集理论来分析复杂网络社区,提出一种用于网络重叠社区发现的粗糙谱聚类算法RSC,该算法用上下近似来刻画网络节点的社区归属,边界表示社区之间共享的节点,通过优化重叠社区结构模块度来实现重叠社区发现.通过3个不同类型真实网络的仿真实验,结果验证了该方法的可行性与有效性.

基于粗糙集的K-均值聚类算法在图像分割中的应用

结合粗糙集理论和K-均值聚类算法,提出了一种图像的粗糙聚类分割方法,试验结果表明,其比随机选取聚类的中心点和个数减少了运算量,提高了分类精度和准确性。

基于区间2-型模糊度量的粗糙K-means聚类算法

现有粗糙K-means聚类算法及系列改进、衍生算法均是从不同角度描述交叉类簇边界区域中的不确定性数据对象,却忽视类簇间规模的不均衡对聚类迭代过程及结果的影响.文中引入区间2-型模糊集的概念度量类簇的边界区域数据对象,提出基于区间2-型模糊度量的粗糙K-means聚类算法.首先根据类簇的数据分布生成边界区域样本对交叉类簇的隶属度区间,体现数据样本的空间分布信息.然后进一步考虑类簇的数据样本规模,在隶属度区间的基础上自适应地调整边界区域的样本对交叉类簇的影响系数.文中算法削弱边界区域对较小规模类簇的中心均值迭代的不利影响,提高聚类精度.在人工数据集及UCI标准数据集的测试分析验证算法的有效性.

动态的粗糙增量聚类方法

数据挖掘领域中已提出了很多聚类算法及其改进形式,但对增量式聚类方法的研究较少。当数据集因为更新而发生了变化,那么数据挖掘结果也要进行必要的更新。由于数据量大,如果在新增数据后再对所有数据运用聚类算法进行聚类,效率显然不高,因此进一步研究增量式聚类算法是很有必要的。在一种改进的基于遗传算法的粗糙聚类方法(IRCBGA)的基础上,提出了一种增量式粗糙聚类方法。数值仿真表明该算法能很好地解决传统聚类算法的数据更新的聚类问题。

粗糙模糊C均值融合聚类

提出一种新的粗糙模糊C均值融合聚类算法,该算法通过粗糙集上、下近似的引入改变了模糊C均值算法中隶属度函数的分布情况,修正了类心的更新公式和模糊隶属度计算公式,降低了计算复杂度,在改变模糊隶属度分布的同时,通过使得每一类总的隶属度变化保持最小,进一步提出了边界调节参数的自适应选择算法,实验结果表明,粗糙模糊C均值融合算法具有较好的效果。

改进的粗糙模糊和模糊粗糙K-均值聚类算法

在分析归纳原有聚类方法不足的基础上,结合粗糙理论和模糊理论,给出了改进的粗糙模糊K-均值聚类算法;设计了新的模糊粗糙K-均值聚类算法,并验证了该聚类算法的有效性;进而将这两种聚类算法应用到支持向量机中,对训练样本做预处理,以减少样本数目,提高了其训练速度和分类精度。

基于灰色关联聚类-粗糙集的民用建筑低碳环保数据指标体系构建

建立合理的低碳环保数据指标体系是评价和规范民用建筑节能环保的关键。在指标初选的基础上,运用灰色关联聚类-粗糙集进行约简分析,最终构建了包含建筑碳排放、绿化治理、大气环境、污水排放、固体废弃物、声环境6大方面的低碳环保数据指标体系。结果表明:运用灰色关联聚类-粗糙集在聚类分析和指标约简上的优势,可构建科学合理的低碳环保数据指标体系。结合后续的数据统计、计量分析,进一步指导民用建筑低碳环保政策措施的制定、节能环保效益的评价与管理等。

结合人工蜂群优化的粗糙K-means聚类算法

粗糙K-means聚类算法具有较强的处理边界不确定数据能力,但该算法也存在对初始聚类中心选取敏感,以及采用固定权重和阈值方式而导致聚类结果不稳定、精度下降等问题。许多研究工作从不同角度致力于解决这些问题。引入人工蜂群算法(ABC)从三方面对算法进行了改进:首先,以下近似和边界集中数据对象个数与对象在数据集中空间分布的差异性乘积的比值为基础,设计了一种更为合理的动态调整下近似和边界集的权重方法。其次,为加快算法的收敛速度,给出了一种与迭代次数相关联的自适应阈值ε的实现方法。最后,通过构造蜜源位置的适应度函数,引导蜂群向高质量蜜源全局搜索,把蜂群每次迭代得到的最优源位置作为初始聚类中心,并在此基础上进行交替聚类。实验结果表明,改进后的算法提高了聚类结果的稳定性,获得了较好的聚类效果。

基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法

针对粗糙K-means聚类及其相关衍生算法需要提前人为给定聚类数目、随机选取初始类簇中心导致类簇交叉区域的数据划分准确率偏低等问题,文中提出基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法.在计算边界区域的数据对象归属于不同类簇的隶属程度时,综合考虑局部密度和距离的混合度量,并采用自适应调整类簇数目的策略,获得最佳聚类数目.选取数据对象稠密区域中距离最小的两个样本的中点作为初始类簇中心,将附近局部密度高于平均密度的对象划分至该簇后再选取剩余的初始类簇中心,使初始类簇中心的选取更合理.在人工数据集和UCI标准数据集上的实验表明,文中算法在处理类簇交叠严重的球簇状数据集时,具有自适应性,聚类精度较优.

图像信息驱动的抑制式粗糙模糊聚类分割算法

粗糙模糊聚类方法需要手动设置阈值确定粗糙聚类的上、下近似且对图像中的噪声较为敏感。为了减少人为干预,实现粗糙模糊聚类在图像分割中的深度应用,本文提出一种图像驱动的抑制式粗糙模糊聚类分割算法。方法中设计了基于超像素区域信息的自适应阈值策略,用于确定粗糙模糊聚类的上下近似,将图像空间信息引入到粗糙模糊聚类,构造了融合空间信息的粗糙模糊聚类目标函数,克服方法对于图像噪声的敏感性,此外,为进一步提升聚类性能,将模糊聚类中的抑制式学习思想引入到粗糙下近似集中像素的模糊隶属度的修正,实现了粗糙和模糊思想的深度融合。本文算法是更具混合智能机理的粗糙模糊聚类图像分割算法,实验结果表明了本文算法的有效性。