一种基于Fuzzy集的客户细分有效性评价模式

笔者讨论了客户细分模型有效性的评价方式。建立的客户细分模型在其应用实施之前需要对其有效性进行评估。细分模型是否有效,关键问题是建模数据能够在多大程度上反映出细分模型的营销意义。基于模糊集的专家评分模型能够对其有效性进行评分量化。

Big Data Capability,Knowledge Dynamic Capability,and Business Model Innovation:The Moderating Effect of Innovation Legitimacy

Based on dynamic capability theory and legitimacy theory,a theoretical model is constructed to examine how big data capability,through the mediation of knowledge dynamic capability,drive business model innovation under the moderation effect of innovation legitimacy.The eanalys is isconducted using regression analysis and fuzzy set qualitative comparative analysis(fsQCA)on survey data from 302 enterprises that have already implemented big data application practices.The study finds the following four conclusions.(1)Big data capability has a significant positive impact on business model innovation.(2)Dynamic knowledge capability partially mediates the relationship between big data capability and business model innovation.(3)Innovation legitimacy positively influences business model innovation and positively moderates the relationship between big data capability and businessmodel innovation.(4)Through further qualitative comparative analysis,two causal paths that influence business model innovation are identified.

基于数据挖掘的电力负荷脏数据动态智能清洗

来源于SCADA系统的负荷历史数据由于各种原因含有一定的脏数据,在进行高精度的电 力负荷预测或系统分析前必须仔细而合理地对历史数据进行清洗。文中基于数据挖掘理论提出一 种动态的智能清洗模型,先根据模糊软聚类思想对Kohonen神经网络进行了改进,改进后的 Kohonen神经网络能实现模糊软聚类的并行计算,提出的动态算法能根据样本集的更新而自动确 定新的聚类中心(即特征曲线),最后与径向基函数(RBF)网络一起构成脏数据的智能清洗模型。 模型的快速性和动态性特点使其宜于进行负荷数据的实时处理,对重庆江北负荷数据的实例分析 说明了该模型的高效性。

模糊粗糙数据模型:一种数据分析的新方法

提出了一种数据分析的新方法———模糊粗糙数据模型(Fuzzy Rough Data Model,FRDM).该方法采用动态自适应模糊聚类技术,将Kowalczyk方法中的粗糙数据模型(Rough Data Model,RDM)对输入数据空间的网格状“硬划分”转化为模糊划分,辨识输入数据空间中的模糊模式类,并通过定义各模糊模式类与决策类别之间的类型映射关系ftype:Ci→y,以及输入数据对各模式类分类规则的匹配度(Degree of Fulfillment,DoF(x))概念,建立起相应的FRDM模型.不同数据集的实验测试结果表明,与Kowalczyk的RDM方法相比,文中方法具有更好的数据概括能力、更强的噪声数据处理能力和更高的搜索效率.

基于数据挖掘与系统理论建立摩擦模糊模型与控制补偿

建立机械摩擦力模型及其相应的控制补偿策略一直是人们所关注的问题.由于摩擦力所固有的非线性及不确定特征,用传统的数学建模与控制补偿方法难以达到满意的系统性能要求.本文采用模糊建模技术逼近摩擦动力系统并将辨识结果用在前馈补偿控制器设计中.模糊建模过程由以下3个部分组成:首先采用数据挖掘技术辨识出模糊系统的模糊规则库,然后利用该规则库建立模糊系统的静态模型,最后以李雅普诺夫稳定性理论为基础进一步辨识出模糊系统的动态模型.在控制器设计方面,采用了自适应模糊系统前馈补偿的比例微分(Proportional-derivative,PD)算法.运用李雅普诺夫稳定性分析证明了闭环系统跟踪误差的有界性.数值仿真结果表明了该方法的有效性和实用性.

基于数据挖掘的瓦斯灾害信息融合模型的研究

数据挖掘和信息融合是2种功能不同的处理数据的过程,2种方法虽然原理不同,但在功能上可以相互弥补。介绍了基于数据挖掘技术建立信息融合模型的原理和算法,研究了基于模糊粗糙集的数据挖掘算法建立瓦斯灾害信息融合模型的方法,并对所建模型进行误差曲线仿真分析。

一种新的面向渔情预测的智能数据处理模型研究

结合印度洋大眼金枪鱼渔业应用背景,提出一种新的面向渔情预测的智能数据处理模型。首先利用支持向量机(SVM)对样本数据进行训练,并运用模糊分类器对支持向量进行规则提取;然后对条件和结论分别进行可拓变换和传导变换,获得渔场动态知识。实验结果表明,获得的动态知识具有更强的解释性,对丰富渔情预测方法、解释渔场形成机制具有重要意义。

云概念格的定义、性质与应用

为改善概念格对不确定性形式背景的处理,在分析现有概念格及其改进模型的基础上,将云模型引入概念格,提出一种新的格结构——云概念格,通过云形式背景实现了多值背景与单值背景、不确定性背景与精确背景的统一。同时证明了云概念格的若干性质,讨论了云概念格在数据挖掘中的应用,并结合实例给出基于云概念格的关联规则挖掘算法。

动态模糊数据运算及模型研究

动态模糊数据在人们的研究对象中普遍存在，基于此，给出动态模糊数据运算其动态模糊数据模型及其核计语言。该模型及设计语言的建立，为人们用计算机处理这类数据提供了理论依据。

动态模糊关系数据模型研究

数据模型是建立系统的核心 ,根据我们的研究对象 ,在我们具体建模时会遇到很多具有动态模糊性的数据存在 ,基于此 ,本文给出一种动态模糊关系数据模型 .

动态模糊数据的扩展模型研究

数据模型是建立系统的核心 .在我们的研究对象中 ,具有动态模糊性的数据是普遍存在的 ,文献〔1〕对一般的动态模糊数据模型作了初步研究 .基于此 ,本文作更深入的研究 ,给出了动态模糊数据的测度理论 ,动态模糊数据的扩展模型 .该模型的建立 ,为人们用计算机处理这类问题提供了理论依据 .

动态模糊数据的分解模型研究

数据分解是降低数据复杂程度的有效途径，然而，在研究的数据对象中，具有动态模糊性的数据是普遍存在的，基于动态模糊集及动态模糊图给出了动态模糊数据分解模型，该模型的建立，为人们用计算机处理这类数据提供了理论依据。

基于粗糙-模糊推理系统的化工过程建模研究

根据粗糙集方法所导出的规则构造模糊—神经网络,由规则的参数和离散化结果估计网络参数的初始值,使网络经训练能较快收敛并达到最优值。将其应用于PTA装置溶剂脱水塔精馏过程建模,所建模型的性能优于普通前馈神经网络,粗糙—模糊神经网络可以消除决策系统的冗余信息,降低模型复杂度。

数据驱动的犹豫模糊语言信息策略优先权排序方法

数据挖掘使得决策者获取信息更为方便有效。本文在冲突分析图模型理论框架下,首先基于数据对冲突策略进行挖掘,实现了冲突策略的合理构建。其次,考虑到现实冲突中决策者对某策略的选择更多表现为一种被选择的可能性,将犹豫模糊语言信息和冲突分析图模型理论进行有效交叉融合,采用犹豫模糊语言信息进行评估,并基于粗糙集思想对犹豫模糊语义评价信息进行集结以代表这种可能性;进一步地,提出一种新的基于犹豫模糊语言信息的冲突分析图模型策略优先权排序法。最后,对沭河跨境水污染进行建模分析,对沭河水污染治理提出建议,并且就状态排序结果对比了新旧两种方法,结果验证本文提出方法的合理性。

基于动态模糊集(DFS)的数据发掘方法研究

基于动态模糊集给出了数据发掘的一种新方法．

基于大数据挖掘的混合式教学模式质量评价方法

数据维度的增长会加大数据处理难度,导致教学质量评价耗时较长,为此提出了一种基于大数据挖掘的混合式教学模式质量评价方法。该方法采用关联规则挖掘教学数据,然后采用粗糙集对挖掘结果进行属性约简,以提升教学评价效率。基于数据处理结果,建立面向教学评价的模糊综合评价模型,获取教学质量评价结果。实验结果表明,设计方法的评价结果更加精准,评价误差始终保持在2.5%以下,且效率较高,最短评价耗时仅为10.3 s,明显优于现有方法,具备实际应用价值。

一种基于数据挖掘的模糊建模方法

为提高非线性系统模糊建模的速度和精确度,提出一种快速有效的基于数据挖掘的非线性系统模糊建模方法。该方法先采用改进的减法聚类结合模糊C-均值聚类进行结构辨识,在解决初始化问题的同时减少计算量,进而提高建模速度;然后利用带动态遗忘因子的递推最小二乘法进行后件参数辨识,减小动态误差,提高建模精度。将提出的方法应用于Box-Jenkins煤气炉建模和透平膨胀机建模两个例子,仿真结果验证该方法的有效性。