基于进化多目标软子空间聚类的商业银行企业客户信用风险识别

提出了一种进化多目标软子空间聚类(EMOSSC)算法,用于提升商业银行信贷审批过程中企业客户的信用风险识别和管理水平.考虑到信用数据高维、类不平衡的特征,将聚类算法中单一的聚类有效性指标转化为了一个四目标函数,并采用进化算法对该函数进行优化和求解.结果表明,EMOSSC算法不仅在信用风险识别准确率、稳健性以及结果显著性等方面显著优于对比算法,还能通过对指标权重大小的排序,揭示商业银行企业客户信用风险的关键影响因素,为商业银行的信用风险识别和管理提供有益参考.

面向高维特征故障数据的进化软子空间聚类算法

针对复杂机械设备故障诊断中特征量众多且对各种故障敏感程度不同的现象,提出了采用软子空间聚类算法来实现故障的识别方法。同时,针对传统软子空间聚类易陷入局部最优,目标函数设计受限制的缺点,又提出了采用进化计算实现聚类的方法。利用同类样本在相关特征维上方差小的假设,新的目标函数能更好地评价聚类结果的质量。在该算法中,通过设计类中心和权重值的混合编码以及聚类导向搜索算子,使算法更适于聚类问题的优化,而且设计的修复算子可有效地去除不合理的聚类结果。采用5组UCI数据集、2组轴承滚珠故障数据集和3组往复式压缩机气阀故障数据集对算法进行了测试,结果表明:该算法明显好于几种的软子空间聚类算法,在Rand指标上最多可高出0.226 6,并且对2组不同工况下一级缸气阀故障可实现100%的故障识别。