[發(fā)明專利]低維逐次投影尋蹤聚類模型綜合評(píng)價(jià)方法、裝置及應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 201710584477.2
• 申請(qǐng)日: 2017-07-18
• 公開（公告）號(hào): CN107423759B
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計(jì)）人: 于曉虹;樓文高;馮國(guó)珍;司文;湯俊
• 申請(qǐng)（專利權(quán)）人: 上海商學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06Q10/06
• 代理公司: 上海智力專利商標(biāo)事務(wù)所(普通合伙) 31105
• 代理人: 周濤

本發(fā)明公開了一種低維逐次投影尋蹤聚類(LDSPPC)模型綜合評(píng)價(jià)方法、裝置及應(yīng)用，該方法包括以下步驟：對(duì)多個(gè)候選對(duì)象的樣本數(shù)據(jù)進(jìn)行規(guī)格化預(yù)處理，對(duì)候選對(duì)象構(gòu)建2～4個(gè)投影向量相互正交的一維投影尋蹤聚類模型；將多個(gè)候選對(duì)象的所有維度的投影尋蹤聚類模型矢量合成為一個(gè)綜合投影尋蹤聚類模型，獲得評(píng)價(jià)指標(biāo)重要性排序列表和候選對(duì)象質(zhì)量排序列表。本發(fā)明群搜索智能算法具有收斂速度快、收斂到全局最優(yōu)解可靠性高等特點(diǎn)，矢量合成多個(gè)逐次投影尋蹤向量，能夠快速評(píng)價(jià)候選對(duì)象的優(yōu)劣，且提高了候選對(duì)象質(zhì)量評(píng)價(jià)的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)應(yīng)用技術(shù)領(lǐng)域，特別是涉及一種基于低維逐次投影尋蹤聚類模型(LDSPPC)的綜合評(píng)價(jià)方法、裝置及應(yīng)用。

背景技術(shù)

供應(yīng)商選擇與評(píng)價(jià)涉及處理多指標(biāo)(高維)屬性的非線性、非正態(tài)分布的數(shù)據(jù)處理，常規(guī)建模方法的效果較差。Friedman等1974年提出的一維投影尋蹤分類(ProjectionPursuit Clustering，簡(jiǎn)稱PPC)模型，在眾多領(lǐng)域得到了廣泛應(yīng)用，取得了一定效果。但對(duì)于多屬性少樣本的供應(yīng)商選擇與評(píng)價(jià)問題，往往因?yàn)橥诰虺龅臉颖緮?shù)據(jù)信息不充分，出現(xiàn)多個(gè)供應(yīng)商得分相同的結(jié)果，難以選擇合適的供應(yīng)商。

在LDSPPC建模過程中，首先需要消除不同評(píng)價(jià)指標(biāo)之間由于量綱不同而帶來的不利影響，即必須對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。對(duì)主觀(專家)確定的數(shù)據(jù)，為了消除專家偏好的影響，常采用極差歸一化方法，對(duì)客觀測(cè)定(確定)的數(shù)據(jù)，采用極大值歸一化方法有助于保留數(shù)據(jù)的更多原始信息；對(duì)最大值和最小值未知或不作限制的數(shù)據(jù)，宜采用去均值歸一化方法。

在LDSPPC模型中，選取合理的局部密度窗寬半徑R值是核心和關(guān)鍵問題之一。樓文高等于2015年從理論和實(shí)踐兩個(gè)角度進(jìn)行分析后，提出了合理R值取中間適度值方案，即r_max/5≤R≤r_max/3。

目前，史曉霞等(2008)建立了2維投影尋蹤聚類模型，但建模結(jié)果顯然是錯(cuò)誤的，因?yàn)槠涞诙S的目標(biāo)函數(shù)值大于第一維的目標(biāo)函數(shù)值，這是不可能的。龔衍等(2007)采用相對(duì)信息熵最大作為目標(biāo)函數(shù)建立了9維投影尋蹤聚類模型，但沒有實(shí)際案例數(shù)據(jù)，無法驗(yàn)證其結(jié)果的可靠性。這些論文都沒有討論如何實(shí)現(xiàn)多個(gè)投影尋蹤向量的合成問題，不利于充分挖掘樣本數(shù)據(jù)信息進(jìn)行分類和排序研究。

國(guó)內(nèi)沒有發(fā)現(xiàn)任何一款軟件能夠提供LDSPPC建模，唐啟義(2013)研制的商品化DPS軟件有關(guān)PPC建模的程序無法得到可靠的結(jié)果。由于LDSPPC模型是一個(gè)同時(shí)含有等式和不等式約束的高維非線性最優(yōu)化問題，求解非常困難。

因此，計(jì)算機(jī)應(yīng)用技術(shù)和管理科學(xué)與工程領(lǐng)域急需一款能夠?qū)崿F(xiàn)對(duì)多指標(biāo)屬性、非線性、非正態(tài)分布數(shù)據(jù)進(jìn)行低維逐次投影尋蹤聚類建模的綜合評(píng)價(jià)計(jì)算機(jī)軟件。

發(fā)明內(nèi)容

本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，設(shè)計(jì)出一種低維逐次投影尋蹤聚類模型綜合評(píng)價(jià)方法、裝置及應(yīng)用。

為達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是：

一種低維逐次投影尋蹤聚類模型綜合評(píng)價(jià)方法,具體包括以下步驟：

步驟1：對(duì)多個(gè)候選對(duì)象的多個(gè)評(píng)價(jià)指標(biāo)數(shù)據(jù)進(jìn)行規(guī)格化預(yù)處理操作；

步驟2：根據(jù)所有候選對(duì)象預(yù)處理后的樣本數(shù)據(jù)建立第1維度逐次投影尋蹤聚類模型、第2維度逐次投影尋蹤聚類模型...第k維度逐次投影尋蹤聚類模型，其中2≤k≤4，k為低維逐次投影尋蹤聚類模型的空間維度；

根據(jù)建立的第1維度逐次投影尋蹤聚類模型、第2維度逐次投影尋蹤聚類模型...第k維度逐次投影尋蹤聚類模型分別計(jì)算每個(gè)候選對(duì)象的樣本投影值；

步驟3：將第1維度逐次投影尋蹤聚類模型、第2維度逐次投影尋蹤聚類模型...第k維度逐次投影尋蹤聚類模型聚合生成為一個(gè)綜合投影尋蹤聚類模型，獲得該綜合投影尋蹤聚類模型的最佳綜合投影向量及其系數(shù)；