基于微粒群优化的自动聚类算法及应用研究

发布时间：2017-04-17 06:12

  本文关键词：基于微粒群优化的自动聚类算法及应用研究，由笔耕文化传播整理发布。

【摘要】：聚类分析作为数据挖掘的重要任务之一,广泛应用于经济管理、医学以及生物学等领域。自动确定聚类数目的聚类算法,在现实应用中有着很重要的意义。聚类可以看作最优化问题,因此本文利用微粒群智能优化方法来解决自动聚类问题。一方面运用简单微粒群优化方法优化划分聚类中的自动聚类指标函数,获得自动聚类结果；另一方面使用小生境微粒群优化来寻找密度分布函数的所有局部最优来获得簇心。最后将本文提出的两种自动聚类算法应用到客户关系管理中的客户细分,实验结果表明本文的方法有较好的潜在实用价值。本文的主要研究工作如下： (1)本文提出了基于k调和均值和微粒群优化方法的自动聚类算法。鉴于基于k均值的自动聚类指标易受簇心初始化的影响,本文引入k调和均值来构建自动聚类指标函数作为优化目标函数。该算法使用新的粒子编码方式使微粒群优化方法在优化簇心的同时,寻找最优聚类数目。数值实验证明,该算法可以有效地进行自动聚类,且鲁棒性强,不受簇心初始化的影响。 (2)本文提出的第二种自动聚类算法是将小生境微粒群算法引入到聚类分析中,提出了一种基于小生境微粒群来优化密度分布函数的聚类算法。首先,改进了并行小生境微粒群中主群粒子的训练模型,增强了空间搜索能力；其次,根据聚类问题的特点来自适应地确定子群的半径,从而有利于小生境的形成和寻优；最后,提出了一种新的样本分配方法,将样本分配到相应的簇。数值实验结果表明,基于密度分布函数和小生境微粒群优化的聚类算法能自动有效地将密度不均匀的数据聚成相应的簇。 (3)最后本文将提出的两种自动聚类算法应用于商业数据中,研究客户关系管理中的客户细分。本文以RFM指标体系为基础选取4S店的汽车维修数据进行整合得到目标数据集,然后利用本文提出的两种聚类方法对目标数据集进行聚类分析,得到客户分群。对聚类形成的每个客户群体进行属性统计分析,发现其中的商业规律,并根据4S店的实际情况提出相应的营销策略。实验结果表明,本文提出的两种自动聚类算法能较为合理地聚类实际商业数据,进而针对聚类结果提出合理的营销策略,这进一步验证了自动聚类算法在商业数据中的有效应用。
【关键词】：自动聚类 微粒群优化 小生境微粒群 密度聚类 k调和均值
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2012
【分类号】：C931
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-19
• 1.1 研究背景与意义9-10
• 1.2 国内外研究现状及存在问题10-16
• 1.2.1 国内外研究现状10-15
• 1.2.2 存在的问题15-16
• 1.3 本文的研究内容和论文结构16-19
• 2 基于k调和均值和微粒群优化的自动聚类算法19-30
• 2.1 相似性度量19
• 2.2 k调和均值19-20
• 2.3 聚类指标函数20-21
• 2.4 微粒群优化方法21-23
• 2.4.1 微粒群优化简介21-22
• 2.4.2 微粒群优化的速度要素和参数分析22-23
• 2.5 基于微粒群优化的聚类算法23-24
• 2.5.1 微粒群优化的编码方式23
• 2.5.2 微粒群优化在聚类应用中的改进23-24
• 2.5.3 自动聚类算法24
• 2.6 数值实验24-29
• 2.6.1 算法有效性实验25-28
• 2.6.2 KHP与DCPSO、KMP算法比较28-29
• 2.7 本章小结29-30
• 3 基于密度分布函数和小生境微粒群优化的自动聚类算法30-40
• 3.1 基于影响函数的密度分布函数30-31
• 3.2 小生境微粒群优化31-32
• 3.3 基于改进小生境微粒群优化的聚类算法32-36
• 3.3.1 改进的小生境微粒群优化32-34
• 3.3.2 自动聚类算法34-36
• 3.4 数值实验36-39
• 3.4.1 密度分布函数中参数选取的讨论37-38
• 3.4.2 CDNPSO和KHMPSO算法比较38-39
• 3.5 本章小结39-40
• 4 自动聚类算法在客户细分中的应用40-50
• 4.1 客户细分40-41
• 4.2 RFM指标体系41-42
• 4.3 基于自动聚类算法的客户细分及结果解释42-49
• 4.3.1 问题描述42
• 4.3.2 数据处理42-43
• 4.3.3 客户分群43
• 4.3.4 结果解释及营销策略43-49
• 4.5 本章小结49-50
• 结论50-51
• 参考文献51-55
• 攻读硕士学位期间发表学术论文情况55-56
• 致谢56-57

【共引文献】

中国期刊全文数据库 前10条

1 衣春红;如何构建钢厂与经销商之间的营销关系[J];包钢科技;2004年06期

2 陈嵩;;基于CRM的轿车营销[J];汽车工业研究;2008年11期

3 黄春英;;客户关系管理系统的设计与实现[J];重庆理工大学学报(自然科学);2011年11期

4 谢大贤;;企业有效实施CRM研究[J];当代经济;2010年11期

5 刘文华;陆大修;;员工满意陷阱的成因与对策[J];消费导刊;2008年10期

6 刘增武;;第三方物流企业CRM评价指标体系设计与研究[J];广西财经学院学报;2009年03期

7 吴玲;李丛丛;;基于客户终身价值的电力客户细分研究[J];科技和产业;2012年11期

8 李慧琳;;民营快递企业客户关系管理应用评价体系研究[J];重庆与世界(学术版);2012年09期

9 黄丹;;乡村基投资有限公司客户关系管理应用研究[J];经营管理者;2013年23期

10 詹文协;;酒店餐饮业的营销与客户关系管理[J];经营管理者;2014年03期

中国重要会议论文全文数据库 前1条

1 张韬;梁伟;;SMG基于CRM的客户征信管理系统建设[A];中国新闻技术工作者联合会2011年学术年会论文集（下篇）[C];2011年

中国博士学位论文全文数据库 前2条

1 温巧夫;基于CLV的制造商客户管理研究[D];天津大学;2007年

2 韩亮;客车销售战略研究[D];长安大学;2009年

中国硕士学位论文全文数据库 前10条

1 林雨;集成通信的中小企业客户管理系统的研究与设计[D];山东科技大学;2010年

2 高龙;天津港数据集成平台关键技术应用研究[D];大连海事大学;2010年

3 程燕;航空公司CRM（客户关系管理）问题研究[D];苏州大学;2010年

4 胡敏;客户关系管理在商学院的应用研究[D];华东师范大学;2010年

5 张娟;客户关系管理在联邦快递的应用研究[D];华东师范大学;2010年

6 李东;基于J2EE的客户关系管理信息系统的设计和实现[D];华东师范大学;2010年

7 黄皓;ZG公司客户服务管理研究[D];华东理工大学;2011年

8 盛稚茵;消费者对于网络零售商（B2C）电子客户关系管理策略的态度研究[D];东华大学;2011年

9 李智刚;基于CRM的我国县级政府服务型电子政务建设研究[D];陕西师范大学;2011年

10 熊青松;G公司基于时间竞争的运营战略研究[D];华东理工大学;2011年

  本文关键词：基于微粒群优化的自动聚类算法及应用研究，由笔耕文化传播整理发布。

，

本文编号：312603