基于K近邻的密度峰值聚类的财务大数据研究与应用

发布时间：2021-01-24 00:53

　　随着科技的发展,数据分析越来越复杂、难处理、难分类,数据维度越来越大,针对密度峰值快速搜索聚类（Clustering by fast search and find of density peaks,DPC）不适应高维数据集的缺陷,提出了一种名为T-DPC的优化算法,该算法基于t-SNE降维方法入手,并且还优化了高斯核函数的计算方法,在求解密度时使用统一的度量准则。实验中选取了人工数据集和UCI标准数据集,将DPC算法在人工数据集和UCI数据集与T-DPC算法进行对比,最终实验结果表明,T-DPC算法不仅适应了高维数据集,还提高了DPC算法效率。改进的K近邻密度峰值聚类算法以密度峰值聚类算法（DPC算法）为基础,结合K近邻技术,改进了K近邻的密度峰值聚类算法。通过改善自适应的度量手段和结合K近邻的分配策略解决了原算法中的问题。解决了dc选取的主观隐患和分配方式不好的问题。当今股票市场最热门的话题是如何获得最大利益并且使得收益风险最小化。这成了许多研究者的主要研究问题。股票市场是一个体系复杂、种类偏多、结构混乱,各种因素相互制约影响。如何选择股票是当今股民们最关注的问题。为了验证改进的K... 

【文章来源】：辽宁石油化工大学辽宁省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

DBSCAN算法流程图

【参考文献】：
期刊论文
[1]结合K近邻的改进密度峰值聚类算法[J]. 薛小娜,高淑萍,彭弘铭,吴会会.  计算机工程与应用. 2018(07)
[2]K最近邻算法理论与应用综述[J]. 毋雪雁,王水花,张煜东.  计算机工程与应用. 2017(21)
[3]一种改进的搜索密度峰值的聚类算法[J]. 淦文燕,刘冲.  智能系统学报. 2017(02)
[4]基于Storm的流数据KNN分类算法的研究与实现[J]. 周志阳,冯百明,杨朋霖,温向慧.  计算机工程与应用. 2017(19)
[5]大数据聚类算法综述[J]. 海沫.  计算机科学. 2016(S1)
[6]K近邻优化的密度峰值快速搜索聚类算法[J]. 谢娟英,高红超,谢维信.  中国科学:信息科学. 2016(02)
[7]基于影响力计算模型的股票网络社团划分方法[J]. 王浩,李国欢,姚宏亮,李俊照.  计算机研究与发展. 2014(10)
[8]自适应变异的果蝇优化算法[J]. 韩俊英,刘成忠.  计算机应用研究. 2013(09)
[9]基于智能计算的股票价格预测[J]. 李忍东,饶佳艺,严亚宁.  科技通报. 2013(04)
[10]基于聚类分析与协整检验的A股市场统计套利策略[J]. 张戡,李婷,李凌飞.  统计与决策. 2012(15)

硕士论文
[1]数据挖掘方法在股票分析中的应用与研究[D]. 孙磊平.西南财经大学 2013



本文编号：2996245