特征变量的灰色模糊动态聚类选择方法

发布时间：2024-05-12 06:19

　　为了在保证计算精度的前提下使模型简化并便于计算,要尽量少地用对模型影响较大、相互独立的特征变量进行建模。在进行特征变量选择时,既要考虑选择对主因素有重要影响的变量,也要排除各影响变量间的多重相关性的干扰。首先建立各特征变量同费用的灰色关联度,根据关联度的大小对众多特征变量进行排序,排除关联度相对极小并同其他因素关联度差异明显的特征变量,减少次要影响因素对估算结果造成的干扰;其次,应用基于特征权值的模糊动态聚类方法,并突出近期数据的重要性,对影响因素进行聚类分析,排除影响因素间多重相关性的干扰。论文通过实例分析进行了验证。

【文章页数】：6 页

【部分图文】：

图１模糊聚类动态分析图

０．６１０．６１０．６１０．６１０．６２１．烄烆烌００烎则Ｒ８＝Ｒ４，即获得模糊等价矩阵的Ｒ＊：Ｒ＊＝Ｒ４＝１．０００．６１０．７４０．６９０．６１０．６１０．６１１．０００．６１０．６１０．６１０．６１０．７４０．６１１．０００．６９０．６１０．６１０．６９０．６１０．６９１．....

图１模糊聚类动态分析图

０．６１０．６１０．６１０．６１０．６２１．烄烆烌００烎则Ｒ８＝Ｒ４，即获得模糊等价矩阵的Ｒ＊：Ｒ＊＝Ｒ４＝１．０００．６１０．７４０．６９０．６１０．６１０．６１１．０００．６１０．６１０．６１０．６１０．７４０．６１１．０００．６９０．６１０．６１０．６９０．６１０．６９１．....

图１模糊聚类动态分析图

０．６１０．６１０．６１０．６１０．６２１．烄烆烌００烎则Ｒ８＝Ｒ４，即获得模糊等价矩阵的Ｒ＊：Ｒ＊＝Ｒ４＝１．０００．６１０．７４０．６９０．６１０．６１０．６１１．０００．６１０．６１０．６１０．６１０．７４０．６１１．０００．６９０．６１０．６１０．６９０．６１０．６９１．....

本文编号：3970987