简介：轮廓线的变点识别是质量管理的研究热点之一，当前研究多以轮廓整体变化为识别对象，而对局部变化问题研究相对较少，且更少有在发现变异时间的同时能够寻找到变化区域在个体轮廓曲线上位置的系统方法。本文针对轮廓线局部变化识别问题，提出基于小波变换和聚类分析的方法。通过仿真性能评价，并与现有方法进行比较，结果显示本方法能够在更小的差异度检测出变化并准确定位变化区域。在文章的末尾，本文采用了一个实例对该方法的效果进行验证。

简介：针对采用经典划分思想的聚类算法以一个点来代表类的局限，提出一种基于泛化中心的分类属性数据聚类算法。该算法通过定义包含多个点的泛化中心来代表类，能够体现出类的数据分布特征，并进一步提出泛化中心距离及类间距离度量的新方法，给出泛化中心的确定方法及基于泛化中心进行对象到类分配的聚类策略，一般只需一次划分迭代就能得到最终聚类结果。将泛化中心算法应用到四个基准数据集，并与著名的划分聚类算法K-modes及其两种改进算法进行比较，结果表明泛化中心算法聚类正确率更高，迭代次数更少，是有效可行的。

简介：对于多属性群决策中专家权重确定的问题，本文提出了基于聚类的专家权重确定方法，将专家权重分为类别间权重和类别内权重，对专家聚类步骤和类别间权重的计算方法进行了改进。通过专家给出的判断矩阵构建相容度矩阵，利用系统聚类原理，对相容度矩阵进行聚类，得到最大相容度谱系图。通过最大相容度间的距离和给定阈值的比较，对专家进行恰当分类，从而避免了根据现有研究步骤只能将专家分为两类的不足。此外，在确定类别间权重时，除继续对类容量较大的类赋予较大的类别间权重系数外，还引入专家判断矩阵的属性权重一致性来反映类别间的差异，从而有效避免了当某几类专家中含有相等数目专家时，赋予这几类专家相同类别间权重系数的问题。所提方法结构清晰、计算简便，并使得专家权重计算结果更为合理准确。最后运用一个算例对比验证了该方法的可行性和有效性。

简介：时间序列聚类分析是时间序列数据挖掘中的重要任务之一，通常由于时间序列数据的特殊结构，导致一般的聚类算法不能直接应用于时间序列数据。本文提出了一种基于独立成分分析与改进^一均值算法相结合的时间序列聚类算法，该算法首先利用独立成分分析对时间序列数据进行特征提取，然后利用改进￡．均值聚类算法完成对时间序列特征数据的聚类分析，从而得到了一种新的基于特征的时间序列聚类方法。为了验证该方法的有效性和可行性，将其应用于实际的股票时间序列数据聚类分析中，取得了较好的数值结果。