[发明专利]低维逐次投影寻踪聚类模型综合评价方法、装置及应用

权利要求书

1.一种低维逐次投影寻踪聚类模型综合评价方法,其特征在于，具体包括以下步骤：

步骤1：对多个候选对象的多个评价指标数据进行规格化预处理操作；

步骤1.1：读取多个候选对象的样本数据；

步骤1.2：判断样本数据类型，若样本数据为主观样本数据，则对数据进行极差归一化预处理；若样本数据为客观样本数据，则对数据进行极大值归一化预处理；若样本数据为最大值和最小值均未知的样本数据，则对数据进行去均值归一化预处理；

步骤2：根据所有候选对象预处理后的所有样本数据建立第1维度逐次投影寻踪聚类模型、第2维度逐次投影寻踪聚类模型...第k维度逐次投影寻踪聚类模型，其中2≤k≤4，k为低维逐次投影寻踪聚类模型的空间维度；

根据建立的第1维度逐次投影寻踪聚类模型、第2维度逐次投影寻踪聚类模型...第k维度逐次投影寻踪聚类模型分别计算每个候选对象的样本投影值；

步骤3：将第1维度逐次投影寻踪聚类模型、第2维度逐次投影寻踪聚类模型...第k维度逐次投影寻踪聚类模型聚合生成为一个综合投影寻踪聚类模型，获得该综合投影寻踪聚类模型的最佳综合投影向量及其系数；

所述步骤3中将第1维度逐次投影寻踪聚类模型、第2维度逐次投影寻踪聚类模型...第k维度逐次投影寻踪聚类模型聚合生成为一个综合投影寻踪聚类模型的具体步骤为：

步骤3.1：分别为第1维度最优投影向量、第2维度最优投影向量...第k维度最优投影向量分配权重值；

步骤3.2：将所有维度的最优投影向量按其各自的权重比例进行矢量合成，生成最佳综合投影向量及其系数；

步骤4：根据最佳综合投影向量的系数大小确定评价指标重要性排序列表，根据所有候选对象的样本综合投影值的大小确定候选对象质量排序列表；

所述候选对象为图书供应商；

所述为第1维度样本投影值、第2维度样本投影值...第k维度样本投影值分配权重值，或为第1维度最优投影向量、第2维度最优投影向量...第k维度最优投影向量分配权重值的计算公式为：或或其中为第k维度逐次投影寻踪聚类模型的目标函数值；

所述最佳综合投影向量满足关系：或或所述每个候选对象的样本综合投影值的计算公式为：

或或

2.根据权利要求1所述的低维逐次投影寻踪聚类模型综合评价方法，其特征在于，所述步骤2中建立第1维度逐次投影寻踪聚类模型、第2维度逐次投影寻踪聚类模型...第k维度逐次投影寻踪聚类模型的具体步骤为：

步骤2.1：根据PPC建模理论分别构建第1维度逐次投影寻踪聚类模型和第2维度逐次投影寻踪聚类模型的目标函数，采用群搜索智能最优化算法计算得到第1维度目标函数值和第2维度目标函数值；

步骤2.2：根据群搜索智能算法计算得到的第1维度逐次投影寻踪聚类模型的第1维度最优投影向量及其系数和第1维度样本投影值；根据群搜索智能算法计算得到的第2维度逐次投影寻踪聚类模型的第2维度最优投影向量及其系数、第2维度样本投影值；

步骤2.3：判断第2维度目标函数值是否小于第1维度目标函数值的0.40倍，若小于，则执行步骤3；否则，执行步骤2.4；

步骤2.4：构建第k维度逐次投影寻踪聚类模型的目标函数，并采用群搜索智能最优化算法计算得到第k维度目标函数值、第k维度最优投影向量及其系数和第k维度样本投影值；

步骤2.5：判断第k维度目标函数值是否小于第1维度目标函数值的0.40倍，若小于，则执行步骤3；否则，重复执行步骤2.4、2.5。

3.根据权利要求1所述的低维逐次投影寻踪聚类模型综合评价方法，其特征在于，所述第k维度最优投影向量为其中p为评价指标个数，a_k(p)为第k维度的第p个评价指标的投影向量系数；

所述第k维度样本投影值的计算公式为y_k(i)＝∑a_k(j)*x(i,j)，其中i为候选对象序号，j为评价指标序号，y_k(i)为第k维度的第i个候选对象的样本投影值，a_k(j)为第k维度的第j个评价指标的投影向量系数，x(i,j)为规格化后第i个样本、第j个评价指标的样本数据值；

所述第k维度目标函数值的计算公式为：且a_k(j)满足条件：或或其中为第k维度目标函数值，S_y,k为表示样本投影点整体上分散程度的第k维度样本投影值的标准差，D_y,k为表示样本投影点类内局部密集程度的第k维度类内样本的局部密度值，为y_k(i)的均值，n为候选对象个数，(r_i,m)_k为第k维度逐次投影寻踪聚类模型第i个候选对象与第m个候选对象之间的距离，(r_i,m)_k＝|y_k(i)-y_k(m)|，(r_max)_k为(r_i,m)_k的最大值，u(t)为单位阶跃函数，t大于等于0时为1，否则为0；R_k为第k维度逐次投影寻踪聚类模型的窗宽半径，且(r_max)_k/5≤R_k≤(r_max)_k/3。