搜索结果: 1-6 共查到“管理科学与工程 信息熵”相关记录6条 . 查询时间(0.101 秒)
在多属性群决策方法的研究中,为了科学地确定专家的权重,提出一种基于信息熵的群组聚类组合赋权法。依据各个专家的判断矩阵归一化得到的排序向量,利用相关系数法构造相关矩阵。通过分析阀值变化率选取最优聚类阀值,对相似程度较高的排序向量给出合理的聚类。运用信息熵为类内专家赋权,综合聚类结果和排序向量的信息熵,确定专家的总权重。算例表明该方法可以对较为相近的专家评价结果进行有效分类,并准确衡量每位专家评价信息...
一种基于信息熵的金融数据神经网络分类方法
数据分类 神经网络 熵
2014/9/29
讨论一种基于信息熵的神经网络数据分类方法, 通过所有神经元的统计权重信息对输入数据进行投票分类.这种多层网络结构以及基于信息量的分割算法, 使得它在数据分类问题上比现有的多数神经网络具有更好的表现.其并行的可扩展结构适合硬件实现, 能够提高实际运算速度, 适合用来处理金融方面高维度、复杂的海量数据问题.
基于信息熵的专家聚类赋权方法
熵 信息相似系数 聚类分析
2014/9/22
鉴于群组决策专家赋权方法研究中, 现有赋权方法虽然考虑了专家给出的排序向量的一致性, 但缺乏对排序向量信息相似性的度量, 导致可能出现排序向量与群体共识相近, 但信息不确定性较大的专家被赋予了与其他专家相同权重的问题. 基于此, 提出一种基于信息熵的专家聚类赋权方法, 运用信息相似系数对排序向量进行聚类分析, 根据聚类结果和排序向量的信息熵来确定专家的权重. 具体算例表明, 该方法有效且可行.
为了融合遗传算法和蚁群算法在解决组合优化问题方面的优势, 提出一种基于信息熵和混沌理论的遗传-蚁群协同优化算法. 利用信息熵产生初始群体, 增加初始群体的多样性, 并将混沌优化的遍历特性引入融合的遗传-蚁群算法, 改进相关参数, 实现参数的自适应控制以及遗传算法与蚁群算法混合优化策略的有机集成. 通过仿真实例表明了混合智能算法在解决旅行商问题(TSP) 50 座城市最短路径寻优时的有效性.
基于投票信息熵的AdaBoost改进算法
AdaBoost 朴素贝叶斯 文本分类
2014/9/15
针对AdaBoost算法不能有效提升NB(Naive Bayesian) 的分类性能, 提出一种改进的样本权重维护策略. 权重的调整不仅依据样本是否分错, 还需考虑前几轮的多个基分类器对它的投票分歧. 基分类器的信任度不但与错误率有关, 还与基分类器间的差异性有关. 这样可以提高基分类器的正确性, 增加基分类器的差异性. 实验结果表明, 改进的BoostVE-NB算法能有效地提升NB文本分类性能.