賴 紅 清

(佛山職業(yè)技術(shù)學(xué)院 工商管理學(xué)院商貿(mào)系,廣東 佛山 528200)

0 引 言

隨著經(jīng)濟(jì)的發(fā)展，需要對(duì)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)進(jìn)行優(yōu)化聚類分析，通過(guò)提取企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的統(tǒng)計(jì)特征量，結(jié)合大數(shù)據(jù)信息處理和數(shù)據(jù)融合方法，將其進(jìn)行優(yōu)化聚類分析，以提高企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊聚類能力[1]。對(duì)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的分類是實(shí)現(xiàn)企業(yè)金融管理優(yōu)化的關(guān)鍵，相關(guān)的數(shù)據(jù)分類研究受到人們的極大關(guān)注[2]。對(duì)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的聚類分析主要采用模糊聚類方法，結(jié)合統(tǒng)計(jì)數(shù)據(jù)分析，進(jìn)行數(shù)據(jù)分類處理，但傳統(tǒng)方法模糊度較大，分類的準(zhǔn)確性不好。針對(duì)上述問(wèn)題，提出基于邏輯回歸的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類方法，采用邏輯回歸分析方法將數(shù)據(jù)進(jìn)行融合聚類處理，結(jié)合模糊C均值聚類方法，實(shí)現(xiàn)數(shù)據(jù)分類的自適應(yīng)尋優(yōu)和收斂性控制。最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了該方法在提高企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類能力方面的優(yōu)越性能。

1 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分布模型及特征分析

1.1 分布模型

為了實(shí)現(xiàn)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類，采用自適應(yīng)無(wú)監(jiān)督學(xué)習(xí)方法進(jìn)行統(tǒng)計(jì)融合處理。首先構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)模糊決策樹(shù)模型，采用相空間重構(gòu)方法進(jìn)行模糊特征重構(gòu)[3]，采用一個(gè)四元組(Ei,Ej,d,t)來(lái)表示特征分布權(quán)系數(shù)，其中Ei，Ej是企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權(quán)重的實(shí)體集(即節(jié)點(diǎn)i和j)，d為特征權(quán)重的交互性統(tǒng)計(jì)數(shù)據(jù)，t為企業(yè)二次創(chuàng)業(yè)過(guò)程中的業(yè)績(jī)關(guān)聯(lián)數(shù)據(jù)特征集，采用企業(yè)內(nèi)部代理方法進(jìn)行統(tǒng)計(jì)特征分析，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的量化集為

x(t)=(x0(t),x1(t),…,xk-1(t))T

(1)

采用一個(gè)1×N維的分布陣列進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征重構(gòu)，確定模糊時(shí)間窗口值N，構(gòu)建多維信息熵分布矩陣。采用激勵(lì)機(jī)制建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的特征權(quán)重分析模型，建立窄時(shí)域窗TLX，TLY，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權(quán)重的模糊特征提取模型為

(2)

式(2)中，Dx(x,y)表示特征提取最大范圍值，當(dāng)提范圍值小于等于窗口值N時(shí)，進(jìn)行特征權(quán)重的模糊特征提??；當(dāng)超出窗口值N時(shí)，不進(jìn)行提取。

設(shè)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權(quán)重的模板特征分布為m，構(gòu)建Probit多元回歸分析模型[4]，得到數(shù)據(jù)的有效性控制指數(shù)為Nj*，在進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權(quán)重回歸分析的基礎(chǔ)上，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的統(tǒng)計(jì)回歸分布為

(3)

根據(jù)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權(quán)重進(jìn)行自適應(yīng)分類，構(gòu)建融資相關(guān)性決策模型，提高對(duì)數(shù)據(jù)的分類和統(tǒng)計(jì)決策能力。

1.2 模糊特征分析

構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分布的不規(guī)則空間聚類模型，采用相空間結(jié)構(gòu)重組方法進(jìn)行模糊特征重構(gòu)，采用決策樹(shù)模型進(jìn)行統(tǒng)計(jì)融合分類[5]，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的量化特征分布集為D,D={Si,j(t),Ti,j(t),Ui,j(t)}，其中Si,j(t)表示特征權(quán)重的重復(fù)因素，Ti,j(t)表示融合分類的輸出量因素，Ui,j(t)表示相似度(相關(guān)性)模型，對(duì)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權(quán)重關(guān)聯(lián)規(guī)則特征量進(jìn)行量化回歸分析，定義為

(4)

Ti,j(t)表示對(duì)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權(quán)重檢測(cè)的相關(guān)性特征分布集，計(jì)算表達(dá)為

(5)

提取企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量，根據(jù)譜聚類結(jié)果，進(jìn)行自適應(yīng)篩選和優(yōu)化決策，建立關(guān)聯(lián)規(guī)則模型，輸出為

Ui,j(t)=exp[-b[zi(t)-zj(t)]2]

(6)

式(6)中，pi,j(t)為統(tǒng)計(jì)融合分類的互信息量；spi,j(t)為特征權(quán)重檢測(cè)的分叉度重復(fù)量；Δp(t)為增益系數(shù)；zi(t)，zj(t)表示為模糊度函數(shù)，由此建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的特征提取和大數(shù)據(jù)融合聚類模型，采用模糊特征分析方法，進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊聚類處理，提高數(shù)據(jù)的分類挖掘和識(shí)別能力[6]。

2 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類優(yōu)化

2.1 金融數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征提取

在構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)優(yōu)化分類模型中，采用融資決策模型，進(jìn)行融合調(diào)度，提取關(guān)聯(lián)規(guī)則特征集進(jìn)行金融數(shù)據(jù)的自適應(yīng)分類，分析企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的離散空間調(diào)度模型，采用模糊控制方法[7]，進(jìn)行融分段樣本檢驗(yàn)，得到自適應(yīng)加權(quán)權(quán)重為

ωj=(ω0j,ω1j,…,ω(k-1)j)T

(7)

建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊聚類模型，進(jìn)行特征分析，得到數(shù)據(jù)序列的統(tǒng)計(jì)特征序列為

(8)

式(8)中，k為企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的聚類空間分布權(quán)重。采用離散序列調(diào)度方法，構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的特征匹配模型，根據(jù)多分類器融合結(jié)果進(jìn)行信息分類，實(shí)現(xiàn)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的統(tǒng)計(jì)特征檢測(cè)，得到檢測(cè)統(tǒng)計(jì)量為

(9)

(10)

構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計(jì)分布有限數(shù)據(jù)集模型，得到關(guān)聯(lián)特征為

(11)

(12)

在分散子空間中進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)實(shí)時(shí)檢測(cè)，實(shí)現(xiàn)關(guān)聯(lián)規(guī)則特征提取[8]。

2.2 數(shù)據(jù)模糊C均值聚類和優(yōu)化分類

(13)

采用多隊(duì)列調(diào)度方法，建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的決策調(diào)度模型，得到特征訓(xùn)練集si={xj:d(xj,yi)≤d(xj,yl)}，企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的顯著性特征權(quán)重為

MinWH=min{w(cc),h(cc)}

(14)

(15)

建立模糊度核函數(shù)模型，采用相空間結(jié)構(gòu)重組方法，得到Nj*的幾何鄰域NEj*(t)，企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計(jì)融合分類的模糊聚類中心為

U={μik|i=1,2,…,c；k=1,2,…,n}

(16)

在關(guān)聯(lián)規(guī)則聚類下，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊調(diào)度函數(shù)為

(17)

采用空間網(wǎng)格聚類方法得到優(yōu)化的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)特征權(quán)重聚類中心為

(18)

(19)

式(18)(19)中，m為企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計(jì)融合分類的適應(yīng)度函數(shù)，(dik)2為樣本xk與特征聚類中心與樣本Vi的測(cè)度距離。結(jié)合模糊C均值聚類方法，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)主成分分布為

(20)

構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)模糊聚類的回歸分析模型，根據(jù)特征分布進(jìn)行線性結(jié)構(gòu)重組，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的多元決策模型，對(duì)其進(jìn)行分布式檢測(cè)和自適應(yīng)聚類分析，得到相關(guān)性概率密度特征為

(21)

在關(guān)聯(lián)規(guī)則特征分布集中，企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的互信息量為

(22)

建立企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的特征提取和大數(shù)據(jù)融合聚類分析模型，實(shí)現(xiàn)特征權(quán)重分類[10]，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計(jì)分布序列特征矩陣，滿足：

(23)

根據(jù)上述分析，采用決策樹(shù)模型，構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的空間聚類模型，結(jié)合統(tǒng)計(jì)特征分析方法，實(shí)現(xiàn)數(shù)據(jù)的均值聚類和自適應(yīng)分類識(shí)別方法，實(shí)現(xiàn)對(duì)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的自適應(yīng)尋優(yōu)和收斂性控制，提高數(shù)據(jù)的分類檢測(cè)能力。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)分析。采用Matlab和C++進(jìn)行數(shù)據(jù)分類的算法設(shè)計(jì)，對(duì)金融數(shù)據(jù)采樣的樣本數(shù)為1 200，控制權(quán)重系數(shù)為0.36，金融數(shù)據(jù)的模糊特征檢測(cè)迭代次數(shù)為800，采樣周期T=0.86 s，信息的擾動(dòng)強(qiáng)度為SNR=0～-20 dB，統(tǒng)計(jì)采樣率為fs=(10*f0) Hz=10 kHz，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計(jì)融合分類，得到大數(shù)據(jù)集采樣分布如圖1所示。

圖1 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的大數(shù)據(jù)集采樣頻域分布Fig. 1 The sampling frequency distribution of the big data of the financial data for the secondary entrepreneurship of a firm

以圖1的數(shù)據(jù)為研究對(duì)象，構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分布的不規(guī)則空間聚類模型，采用相空間結(jié)構(gòu)重組方法進(jìn)行模糊特征重構(gòu)，得到企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的聚類中心分布如圖2所示。

圖2 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的聚類中心分布Fig. 2 The clustering center distribution of the financial data

分析圖2得知，采用本文方法進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的空間聚集性較好，聚類中心檢測(cè)的抗干擾能力較強(qiáng)。測(cè)試不同方法的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的準(zhǔn)確性，得到收斂性測(cè)試結(jié)果如圖3 所示。

圖3 企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的收斂性結(jié)果Fig. 3 The convergence result of the financial data classification of the secondary entrepreneurship of a firm

分析圖3得知，采用本文方法進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計(jì)融合分類的準(zhǔn)確性較高，進(jìn)一步測(cè)試企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的誤分率，得到對(duì)比結(jié)果見(jiàn)表1。分析表1得知，本文方法進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)統(tǒng)計(jì)分類的誤分率較低。

表1 誤分率對(duì)比Table 1 Comparison of error rate

4 結(jié) 語(yǔ)

結(jié)合大數(shù)據(jù)信息處理和數(shù)據(jù)融合方法，進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的優(yōu)化聚類分析，提高企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)的模糊聚類能力。提出基于邏輯回歸的企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類方法，采用自適應(yīng)無(wú)監(jiān)督學(xué)習(xí)方法進(jìn)行統(tǒng)計(jì)融合處理，構(gòu)建企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分布的不規(guī)則空間聚類模型，采用相空間結(jié)構(gòu)重組方法進(jìn)行模糊特征重構(gòu)，采用邏輯回歸分析方法進(jìn)行融合聚類處理，結(jié)合模糊C均值聚類方法，實(shí)現(xiàn)對(duì)企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的自適應(yīng)尋優(yōu)和收斂性控制，實(shí)現(xiàn)分類優(yōu)化。研究得知，采用該方法進(jìn)行企業(yè)二次創(chuàng)業(yè)金融數(shù)據(jù)分類的準(zhǔn)確性較高，誤分率較低。