针对删失型数据的混合聚类模型及其物流决策支持应用研究

发布时间：2023-11-24 23:43

　　删失型数据广泛存在于工程实践与管理中,对于数据驱动的物流决策方法和理论提出了新的挑战。删失型数据由于其删失机制特殊性和复杂性,致使传统的决策方法和模型难以有效处理。因此,本文基于删失型数据的删失模式和数据分布,利用期望最大化算法、似然函数调整及模型校验准则等理论,研究了基于删失型数据的混合聚类模型及其物流决策支持应用研究。主要工作及创新如下:(1)综合评述了删失型数据的相关研究,并定义了删失型数据及其似然函数。从删失模式、维度,分析了删失数据的似然函数调整。(2)研究了服从高斯混合分布的删失型数据的期望最大化算法。首先给出基于随机性缺失数据的标准期望最大化算法的高斯混合聚类模型,推导出模型的参数估计值和似然函数。然后给出基于删失型数据的期望最大化算法的高斯混合聚类模型,分析在删失型数据下,调整后的似然函数和全数据得分向量,依此推理出删失型数据的参数估计值。聚类效果和校验准则证明本文提出的删失型数据的模型效果更好。(3)研究了服从泊松混合分布的删失型数据的期望最大化算法。首先讨论了泊松分布和高斯分布的关系,引出排队论模型下的泊松删失问题。然后基于零膨胀泊松混合模型的思想提出了统计口径变动...

【文章页数】：90 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究目的
        1.1.3 研究意义
    1.2 国内外研究现状
        1.2.1 数据缺失研究现状
        1.2.2 高斯混合聚类模型研究现状
        1.2.3 仓储规划与设计研究现状
    1.3 拟解决问题及创新点
    1.4 论文结构
第2章 文献综述
    2.1 缺失数据处理的赫克曼模型
    2.2 高斯混合聚类模型和泊松混合模型
    2.3 删失数据处理算法
    2.4 本章小结
第3章 混合聚类模型及其期望最大化算法
    3.1 高斯混合聚类与删失型数据
        3.1.1 数据展示
        3.1.2 知识表示
        3.1.3 似然函数调整
        3.1.4 问题提出
    3.2 基于KL散度与AIC的决策准则
        3.2.1 校验准则
        3.2.2 样本规模
    3.3 基于标准EM算法的高斯聚类流程与算法
        3.3.1 基于标准EM算法的高斯聚类流程
        3.3.2 基于标准EM算法的高斯聚类算法及分析
    3.4 删失数据的EM算法的高斯聚类流程与算法
        3.4.1 基于删失数据的EM算法的高斯聚类流程
        3.4.2 基于删失数据的EM算法的高斯聚类算法及分析
    3.5 数值实验及结果分析
        3.5.1 数据描述
        3.5.2 实验流程
        3.5.3 实验结果
    3.6 本章小结与管理启示
第4章 删失型数据的泊松混合模型及参数调整
    4.1 排队论模型下的泊松删失问题
        4.1.1 数据展示
        4.1.2 知识表示
        4.1.3 问题提出
        4.1.4 高斯分布和泊松分布的关系
    4.2 统计口径变动泊松分布模型
        4.2.1 统计口径变动泊松分布模型
        4.2.2 统计口径变动泊松分布模型的EM算法
    4.3 统计口径变动泊松分布模型校验准则
    4.4 数值实验及结果分析
        4.4.1 数据描述
        4.4.2 实验流程
        4.4.3 实验结果
    4.5 案例分析
        4.5.1 背景分析
        4.5.2 数值实验与数据描述
        4.5.3 实验结果
    4.6 本章小结与管理启示
第5章 数据驱动的物流仓储规划设计
    5.1 双十一快递爆仓的背景及分析
    5.2 仓储面积规划
    5.3 数值实验与分析
    5.4 本章小结与管理启示
第6章 结论与展望
    6.1 结论与管理启示
        6.1.1 结论
        6.1.2 管理启示
    6.2 展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3866834