ICA自適應算法及其在金融數(shù)據(jù)挖掘中的應用.pdf

1、獨立成分分析(Indendent Component Analysis，ICA)是近年來發(fā)展起來的一種強有力的數(shù)據(jù)分析工具，它在各個領域都得到了廣泛的應用。本文簡要介紹了ICA的發(fā)展歷程，詳細地討論了ICA最優(yōu)化求解時的目標函數(shù)與算法，并結合兩種變步長方案改進了ICA自適應算法，最后結合聚類分析將ICA應用于金融數(shù)據(jù)挖掘中。主要工作如下： 1.提出基于一維搜索和基于等變化方案的ICA極大似然估計自適應算法。一維搜索又稱線搜索，就

2、是指單變量函數(shù)的最優(yōu)化，是求解無約束非線性規(guī)劃問題的基本方法之一。等變化方案是通過建立步長因子與分離矩陣相互差異之間的非線性關系來加速收斂速度，減小失調誤差的一種方法。固定步長的ICA算法存在著天然的缺陷，即步長的大小只能保證算法的收斂性和穩(wěn)定性這兩方面之一達到人們預期的效果，而本文利用一維搜索和等變化方案改進了固定步長的ICA極大似然估計算法，使其克服了原有算法在自適應穩(wěn)態(tài)階段及突變環(huán)境下步長調整的不足，均達到了自適應的效果。仿真實驗

3、結果表明，這兩種改進算法是可行且有效的。 2.提出了基于ICA的時間序列聚類分析的方法。聚類是無指導學習的一種方法，其目的是通過辨識數(shù)據(jù)間的結構特征，使得數(shù)據(jù)在類內相似性最大，在類間相似性最小。本文首先通過層次算法優(yōu)化初始聚類中心的選擇，提出了一種改進的k-均值算法，然后將此改進的k-均值算法結合ICA中的不動點算法(FastICA)，便得到了本中所提出的基于ICA的時間序列聚類分析的方法。 最后將此方法應用到金融數(shù)據(jù)挖