- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 565752 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174948
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 3
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
|---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
数学建模常见的综合评价方法及预测方法, C# E; M" M- q
; S; B# J0 Q' e3 f
综合评价方法' [& I) I* s4 a( R3 o
( k q P c$ ?8 J4 E. ]•简单加权法2 E. y N9 {* [, z0 T
' J* \6 p# z1 F: _
1. 线性加权综合法$ R9 C$ V" X9 D+ q9 m
6 _- N5 `! C% H
适用条件:各评价指标之间相互独立。
/ d0 Z O0 |* }' P; M* z' w' A2 G0 w
* B2 U# c8 n8 w5 o' v 对不完全独立的情况,其结果将导致各指标间信息的重复,使评价结果不能客观地反映实际。
7 k& g* i+ x T6 _
) C* T$ o# i. k, w) |6 d0 u主要特点:
. t" D5 n# b2 B# `. `9 r
/ j: D! t* v( }* [ (1)各评价指标间作用得到线性补偿,有“一俊遮百丑”或“一见钟情”的效果 ;
9 X$ j2 o( n. m3 F* n l/ X5 w) a( f1 S
- \4 c$ a2 b, t! @# p* @0 F (2)权重系数的对评价结果的影响明显;0 m; z$ y# H M3 n( S0 p+ n
5 e5 G3 F, B. Z) H( n6 _ (3)对指标数据无量纲化没有特定要求。 h1 r6 r9 w7 A; W+ D
' v; ^0 W/ F3 n" ?5 ~+ l5 T& V. X' C' C- V: a- T* e
2. 非线性加权综合法 9 F. [( q" [/ l( |
6 J/ H3 ~! x' ^4 S' P5 h7 n/ _5 Y% ~2 S3 v# m' `$ x
( _! Z$ M3 z7 a+ A( z- h3 |主要特点:, c( e! d5 t1 C
9 W4 E; n* }! j
(1)突出了各指标值大小的一致性,即平衡评价指标值较小的指标影响的作用;7 o3 l, v! i. Y" m# t" ]7 ~, z
/ Z3 v5 ^5 {% U/ b7 D6 B$ _(2)权重系数大小的影响不是特别明显,而对指标值的大小差异相对较敏感;
$ G) w+ n7 B: K8 c! `, z
9 [$ P+ M- Y7 ^! z(3)要求无量纲指标数据均大于等于1。9 a$ X# x. }1 B0 y1 m+ {% M; v
9 `3 T3 Z4 `% D9 K, L- ?
- n; E" |& U! Z: k- D•逼近于理想解的排序法(TOPSIS法)
D- W$ M5 c& N! R- q% y. s
5 N* J# E6 N# V
: ?6 U& {2 ]8 g3 ?' _7 t, ~6 F) l, b D+ \5 s- o
+ ~$ ~2 ^& L/ J( V6 d2 f* O
•层次分析法
9 ?- [0 r) ~/ m1 t6 F9 `# {$ j! g" g) ~- S5 d
4 o u( X! J* d
•主成分分析法) g. E2 J, l/ ~) w. E0 L
- @- L8 _! r3 T0 ~) w/ q* t8 l
& B$ q9 E2 L* H: _) x) }1 {, h' \•模糊综合评价法8 B& Y6 e# n! Q. O: _+ e
2 J' Z) V& W2 p" A$ e. B6 C& }; y3 G* a' ~! Z# K; W
•聚类分析法. J3 o& j3 F6 ~" U6 Y8 Y+ z
3 M) T# p, u% g* u
" E" K: j/ V- h# h
预测方法
, D% Z4 M) ~5 V K1 X
) B1 B/ T! A8 g4 Q1.插值与拟合方法:小样本内部预测;: }+ ~4 E# P% P) q2 C6 q3 ]+ m1 I
1 T( X3 D; s0 F3 O0 N% l: B( |, ?2.回归模型方法:大样本的内部预测;
% k- C$ x0 [4 F9 @* [$ J7 ?% `0 t3 ~6 m7 R- ^
- U8 o7 F, e9 c' F, m. d
3.灰色预测GM(1,1):小样本的未来预测;3 f7 d* v& Q. d9 u, z( d
! m- P- M" X0 h" _4.时间序列方法:大样本的随机因素或周期特征的未来预测;) W4 R8 J) o: ]! v% f$ B
' n+ L! X& H8 }' T- q
5 O4 k+ B3 {! {5.神经网络方法:针对大样本的内部机理复杂的数据的未来预测.
) h" Q5 y. |3 h& M5 G0 N---------------------
$ x( v7 @+ Z1 S" |5 r4 \
. k! ?# k8 r$ F8 ?
+ M2 J8 }+ e. D; Y* F J
% W- D+ K% r0 N, o Y" w+ _0 h' V- O- a7 c' G
|
zan
|