- 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
- 563428 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174251
- 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$ K4 s# W- }0 E/ l/ ]" @
2 h5 P% _7 |) H5 v' `
综合评价方法
4 {; G" a# Q' W$ ^" f( m
2 i1 u6 S4 T& y( R" b$ B•简单加权法
7 F) P6 z" g5 ~4 U0 m5 h: h% K- T h# T) s5 ]& L" S6 ?, n4 M1 `
1. 线性加权综合法
. R. a# L4 v( c
$ w1 t# F. f3 X' O1 M$ e! ]; k适用条件:各评价指标之间相互独立。6 I& v' g: P- v# B
/ ?8 Y3 L4 b9 q% _
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。
5 ^* x+ o% @& x9 b8 b2 `& ^+ n( o z0 n
主要特点:
, o: h) T, G {0 l/ |9 @
r) n( O% \0 B1 H7 x& y, H# `* z/ X (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 ;; b3 C! v3 ~7 w* p8 {
W4 j. p6 n5 Q; z7 Y$ w" x (2)权重系数的对评价结果的影响明显;
8 ^6 E& ?& x0 S0 R4 i- a8 q- n2 }/ d/ o% t/ f
p$ T8 Z% n+ F, v. a (3)对指标数据无量纲化没有特定要求。 ! C( I8 w3 _; j2 {1 Y- g! Y
$ f2 O) |7 h1 V
) p. I1 h2 H8 Y! i; B" B n3 W; U1 b: i2. 非线性加权综合法
$ Y0 s, c9 {8 b$ U) W- w' c- {) A* x$ p* ~: ?
u0 r1 e3 J8 m5 ^ R) ~' P/ S4 b. j
3 _* M6 {8 }" V/ l$ M) p
主要特点:
O/ M2 l( N5 n, V a
# ~4 i' i# f) v" M, l3 Y(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;! x+ |, |4 P, t3 Z4 j
, f3 V6 |+ {4 t" t0 K# ?(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;
. _' f0 f3 m7 W
% _6 @0 I, e8 C1 b8 {- H3 \: S(3)要求无量纲指标数据均大于等于1。
' U( t1 F- S# l: W; h0 K, G. b k3 T, u5 [4 x
( e, e: d1 `& E9 Y& ]) B8 z•逼近于理想解的排序法(TOPSIS法)" _+ k! v: ~0 E6 ~1 n
0 O# g m' I' O0 I& d+ `: p! F$ t* q+ `! j5 W8 Z
" [1 }7 r' G- d2 O
: J9 J, ~9 F4 }3 t$ j, T5 P, L•层次分析法" q- y& d, |/ J3 |! o! M) U
$ e8 Z9 X7 r5 R
- l' F! C& L6 ]5 `
•主成分分析法
~7 N- r$ b/ @# \) U
8 M0 O3 G1 H# E) r1 i* z" u$ B5 n: c3 X% Y" H
•模糊综合评价法) ~ O: m) x5 f3 \! I
# ~1 n7 L ~- [1 X& k. I* U, c
$ E- ^/ W9 b) Z2 }5 S+ r% x•聚类分析法# S7 W! l& F: i% n. S5 A
# n' o5 \' c" V* X
6 q/ V$ {, D, @* `6 J; c4 f1 Q预测方法# y2 ]$ i0 U; j, G* c7 s/ r9 i8 s
: a+ `. @8 d& s% |$ l, L1.插值与拟合方法:小样本内部预测;
0 s. H$ a5 k9 v' x! M1 X' Y! s$ ]! h8 h2 L$ K
2.回归模型方法:大样本的内部预测;
/ o2 E4 x5 O! e# n5 Z( J: I
$ w/ d: @, M/ C5 z
5 x9 |: i2 X" g) `6 E! d9 Q2 y3.灰色预测GM(1,1):小样本的未来预测;. t. ]. J# z: G7 g
- T1 S+ R8 R) g; w% w4 ~5 ]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;6 v% W7 r3 p1 T* R6 n
* _# D S5 F9 Q( r/ ?6 v8 V8 D! e( b0 }9 `# B! [2 P% c% A% v$ p+ a& ~
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." p9 |* P+ k L1 [# \
--------------------- 4 p1 a& K6 N0 L% f
8 P1 t! Y4 I" V& I" |
! {) u6 U ]9 ~2 b x! ` u" f5 c+ l( {3 a% ^
9 J4 W( c# N" m
|
zan
|