- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 81
- 收听数
- 1
- 能力
- 120 分
- 体力
- 539958 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167366
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5324
- 主题
- 5250
- 精华
- 18
- 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 |
4 f J, @- K& t% a7 o" ~数学建模常见的综合评价方法及预测方法
& f X! g0 W1 S9 m9 n/ r8 R I综合评价方法
' ~# M4 F' V/ Q/ ?5 L7 i- p, H7 U/ ^7 J6 J+ {: g
•简单加权法6 o, D) M8 j% a1 ~1 Y( y3 w
/ n- `4 I+ D+ X d3 V6 u
1. 线性加权综合法
% P' ~3 G+ m8 B6 j5 U' d& s* t
7 j: P% G7 n% d
适用条件:各评价指标之间相互独立。
% w6 L9 j" `4 P J: }# g
6 G. `3 J! f _( R- @6 R( b. \% 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。
9 z* z! R6 c0 J- Z/ `& D8 b1 X# H- W
$ _6 W0 I' |/ z& L8 L, }$ }主要特点:$ a: ^/ T- H# u0 }+ ]6 [) C! e
q: Q" z' N0 |* z2 ^4 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 ;& u$ }+ W1 V. R9 T
& w4 A- }: }; }0 m' C- E* _# r
(2)权重系数的对评价结果的影响明显;% z" ~# u: e* v2 K8 ?" L
* U5 b* X/ U& o+ O# N (3)对指标数据无量纲化没有特定要求。
! s6 X, U" m( |+ q- a7 e: p) S" k( ~" f* g5 h: g
- {- Y; {" A+ r' E* k& ^
2. 非线性加权综合法 6 _3 H: d/ \# b) K; @$ t7 O
2 N0 G, |1 u1 i* f' Q3 C: p8 g3 X
. `+ e* g9 N4 I ^7 |6 v v2 P8 K6 C, Z5 h$ v$ \4 ~" Z; Z
主要特点:
# T1 {. U& y. _$ y% `6 E( o* Y2 g0 g, F
(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;, o$ _9 Q: o; I
! G3 U! Y( g9 E; b3 x1 K$ Q
(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;2 v$ ]5 i _- j; K3 R$ e
]! {. r; O- D(3)要求无量纲指标数据均大于等于1。
* o) {+ L0 p* Y9 w; S
0 T2 P, ^: ~1 h I5 q1 D5 Q
7 \9 y8 Y5 S/ L1 M•逼近于理想解的排序法(TOPSIS法)
& u- a) |3 P! Y E8 Q
& Y$ X9 ~6 c( g+ y
: A0 ?3 Y0 X% Z+ D: V& z4 [
9 a5 m9 b/ s1 j9 T" v7 x
3 `8 Q6 i3 D+ P; `$ \; W2 G7 `) W
4 x6 S+ `' O, C \4 |0 d
•层次分析法' _+ _2 u" e# `9 ~. m7 C- K
- p3 V) e/ K( I, L3 o7 h& s# p3 F* y
" `/ Q% e! n- R5 E H; i
•主成分分析法
+ r& b7 X5 N% h
, l) G% D: ?3 B$ C3 S0 v% `2 o8 i
2 _) c/ y; l1 o- V. f! e/ Q3 }•模糊综合评价法1 c& I) d! X0 M" X) H: B! _7 @
7 e( C5 j: B9 o: R
" `: h2 S- b& C4 l) U6 f( T•聚类分析法
/ d: |6 ^: i" p8 B7 ?5 n, ?" L* \# ~
8 k) G& C% E# ]; z z预测方法(具体见http://blog.csdn.net/sanganqi_wusuierzi/article/details/54800341); P5 N( f2 K0 o6 u; @8 W
5 L# Z+ u0 U) i1 T$ m$ q
1.插值与拟合方法:小样本内部预测;
& W% \1 I L, U1 P9 o9 @! Q6 M5 [, R, j* O
2.回归模型方法:大样本的内部预测;
8 W! C6 ^/ b& X( x" a# Q
& j2 g! ^: ?4 M. R! C6 ?1 Q% m: [& s! s- e5 s. R
3.灰色预测GM(1,1):小样本的未来预测;* C' p" {( N0 `( J
9 T2 e1 D3 K/ ^6 S6 n4.时间序列方法:大样本的随机因素或周期特征的未来预测;
7 C3 J( \; t2 b7 k: O* u) q* Q' Z
" H( l$ o( b, ]) k E, x
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.
7 u5 P5 w$ z) N; k [+ l1 {& p5 A
/ a8 c- K! z, k0 J+ y1 T6 n$ {! D3 j- n3 m6 {( l/ b% l' k
原文链接:https://blog.csdn.net/sanganqi_wusuierzi/article/details/54800283
* _ k6 u. C, {# t* G
; P% x' z, ]6 O) C
1 J9 [3 K. o/ T3 V8 w+ G* x |
zan
|