- 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
- 557430 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 172602
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 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 |
{1 r4 d! N5 q
数学建模常见的综合评价方法及预测方法
. v. J: _9 D. A9 e$ t5 h9 H综合评价方法7 S# d6 P3 X: x; J& ?4 ?, x2 _
$ ^' s6 A2 R; R: w! P8 J `
•简单加权法- m, H9 R0 i- G* f. z/ l, S
2 A6 N; M; U8 @
1. 线性加权综合法
3 I: O* v8 | m4 H( o
7 `9 B0 o1 B: x" M适用条件:各评价指标之间相互独立。9 p9 @) D2 K6 N0 X: _7 X& x
0 Z, G! ]- X2 H: z6 s3 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。2 |9 e: F! t8 o6 F: V
2 s1 L. z B! _( `0 b
主要特点:9 T2 m1 _/ L$ `( \* Y. j! J3 d$ F
" y: d8 B5 h7 Y8 H
(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 ;
' i$ D7 h+ b4 g- P# Z3 k3 `
' u9 K7 q+ j0 [+ L/ ?! H (2)权重系数的对评价结果的影响明显;/ d, Y/ i0 J/ Z; c( g! C S1 ~$ X
7 a( d3 Y v: u, F6 l (3)对指标数据无量纲化没有特定要求。 , L; E$ M# u' t4 B
2 Z0 ?% ~! C/ @% s9 R& o
* ~& P+ D; r. q; B5 p: b L% O2. 非线性加权综合法
& B# F7 B9 {" F& Y3 W% l
) ~- M: M' p* d% L5 x: R3 \- I' [6 x
9 w, g- L4 u- ]. I' p3 n7 {/ A2 ?
0 Y0 s7 E8 f( B2 x" }! }主要特点:; U, {$ w8 R- U' c! }
; F) A$ j S* B3 _& W4 A5 p
(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; V: w# U; n$ N, d* ~! @
" A' w i @, i: n! m1 w. 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;. _4 f' Z* M+ i5 Q) ^0 K% r+ l
Q& y( [; h( `# ]( Y
(3)要求无量纲指标数据均大于等于1。9 C7 ]/ q; Z8 W: \
5 v! I- L- T. Y5 i" E
* d* w& k0 V. {. B- S
•逼近于理想解的排序法(TOPSIS法)8 l9 F- f: [- q# y4 m
1 g, l$ ^0 n, p+ V" F0 [9 M8 j- u$ P
: J- b% ~9 v- P. D4 n
+ C% u5 `+ g+ z5 W1 T: X3 ~7 L
0 e" ]- l8 _+ Q, I! R; w5 ?8 s, A+ ~+ V h
•层次分析法
b- Q5 ]! s$ o$ W/ F/ T
3 x$ X" e: P, J7 j. T
, I% J* R, n1 q% [ R•主成分分析法
6 s7 A2 n2 S- w; s! V# F# L/ }4 ~4 B. J$ f4 f+ T: Z' y
( C7 O% V6 G8 w t•模糊综合评价法, F) s, n' q( a! k( X3 J" k
# h. q1 ~0 X& q; Z B. j
% ?. f. J* P- D+ Y; k7 O/ p; Q
•聚类分析法
8 q- r4 ~# X3 D
* n1 x8 R7 b( \! ]
8 p, n# P; e1 p, a' e预测方法(具体见http://blog.csdn.net/sanganqi_wusuierzi/article/details/54800341)7 m5 M, q& `' T$ g
: x3 h$ O3 R. M
1.插值与拟合方法:小样本内部预测;' n3 Y. h0 S5 B9 U! k
l) z4 A0 z1 I9 c8 w$ ]+ z. W, F
2.回归模型方法:大样本的内部预测;
; R2 g. x! ^0 l4 }6 l7 Y# {- I7 i" ~9 P% O5 J) N6 u7 B
% a6 W7 ^/ c2 c, z& ]( H3.灰色预测GM(1,1):小样本的未来预测;6 ]* W* F- p8 A% y
5 v4 y9 \4 s0 f( I/ Y
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;: }1 j+ y- I2 S- x" G! c7 Z/ n0 r) C
0 C" i$ N- C# h- W3 r
& T9 k3 w# T. c5 A: ^. T6 p5.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.
' g; K1 e% a0 ~# S; ]% A8 M: U; {; V. I7 }# V1 }
. N; Z' q2 n8 `# i. ]3 z/ q* F c U
原文链接:https://blog.csdn.net/sanganqi_wusuierzi/article/details/548002832 E9 H# y. U% N. ^$ |9 {
' S* Q$ x" C. {
! d# f0 y" X, ^& J! X
|
zan
|