- 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
- 556705 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 172384
- 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 |
( F9 G. s0 O/ f5 h5 ~数学建模常见的综合评价方法及预测方法5 _4 X5 u, N* X2 `( m3 e
综合评价方法; N$ L8 D2 y- k% ?
+ e9 s- j7 H" G1 r0 v& N
•简单加权法) a5 {, w! v2 F& F5 h! k
! Z( ?* x. L2 R) e7 A) U6 c, L! \
1. 线性加权综合法
' h! V+ F3 ]0 v. \( P& e$ v e
$ K, ^& D. b* ~; E
适用条件:各评价指标之间相互独立。
( Z4 S; H0 a4 M9 _; u4 `& ?
: B- r$ A n& u6 r+ V z$ u) T 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。/ q- T1 ^5 H- t/ L# g+ \
2 P7 d; h; \! R. U! n0 `5 N主要特点:
& V9 X3 j) i" r; E1 K' |' W, A) ]
5 {0 ?8 B* g$ s+ B (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 ;/ z6 ^( U0 g) E; R; Z. j9 t7 _
U w3 I& @% i6 E2 H+ B: m& F0 j (2)权重系数的对评价结果的影响明显;. X+ N5 V1 d Z3 X& L& R* u, m
$ @/ ] I2 e. }0 I. l (3)对指标数据无量纲化没有特定要求。 }" R8 q3 ^: U! U Y. n. ?
+ C0 a1 a$ U2 s5 @' t9 T ^
I1 ^$ g+ x4 V2. 非线性加权综合法
& x8 l Z! |+ O1 b! v, ]8 ]9 Y
, K% d- J( e# q1 m( z2 S6 k9 z9 \0 g3 k
0 r( o7 L0 q$ N5 A! u
主要特点:
2 w& J- D! A1 v
9 N, v: }! F% W6 N6 C! U/ f, K(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;
9 D C' A$ a( _% q8 L, [
; c$ k3 H4 }0 w0 H9 C(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;/ \' K* a) n; {7 {: I
' ?$ a" q$ T2 S9 c(3)要求无量纲指标数据均大于等于1。
/ P' Z- V+ B8 |9 z$ n. O3 N3 e. p& }0 J5 d) e$ t
8 J4 h( D$ q3 j" ]% |! w
•逼近于理想解的排序法(TOPSIS法)0 \ S, z) t: G6 ]1 x
0 b2 Z" K2 L4 B& E8 G6 o: S
: E' f- P) h% j! Z, s7 y
& ^# V/ e# ?2 F/ u3 e9 |
- K( C5 R+ P5 Y5 _8 n H5 y0 K+ B' b5 `2 H" |5 B
•层次分析法
) b5 T, C3 p2 M) l/ q$ F" X0 v2 N. ^+ h
; R6 S0 L7 N" x7 J6 [
•主成分分析法
2 F' B; V% V0 I
1 j! o Q0 V- J+ g$ B7 A" D+ Q ~9 i* X+ W8 o
•模糊综合评价法
8 Z6 l, f' ?! p( c% s& l; f4 l" z* o
& Y# v' P; c9 f3 x* q1 A* K l* Q: h/ }7 F
•聚类分析法 @! ?. E% s. ]$ g
0 I+ t6 j, y3 a4 ^: A Y/ |
, G0 a& ?7 r; x9 O ^% a9 A% m
预测方法(具体见http://blog.csdn.net/sanganqi_wusuierzi/article/details/54800341); R' q: Z7 }. V: P' i# B; f
, \+ C \* N8 n b
1.插值与拟合方法:小样本内部预测;
/ g9 |4 I% @ A2 m
2 {: Z- I7 z; K& p/ h- n8 {& m2.回归模型方法:大样本的内部预测;# _! J% U, p/ b/ a" W: V+ Q3 U
5 A! ?5 _$ m6 _
( ^" I- N+ T8 u" |+ U3.灰色预测GM(1,1):小样本的未来预测;
( s h5 h. u) w. E
; X4 _2 p: n; e/ u5 y4.时间序列方法:大样本的随机因素或周期特征的未来预测;
5 m7 y5 J0 x/ O* `$ j
3 `# z; k% \& u A$ R5 U+ L' {' W) b
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.
* E+ M$ N# k5 f2 v& u) q1 U5 _* Q0 n& y8 t, r+ W0 j+ C
h2 y: f: q! i. w
原文链接:https://blog.csdn.net/sanganqi_wusuierzi/article/details/54800283
) @ L0 x' Y3 \. @+ @4 d% [' c& [* j4 e! q! k0 h* f
9 K: Z9 I5 b! j- h0 X8 g
|
zan
|