- 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
- 540999 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167678
- 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 |
数学建模常见的综合评价方法及预测方法7 z( Q- E& b4 a$ v) s
$ i% y' C" A- G4 L* f0 X' V综合评价方法9 P! W: O/ b g7 d8 ]) i: t
0 ]9 P* q& z3 J, Z
•简单加权法6 {' A6 ]& Y. _; l" N$ x0 W z
. ]" |$ [& k2 L
1. 线性加权综合法$ X( d) E3 z6 k6 Y& l
; i" K8 F( {( E
适用条件:各评价指标之间相互独立。
/ l- v5 x: b* z
! d% B d3 ~: o# d! x7 g 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。: x# v4 t8 y, h) U
/ n6 w4 Z" I% L0 Q( h4 @/ y( A主要特点:# s7 V1 u0 j$ j' k
( z. ^# e$ H- j z4 s5 i" Z( y/ t (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 ;
/ e5 W4 `8 Z {! S2 Q8 |0 t
5 ^% Y; v# W5 t3 ~ (2)权重系数的对评价结果的影响明显;5 S/ I0 }1 G3 o
# d% B' {! G2 q' G4 [- J( e
(3)对指标数据无量纲化没有特定要求。
( q0 M" s ]) a3 Z3 e, H1 d( ]- B% |* m
, a6 d) w) \ @) d* W/ H* n. _2. 非线性加权综合法
, m$ _, |! a; m0 e n' z1 E1 x& R1 Z( k# a8 [
( l! M& ^- f: _$ i! l
# V: c! j7 i! L主要特点:
! n6 v2 I, n" e1 Z T% _0 [! t6 E( N5 H( M0 `! p# X, M
(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;
3 v* e i. W- V6 X4 @% i) f7 }7 [9 o8 n( o0 P7 z/ X- t
(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;6 y% ]( g9 |: X& Q; e' V$ V. ]
( S3 p+ F% E# M7 d(3)要求无量纲指标数据均大于等于1。
. S9 [( h" n" F) M
* ?- f6 I2 A, w* Y" W: C9 ^7 R6 T0 A, H: B }+ ?* k; j1 p
•逼近于理想解的排序法(TOPSIS法): {0 N P( |+ Q( [" @6 o
. p% i! ]9 F2 _0 ^; l- I, B8 v. @
b5 O% e- H3 X2 O1 ^* C+ D; @
; _, A L$ P9 [* I* D
•层次分析法) y3 B d p5 J8 g& s
# [$ o7 W& ?% p* g8 c
/ T2 o4 Y: y1 m) K9 j) e•主成分分析法* o. z( d! X" w7 @) W7 }" I1 P
4 J3 [: k1 [1 R2 |5 ]
7 i; T! j! [) S7 _+ i) @9 z7 ]8 e, i•模糊综合评价法
! V9 z( K' X" e. _* @9 E' a8 Z4 C7 B' b4 l
9 U5 ^% q- i& ~5 I1 c•聚类分析法
) ~; C( h6 Z0 u% r" R' Q# G
) V4 R, l m" M4 t- Y; K- i$ Q" s$ K$ h. [, g
预测方法# x: ]$ e z& t' s* W
2 ?% W; G# v3 ]1.插值与拟合方法:小样本内部预测;
n: v+ G$ s9 j4 o$ `8 U+ o) ^9 l. b' U
2.回归模型方法:大样本的内部预测;, b- l+ P. `$ Q8 o' ]! U2 v
+ G6 q8 l0 n0 \8 m4 g
/ D0 ^& P, h8 k$ b
3.灰色预测GM(1,1):小样本的未来预测;
8 O* \- B' r1 y/ l8 a2 t
2 S- q: w2 V! L7 I: }/ P& G4.时间序列方法:大样本的随机因素或周期特征的未来预测;4 t! h, @8 h5 Y
+ `3 B# z& G4 I5 D$ @" G0 ?( q0 ~
$ E9 T) R+ F9 G! A! Q5.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.% |8 N, ` c( P/ a1 E$ B* k
--------------------- + Z/ Y+ }) {$ n) t- U. `
$ b. d& V, l% f' P: ^% }' o0 P: {( {9 }' l
' s. G5 v3 | l- f4 j$ y. n$ |$ c1 t/ W" }# v8 ~* T
|
zan
|