- 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
- 571558 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 176690
- 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
" Y1 |9 F+ i& {8 U3 M" n+ L
2 a2 ?' B! y6 i5 m综合评价方法' G; K* d/ |" [& Q
p* a7 Y, ^6 D- |4 U; A2 N- e G4 i2 G9 j
•简单加权法7 w, j9 O& B! G J m2 q! x
* p+ L4 f; _7 Z# i2 M6 ~
1. 线性加权综合法9 { W) r0 W' W5 T0 u
- g5 ~& p" X0 h3 M- v
适用条件:各评价指标之间相互独立。
% P9 H' I# R! j! V. a0 e9 ^/ o6 f d) _2 u& m6 _* [' o6 W# [ `7 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。: c1 K7 ^; q n
6 m# C& d5 m8 q: k+ J7 v主要特点:
) {' z& U; P. |$ g, G! k4 j
( n* Q! t* c3 |; U/ y6 m2 w (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 ;
% M- J- u) O7 x8 f% q3 b; r6 q7 i! @" m- p, e% C( d9 T
(2)权重系数的对评价结果的影响明显;
$ p0 c9 r' c$ V1 b2 ~4 y
4 f4 K' c$ z& x: G5 \( M( b3 I (3)对指标数据无量纲化没有特定要求。 $ p) \8 Q3 a* j4 }, I
/ S5 L! M" N, y* U
- S B9 R5 o( W2. 非线性加权综合法 0 z- g2 p4 |8 y; Z, k" G
$ `' ^7 n5 i7 w6 Z) [# B- r
0 r6 c) i: r1 P6 S: \
$ W* c Q2 i1 C7 ?5 L主要特点:7 L! q; C$ J# e. _0 P) K
; j/ V+ K8 G- w/ f" U(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;
7 ^: S! E0 S1 w9 L6 ? m) K2 Q% M) a' @9 w( [/ i2 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;- d6 W; T& `0 [+ l
A0 l5 x# Y" j(3)要求无量纲指标数据均大于等于1。
5 r' k5 A& g7 b0 k+ f: `/ a8 V* c4 U! z/ v# ]
5 I3 e, C; j& v$ m6 P
•逼近于理想解的排序法(TOPSIS法)
7 `( G+ Y8 ^, {* A
) H1 W: r. X6 b; j* B- ?0 i% T3 b+ X; k8 I4 J1 [1 ?
: e4 ^% e F) b! p, b4 x7 u/ l0 x: Q- v* k& `
•层次分析法
" c' A; U" J( Q( _ a
9 L' g) Y; E9 h' X" s0 o |
! T! ]! G5 v+ j$ ?, V•主成分分析法4 J) y7 a* ~. l4 o+ {$ ]
" y* f' u8 f: H/ o0 X( P
u1 I+ \* | x$ O0 Q$ N1 k" i
•模糊综合评价法
. O4 F2 h: q3 k: r6 S8 U
% P5 p% d* j1 E! F* D" k8 k2 {0 _, s# g, S5 m
•聚类分析法
2 q8 ]; M1 _2 C4 ] Y/ \3 t
9 b7 _; A" f; ~: }$ W3 M V
) L* L- p7 ^' O预测方法1 P" ]+ m! Y4 ]" W: B: _3 g
' N% A/ _6 g! n' C. D! S) V
1.插值与拟合方法:小样本内部预测;
5 r( J6 f% m- R7 T6 t/ }
8 p6 N3 l- Y/ W2.回归模型方法:大样本的内部预测;! q6 G4 F9 S9 ~: g+ l7 X- Q
" A; H0 u( A+ L1 M7 p1 {, s% g1 B' f7 f# W, Q& H6 i$ R
3.灰色预测GM(1,1):小样本的未来预测;
# Y* J& N" A1 N3 k, p& V' M- q. S9 E4 E! @7 @
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;
/ z8 l) b) |, W# y" F% q( g# C0 X. o3 _0 f4 i1 W7 z0 C: i" {, j
# U g) h2 N- w- o+ m
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.* i4 J9 L: Q4 H/ S) E& F
--------------------- ! ]2 u! R. G( a* ]) [
2 G. f/ K( q/ n! m) G# a! z4 m$ ]! l+ J9 A1 F
" _) M! i9 H/ _
/ m' X, {: j1 V+ r, l |
zan
|