- 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
- 541565 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167848
- 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 |
, s3 f3 V0 R I- w R; o ]
数学建模常见的综合评价方法及预测方法
2 C7 p9 e3 \5 ?3 p% O1 y综合评价方法
6 P7 g H$ z% H, K! C$ N( y7 T- y/ Y: `$ R$ D/ D1 p0 A: O
•简单加权法
' t& B5 y' R. R$ z* j; L0 }% q3 a
1. 线性加权综合法# U# P& i8 c& i# }5 M9 w
1 X9 G9 t9 f9 X适用条件:各评价指标之间相互独立。$ C* M: K+ x- e O& i! \ h: s% D3 n
. V8 l3 c; z* Z4 Y+ u 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" Y9 w2 Z1 e. z2 B3 s
2 d8 B2 q) a$ V' g
主要特点:
/ N- p& D3 G, D; @: W; }0 b5 C% [. ], _3 M* b0 t7 N
(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 ;
" D: f4 H& g' _/ y) i) ^/ A9 o, M
* a* l/ Z. ~- @0 U/ L5 e (2)权重系数的对评价结果的影响明显;! j: _1 D) s1 ?7 n$ g
- Y# g- Q% F: t+ i9 d (3)对指标数据无量纲化没有特定要求。 $ e' \, e. o9 N& B, Z/ H% y
1 @( J6 M0 q G' e" Q9 B% Q; o6 S# ~. q7 m0 `
2. 非线性加权综合法 ' W# S# D5 {5 {/ K1 G/ D+ B
) L; V$ `9 n( u/ v: S3 K
% w1 E1 g# D1 h4 n
' ?( F8 c$ R; O主要特点:
' I- p I' m/ |/ I3 @# Q. h; X, n& D$ L/ [# ]
(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;
2 a9 @7 \* y F( o q4 ]: Z3 y* B" N3 M) v) _; A) e
(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;
. s0 L% S. M, m
8 `* F! ^* z9 N(3)要求无量纲指标数据均大于等于1。
' g" p/ Y; S6 D) a2 ]. M3 }8 z) y0 M& y6 g7 w
8 L, X7 a: B; G- m
•逼近于理想解的排序法(TOPSIS法)
* }3 N3 @9 f5 o |9 R
7 F8 |: G' i% t' w1 v: ]% L6 w! [$ m
, E$ u5 v3 p: Y
: i |: p- K& A3 r8 n$ B
- u3 t# m8 P2 E% x- E1 B/ H) O- t% `9 z7 L5 ]8 ^6 o& E3 X
•层次分析法) c& V/ x; q+ \2 w# n. h% ~
( o5 v; o) Z- _6 g$ t6 ^# G$ F$ t, O. j* o r8 B8 I* s
•主成分分析法; _2 N( g' o( Q% A1 U
$ w8 |" k! K5 B; s
4 u0 p& y% l q7 X' K•模糊综合评价法
- G E9 M, N0 j7 T; O0 e7 t! S% `/ `3 y6 S3 G9 t
% R9 C0 R$ s; e& t. A- \: b•聚类分析法
/ O; i+ B3 q. r4 T" h j
( o* F7 o/ k, Z2 g3 |* O, F1 u6 Y# ?+ S1 Y9 |' m
预测方法(具体见http://blog.csdn.net/sanganqi_wusuierzi/article/details/54800341)
; {: |5 A7 z# W' `0 t# |4 _
6 g0 s) H/ [$ w! q4 f5 T1.插值与拟合方法:小样本内部预测;3 i, D A! A" H' t8 M6 g
( b+ M9 F. E l) l0 m) z: \1 P* @
2.回归模型方法:大样本的内部预测;
/ e% x# v! a. Q5 ]! A* ^% R% T0 t6 @" ]/ u' ^4 Z; s
% ]# S3 z1 c6 o6 E$ ]3.灰色预测GM(1,1):小样本的未来预测;
& d/ K) f9 { ]1 o, O# D: j
6 t: G' }- q& r9 M! z; A4.时间序列方法:大样本的随机因素或周期特征的未来预测;
: p: S5 D }0 u+ N0 v$ Z
8 {* {. g; o" `/ A4 a
* z$ |- A w$ U; G% I% g# O# ~1 [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.
4 K. v$ \ x0 v! F
" F3 {: w. r# B9 ~3 r1 o& v4 \/ p+ a
原文链接:https://blog.csdn.net/sanganqi_wusuierzi/article/details/54800283
% R, c# g: m$ y p" j+ G" Q3 _! x5 H7 I7 P' v% o7 {# q
. U9 W7 a6 V# W6 H, ]* `& v# H( ~
|
zan
|