- 博客(6)
- 收藏
- 关注
RSS订阅原创 数学建模中的综合评价和决策方法=＞赋权方法
根据距离计算每个备选解决方案与正理想解的相似度，通常使用公式𝑑𝑖+=𝑑𝑖−𝑑𝑖++𝑑𝑖−di+=di++di−di−，其中𝑑𝑖+di+是备选解决方案与正理想解的距离，𝑑𝑖−di−是备选解决方案与负理想解的距离。1.一致化处理（正向化）：所谓的一致化处理就是将评价指标的类型进行统一，使得表中的任何一个属性下性能越优的方案变换后的属性值越大(极大值)。：对决策矩阵进行标准化处理，使得每个属性的值都在相同的范围内。常见的方法是将每个值除以该属性的最大值，从而将所有属性的值转换为0到1之间的数值。
2024-05-19 19:53:35
1026
1
原创 数学建模——插值和拟合(下)
选择合适的拟合函数或模型：在拟合过程中，需要选择合适的函数或模型来描述数据之间的关系，常见的拟合函数包括线性函数、多项式函数、指数函数等。最小化误差：拟合的目的是使拟合曲线与实际数据尽可能接近，因此需要通过最小化误差的方法来确定最佳的拟合曲线，常用的方法包括最小二乘法。目的相同：拟合和插值的共同目的都是为了找到一个函数或曲线，以逼近给定的数据点，从而能够对未知数据进行预测或估计。调整参数：根据选定的拟合函数或模型，需要调整其中的参数，使拟合曲线与数据点的残差最小化，以实现最佳拟合效果。
2024-05-08 14:36:39
571
1
原创 数学建模——插值和拟合(中)
具体地说，双线性插值是在一个二维网格中，使用待插值点的四个最近的已知数据点，通过线性插值计算出待插值点的值。双线性插值通常用于处理规则网格数据点的插值问题，相比于最邻近插值和分片线性插值，双线性插值在保持平滑性的同时又能够较好地逼近真实数据值，因此更为精确和准确。在每个小单元中，通过线性插值的方式计算待插值点的值，然后将所有小单元的插值结果拼接在一起形成整个插值区域的函数值。在二维空间中，最邻近插值通过计算待插值点与已知数据点之间的距离，然后选择距离最近的数据点的值作为插值结果。今天就轮到二维插值。
2024-05-05 16:54:41
767
原创 数学建模——插值与拟合(上)
这样可以在保持简单性的同时进行有效的插值，避免了复杂的高次多项式拟合。插值是指通过已知数据点之间的信息来估计出新的数据点的值。ps在这里再次声明。同时值得注意的是，Pn(x)的构造太过于巧妙，简单易实现，但可能产生震荡。首先，插值和拟合的算法思路是我第一次接触到数学建模所学习到的，插值和拟合在数学建模中属于十分基本的算法。三.分段线性插值(思路简单，计算量小，不会出现震荡线性，但光滑性不好，本质就是构造一个个直线进行插值)四.三次样条插值(构造一段一段的三次多项式曲线进行插值计算，光滑性好，无震荡现象)
2024-05-03 21:47:18
611
原创 数学建模BP神经网络
举一个简单的例子，假如一个科技公司开发出了一种高科技产品，投放到市场的时候就会得到顾客的反馈，通过顾客和市场的调研，公司就会对这个产品进行升级迭代，直到符合令大部分顾客满意的需求。科技产品的投放就是“信号的正向传播”，而顾客的反馈就是”误差的反向传播“。可以通过训练学习复杂的模式：BP神经网络可以通过反向传播算法不断调整权重和偏置，学习到输入与输出之间的复杂映射关系，实现对复杂问题的建模和预测。具有较好的泛化能力：BP神经网络在充分训练的情况下，具有较好的泛化能力，能够处理未见过的数据并进行准确的预测。
2024-05-01 23:38:59
731
原创 数学建模中的K-means++算法
K-means算法在数学建模中十分常见，尤其是在解决数学建模C题的时候，K-means++的算法主要是作用于解决聚类问题，通过以一种更有效的方式选择初始聚类中心，可以提高传统Kmeans算法的效率和准确性。K-means++作为一种无监督聚类算法，在对大量的数据，尤其是大量的多属性数据进行数据分类的时候确实十分实用，近几年的C题需要处理的数据的量越来越多，K-means++算法的使用可以帮助做题人提高自己的效率取得更好的成绩。最后，打印输出聚类中心和每个数据点的聚类标签，以便查看算法的聚类结果。
2024-04-28 20:29:04
986
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人