机智何某-CSDN博客

原创 4.人工神经网络（BP神经网络）

1.概述：Rumelhart，McClelland于1985年提出了BP网络的误差反向后传BP(Back Propagation)学习算法。原理是利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。将误差分摊给各层的所有单元的误差信号进而修正各单元的权值，迭代直到到达可接受的误差或达到指定的次数。是一种有导师的学习算法，是梯度下降法在多层前馈网中的应用。可看成是线性自适应神经元学习算法的进一步推广。BP学习算法=前向计算

2021-04-08 07:22:39 1948

原创 8.粒子群算法（示例与代码）

存在%% 自适应权重与压缩因子PSOclear; clc%% 绘制函数的图形x1 = -20:1:20;x2 = -20:1:20;[x1,x2] = meshgrid(x1,x2);y = x1.^2 + (1+x1).*sin(x2) - 5*x1 + 8*x2 + 373;mesh(x1,x2,y)xlabel('x1'); ylabel('x2'); zlabel('y'); % 加上坐标轴的标签axis vis3d % 冻结屏幕高宽比，使得一个三维对象的旋转不会改变坐标轴

2020-09-23 13:47:37 1882

原创 8.粒子群算法（理论部分）

本文主要介绍基础粒子群算法的主要理论，并简单介绍自适应权重分配与压缩因子的用法（即速度更新公式的三个系数改进）。实际上粒子群算法经历了数十年发展，衍生出的改进算法多种多样，这里就不再过多介绍。下面开始正文部分：一.定义粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。它可以被纳入

2020-09-22 22:27:02 5327 2

原创 7.模拟退火（解决TSP问题）

基于前文中讲到的蒙特卡洛方法求解TSP问题，我们在原有基础上增加15个城镇至23个。其分布如下，求解此TSP问题（经过所有点，路径最短）代码1（主函数）：%% 模拟退火解决TSP问题clear;clc% 前文中的蒙特卡洛为基础上增加15个城镇，共23个towns = [0.64 0.41 0.99 0.55 0.77 0.25 0.11 0.89 0.15 0.26 0.33 0.88 0.54 0.69 0.21 0.32 0.19 0.05 0.72 0.48 0.37 0.28 0.98;

2020-09-20 20:35:49 462

原创 7.模拟退火算法

一.介绍：模拟退火算法是启发式算法的一种。由N. Metropolis 等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。（百度百科）一般来说，模拟退火算法可以优

2020-09-20 19:34:51 1013

原创 6.蒙特卡洛方法（一些说明）

蒙特卡洛方法并不是一种固定的模型，其模型多种多样，主要是通过类似枚举的方式达到一个接近最优的结果。例如，在前文导弹追击问题中，我们通过划分时间间隔，更新导弹与B船坐标，进而不断比较两者间的距离，算出近似的追击结果。在前文TSP问题中，由于数据量较小（n=8，组合方式有A88种，即8的阶乘=40320），因此我们通过类似枚举的方法（生成共50万中组合），选出了一个最优的结果。（但是如果n过大，如40，那么计算量就十分可怕，后续会介绍模拟退化等来解决相应的问题）对于其他的一些模型，我们同样可以使用蒙特卡洛

2020-08-29 22:40:45 389 1

原创 6.蒙特卡洛方法（TSP）

定义：旅行商问题，即TSP问题（Traveling Salesman Problem）又译为旅行推销员问题、货郎担问题，是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。例题：假设存在八个村庄坐标如下，那么怎样走一条路经过他们，同时路径最短MATLAB代码如下：clear;clc% 只有8个城市的简单情况 towns =[0.64 0.41

2020-08-29 22:24:18 1968 1

原创 6.蒙特卡洛方法（导弹追踪）

使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。

2020-08-29 21:58:36 2199 1

原创 5.时间序列分析例题2——秦皇岛某地区铁路运输总量预测

例2：已有的数据为2013-2019年各季度的运输量spss的操作和例1中相同公式：其中，lt为水平平滑方程，bt为趋势平滑方程，st为季节平滑方程，xt+h为第h期的预测方程，m为周期长度，这里以季度为单位，因此取4。结果如下：显著性>0.05预测结果：...

2020-08-26 21:15:44 478

原创 5.时间序列分析例题1——新能源汽车保有量预测

例题1：通过时间序列分析预测2020、2021与2022三年的新能源汽车保有量，已有的数据如下：1.画出时间序列图：图像：然后使用专家建模器：合适的模型为ARIMA（0，2，0）模型。即pq为0，差分阶数为2。（公式见之前的文章）残差的白噪声检验：从残差的ACF和PACF图可以知道，所有滞后阶数的自相关系数和偏自相关系数和0没有显著差异。因此，对这些数据来说，ARIMA（0,2,0）模型识别情况良好。因此这是白噪声序列，验证了随机平稳性。平稳r方与Q检验：一般来说平稳的r

2020-08-26 20:41:28 3531 2

原创 5.时间序列分析

一.定义：时间序列分析(Time-Series Analysis)是指将原来的数据分解为四部分来看——长期趋势（secular trend，T）、季节趋势（seasonal variation，S）、循环变动（cyclical variation，C）和不规则变动（irregular variation，I），然后综合这些因素，提出预测。（1）长期趋势（secular trend，T）：统计指标在长的一段时间内，表现出持续上升或下降的趋势。（2）季节趋势（seasonal variation，S）

2020-08-26 13:12:27 5285

原创 4.人工神经网络（一些例题）

感知器神经网络设计的基本方法单层感知器神经网络的 MATLAB 仿真程序设计主要包括以下几个方面：(1)以 newp 创建感知器神经网络首先根据要解决的问题,确定每个样本的输入向量的取值范围和维数,网络层的神经元数目,传输函数和学习函数等然后予以单层感知器神经网络的创建函数 newp 创建网络。(2)以 train 训练创建网络构造训练样本集,确定每个样本的输入向量和目标向量,调用函数 train 对网络进行训练,并根据训练的情况决定是否调整训练参数,以得到满足误差性能指标的神经网络,然后进行存储

2020-08-01 22:46:07 3220

原创 4.人工神经网络（感知器）

4.感知器这里会通过一个模式识别的问题，说明如何利用神经网络来求解这个问题。当商贩在存储水果时，需要将水果分类。我们把全部的水果通过一个分类的机器，首先需要通过一个传感器测量水果的三个特征：外形，质地与重量。我们定义：（1）圆形为1，椭圆为-1。（2）光滑为1，粗糙为-1。（3）超过一磅为1，轻于一磅为-1。则橘子为：p1=[1 -1 -1]’ 苹果为：p2=[1 1 -1]'...

2020-07-30 22:19:49 653

原创 4.人工神经网络（介绍2）

（3）对数-s形传输函数输入在(-∞,+∞)之间取值,输出则在 0 到 1 之间取值，公式为（4）函数2.多输入神经元R个输入与权值，一个偏置值 a=f（Wp+b）n=w11p1+w12p2+…+w1RpR+b，也可写成 n=W*p+b。W为R行向量。3.网格结构3.1单层神经元若有S个神经元组成单层网络，输入为R（简化表示）公式依旧为a=f（W*p+b），不同的是W，此时权矩阵W为S行R列。3.2 多层神经元此时，第一层的输出看作是第二层的输入，每一层的权值矩阵W为W1

2020-07-29 22:22:21 239

原创 4.人工神经网络（介绍1）

本文主要内容来自《人工神经网络导论》一.简单介绍：1.定义：人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。在工程与学术界也常直接简称为“神经网络”或类神经网络。人工神经元的图示（相当于一个多输入单输出的非线性阈值器件。）

2020-07-29 21:49:22 1288

原创 3.1 相关系数（person与spearman）

1.1总体皮尔逊（person）相关系数：在概率论与数理统计中我们学到，若两组数据X{x1，x2…xn}与Y{y1，y2…yn}为总体数据，则总体协方差为它表示两个变量的总体误差，若XY相对于各自均值同向变化，为正值，反之为负值。其数值与数据本身量纲有关。则总体皮尔逊相关系数为上面的协方差除以X与Y的标准差。即：可以看成是剔除了两个变量量纲影响，即将X和Y标准化后的协方差。1.2 样本皮尔逊相关系数：与上面类似，XY是两组样本数据。样本的协方差与标准差分母改成n-1即可：通过绘制散点图，

2020-07-24 00:04:03 7554

原创拟合算法

曲线拟合（curve fitting）：指把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。常用的拟合方法有如最小二乘曲线拟合法等。与插值的区别：插值一定会过数据点。而拟合，是得到了最接近的结果，是要看总体效果。最小二乘法的原理：1.我们首先生成一组散点clear,clcx=[4.1 5.2 3.8 7.4 8.8 12.3 8.4 9.9 10.7];y=[4.3 5.8 4.2 6.9 8.8 13.1 8.2 9.4 10.1];plot(x,y

2020-07-20 22:53:31 4100

原创 2.一些插值算法的应用

1.定义：在离散数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散数据点。插值是离散函数逼近的重要方法，利用它可通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值。插值：用来填充图像变换时像素之间的空隙。（百度百科）2.一维插值（主要包括拉格朗日插值，分段线性插值与三次样条插值）原理：假设有n+1个点（x，y），求一个插值点x的插值y，我们可以构造一个函数曲线，使其经过所有点，这样就通过函数表达式计算出了y*。拉格朗日插值是利用了拉格朗日多项式，当节点为n+1时，插值多项式的

2020-07-19 23:01:23 5504 1

原创 1.3MATLAB的fillmissing函数（缺失数据的处理）

这里用到了fillmissing函数调用方式：F=fillmissing(A,’constant’,V) %V代表填充缺失的数组或表条目 F = fillmissing(A,method) %method为指定的方法F = fillmissing(A,movmethod,window) %使用窗口长度为window的移动窗口均值或中位数填充缺失F = fillmissing(___,dim) %dim为维度，1时逐列填充，2时逐行填充method：‘extrap’ 与 method 相同‘

2020-07-19 13:18:02 12661 6

原创 1.2 数据标准化变换

紧接上文1.离差标准化：对原始数据的一种线性变换，将原始数据的数值映射到【0,1】区间，公式如下：用x到最小值的距离除以最大值到最小值的距离，也可理解为最小值为起点，最大值为终点，各点到起点的距离占总路程的比率。2.标准差标准化：相信大家在概率论与数理统计已经学过，这里我简单的说下这种方法用的十分广泛，x杠（我不知道上划线咋搞，先这么叫吧）为原始数据均值，分母为原始数据的标准差。这种方法与上面不同，他的取值范围不仅限于[0,1]并且可能会出现负值。（在MATLAB中一般是按照列对矩阵进行处理）

2020-07-19 12:52:30 3333

原创 1.1 数据预处理（平滑）

一.主要内容：1.数据的平滑处理2.数据的标准化处理3.数据的极差归一化变换4.缺失数据的填充二.为何要进行预处理？我们得到的实际数据容易受到噪声的影响，可能存在重复与缺失，也可能存在多种量纲，他们往往是不完美的。因此我们再分析挖掘数据时，首先就要进行预处理。三.正文部分1.数据的平滑处理，主要用到MATLAB的smooth函数。原理(以yy=smooth(y);举例)：yy(1)=y(1)yy(2)=(y(1)+y(2)+y(3))/3yy(3)=(y(1)+y(2)+y(3)+

2020-07-19 12:19:29 6821

原创 O(∩_∩)O

大家好！这是我的第一篇博客。先介绍下自己，我是一个工业工程系大二菜狗，刚刚学习了一点数学建模与编程方面的知识。在接下来的时间里，我将会在博客分享一些我的学习体会，希望能与大家一起进步，多多指教啊哈哈哈哈哈。...

2020-07-19 11:29:13 205

fadfdf的博客