- 博客(42)
- 收藏
- 关注
RSS订阅原创 模拟退火算法
2.2从优化角度看模拟退火1）模拟退火可以求解带有复杂约束条件的规划问题吗？可以的，和粒子群算法一样，我们可以在目标函数上引入惩罚项来进行求解，也可以在产生新解后判断新解是否满足约束条件，若不满足则直接拒绝。2）模拟退火的衍生算法有哪些？加温退火法、有记忆的模拟退火、带返回搜索的模拟退火、多次寻优法、回火退火法、并行模拟退火算法等，关于这些算法的具体介绍可参考康立山等1994年编写的《非数值并行算法（第一册）模拟退火算法》，如果你不是专门研究模拟退火理论的，这些方法的细节我们可以不需要知道。3。
2024-08-01 12:45:00
1462
原创 数学规划模型★★★★★
数学规划是运筹学的一个分支,其用来研究:在给定的条件下(约束条件),如何按照某一衡量指标(目标函数)来寻求什划、管理工作中的最优方案。一>求目标函数在一定约束系件下的极值问问题例子:数学高考试卷中的线性规划大题。
2024-07-31 12:30:00
790
原创 因子分析★★★★★
因子分析由斯皮尔曼在1904年首次提出，其在某种程度上可以被看成是主成分分析的推和扩展.因子分析法通过研究变量间的相关系数矩阵，把这些变量间错综复杂的关系归结数几个综合因子，由于归结出的因子个数少于原始变量的个数，但是它们又包含原始变量的信息，所以，这一分析过程也称为降维。由于因子往往比主成分更易得到解释，故因子分析比主成分分析更容易成功，从而有更广泛的应用。本讲的前面部分将简要介绍因子分析模型的数学原理，在最后的应用部分，我们将举一个实例帮助大家理解，大家可以把重点放在最后的应用上
2024-07-31 08:30:00
678
原创 SVD用于图形处理★★★
奇异值分解（Singular Value Decomposition）是线性代数中一种重要的矩阵分解，其在图形学、统计学、推荐系统、信号处理等领域有重要应用。本讲我们将介绍奇异值分解在图形压缩中的运用，并将简单介绍下Matlab对于图形和视频的处理。
2024-07-30 08:30:00
394
原创 ARCH和GARCH模型★★
深证成份股指数是深圳证券交易所编制的一种成份股指数，是从上市的所有股票中抽取具有市场代表性的40家上市公司的股票作为计算对象，并以流通股为权数计算得出的加权股价指数，综合反映深交所上市 A、B股的股价走势。成份B股指数变更为包含深圳市场10只B股的B股总收益指数。我们将时间区间选取为2014年1月至2018年5月，共计1064个交易日的收盘价数据，在下文中，分别建立了ARMA模型和GARCH模型对其收益率进行了预测，得到了良好的结果。（ 代号：399003 ）
2024-07-28 09:30:00
663
原创 预测模型★★★★★
矩阵求导：神经网络预测的优点在于其强大的学习能力和处理非线性关系的能力，能够从大量数据中提取特征并建模，特别适用于图像识别、自然语言处理等复杂问题。然而，其缺点也显而易见，如对数据的需求量大，训练成本高，且模型结构复杂，解释性差，难以直接解释预测结果的依据。灰色预测则适用于数据量较少、信息不完整或可靠性较低的情况。其优点在于建模所需信息少，运算简便，易于检验，且能较好地挖掘数据的本质，进行中短期预测时精度较高。
2024-07-27 21:02:22
1494
原创 时间序列分析★★★★
•作时间序列图；•判断时间序列包含的变动成分；•时间序列分解（有周期性且包含长期趋势、季节变动或循环变动）；•建立时间序列分析模型；•预测未来的指标数值。时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析大致可分成三大部分，分别是描述过去、分析规律和预测未来。在使用该模型的时候注意剔除异常值和结合背景，不要硬套模型，注意检验白噪声残差，使用AIC和BIC原则选择合适的模型。
2024-07-27 00:27:30
1690
原创 聚类模型★★★★
DBSCAN(Density-based spatial clustering of applications with noise)是等人于1996年提出的一种基于密度的聚类方法，聚类前不需要预先指定聚类的个数，生成的簇的个数不定（和数据有关）。该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象（点或其他空间对象）的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域连接，能有效处理异常数据。
2024-07-24 15:23:14
944
原创 分类模型-逻辑回归和Fisher线性判别分析★★★★
逻辑回归和线性判别分析都可以训练数据集预测未知数，可以通过加入平方项等来提高预测正确率，但是注意过拟合现象，同时在使用SPSS之前要先数据预处理，多元分类就直接在excel中查找替换就可以了。
2024-07-23 14:18:58
758
原创 蒙特卡罗模型★★★★★
蒙特卡罗⽅法⼜称统计模拟法，是⼀种随机模拟⽅法，以概率和统计理论⽅法为基础的⼀种计算⽅法，是使⽤随机数（或更常⻅的伪随机数）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。为象征性地表明这⼀⽅法的概率统计特征，故借⽤赌城蒙特卡罗命名。蒙特卡罗模型，也被称为计算机随机模拟方法，是一种基于随机数的计算方法。构建概率模型：首先，需要构建一个与实际问题相似或等效的概率模型或随机过程，该模型的参数或数字特征应能近似代表问题的解。随机抽样。
2024-07-23 11:35:08
1250
原创 回归模型-岭回归和lasso回归★★★
我们首先使用最一般的OLS对数据进行回归，然后计算方差膨胀因子VIF，如果VIF>10则说明存在多重共线性的问题，此时我们需要对变量进行筛选。在第七讲时我们提到可以使用逐步回归法来筛选自变量，让回归中仅留下显著的自变量来抵消多重共线性的影响，学完本讲后，大家完全可以把lasso回归视为逐步回归法的进阶版，我们可以使用lasso回归来帮我们筛选出不重要的变量，步骤如下：（1）判断自变量的量纲是否一样，如果不一样则首先进行标准化的预处理；（2）对变量使用lasso回归，记录下lasso回归结果表中回归系数
2024-07-21 20:47:32
818
原创 相关性模型-正态分布均值假设检验★★★
这一讲介绍的假设检验的方法都很简单，事实上给你一个科学计算机你就能算出检验值，再给你一张统计分布临界表你就能查出临界值，比较检验值和临界值，你就可以得到假设检验的结果。书上的例题解答也写得很详细，可以看看，解答步骤基本上就是套路。
2024-07-20 15:43:37
636
原创 评价类模型-模糊综合评价★★★★★
模糊综合评价主要是确定评价因素集和评语集，构建模糊关系矩阵（隶属度矩阵），确定各因素的权重，通过模糊合成算子将权重与隶属度矩阵结合，得到综合评价结果向量。最后，根据结果向量分析评价对象的整体状况，常采用最大隶属度或加权平均等方法确定最终评价。整个过程将定性评价转化为定量评价，有效处理模糊性和不确定性。
2024-07-19 16:07:08
837
原创 评价类模型-灰色关联分析★★★★★
灰色关联分析、层次分析和TOPSIS在处理复杂决策问题时各有特点和优势。灰色关联分析适用于处理不确定性数据和多因素关联问题；层次分析适用于处理复杂的决策因素体系；TOPSIS则适用于具有多个决策因素且需要综合评价的情况。灰色关联分析是对层次分析法和Topsis方法的补充，对于灰色关联分析来说，是使用灰色关联度作为权重来分析的，而基于熵权法的Topsis模型的权重分析更好，并且美赛不适合使用灰色关联分析。
2024-07-19 09:33:03
637
原创 图论模型-迪杰斯特拉算法和贝尔曼福特算法★★★★
该章节主要是为了解决图论中最短路径问题的两种算法，迪杰斯特拉算法是基于贪心思想的一种算法，但是不能够解决含有负权值的问题，而贝尔曼福特算法可以解决迪杰斯特拉算法的不足，但是同样不能解决含有负权回路的最短路径问题。
2024-07-18 22:41:15
1186
原创 回归模型-多元线性回归分析★★★★★
多元线性回归分析适用于解释或者预测问题，在建立对应的模型时候，扰动项要考虑异方差和多重共线性的问题，所以需要进行检验；当扰动项是球型扰动项之后，可以进行数据描述性统计以及回归分析，其中包括加入虚拟变量的回归分析和标准化回归等。在整个回归过程中可以使用两种逐步回归分析的方法，建议使用向后逐步回归。
2024-07-18 17:02:46
981
原创 相关性模型-典型相关分析★★★
典型相关分析是用于俩组变量之间相关性的分析，具体解题：首先收集并预处理两组变量的数据，然后构造两组变量的线性组合，即典型变量，以最大化这两个组合之间的相关性。通过解特征方程找到使相关性最大化的系数，从而得到典型变量和对应的典型相关系数。接着，解释这些典型变量的含义及它们之间的相关性，并进行统计推断以确定相关性的显著性。
2024-07-17 15:31:38
1045
原创 相关性模型-相关性系数★★★★
皮尔逊相关系数和斯皮尔曼相关系数是用来衡量俩个变量之间相关性大小的指标，其中皮尔逊相关系数的计算首先需要画出散点图看变量之间有没有线性关系，在有线性关系的基础上才能计算皮尔逊相关系数；如果还想计算皮尔逊相关系数的显著性，就必须基于正态化的数据，就必须要进行正态分布检验。而斯皮尔曼相关系数并不需要这么多条件，所以斯皮尔曼相关系数的适用条件比皮尔逊相关系数要广。
2024-07-16 16:45:23
867
原创 插值与拟合模型-拟合算法★★★★★
拟合算法与插值算法不同，不需要函数全部过样本点，只需要接近。使用最小二乘法进行拟合，线性函数用拟合优度为评价指标，而其他函数使用误差平方和，在拟合过程中可以使用matlab的拟合工具箱辅助，可以很好的获取拟合函数。
2024-07-16 09:56:32
600
原创 插值与拟合模型-插值算法★★★★★
插值法的方法很多，该章节介绍了拉格朗日插值法、分段插值法、牛顿插值法、埃尔米特插值法、分段三次埃尔米特插值法、三次样条插值、n维数据插值法，其中拉格朗日插值法会出现龙格现象，牛顿插值法不能全面反映被插值函数的性态，所以推荐使用分段插值法。最推荐使用的是分段三次埃尔米特插值法与三次样条插值。插值法还可以用于短期预测，当然，大量数据的预测还是需要专门的预测算法或拟合算法。
2024-07-15 10:46:50
974
原创 评价类模型-基于熵权法的Topsis模型★★★★
基于熵权法的Topsis模型是对Topsis模型的补充，因为层次分析法具有较大的主观色彩，对于最终得分来说，缺乏客观性，而熵权法是基于数据本身进行分析，所以更加推荐使用熵权法。使用步骤与Topsis模型差不多，但是引入新的指标——信息效用值来评价问题，将信息效用值归一化后，再计算对于的权重。熵权法只是一个确定权重的方法，一般和别的方法（如TOPSIS法）一起使用。
2024-07-15 08:00:00
858
原创 评价类模型-Topsis优劣解距离法★★★★★
Topsis优劣解距离法适用于评价类问题，拿到问题先根据层次分析法中部分内容将评价指标转换为原始矩阵；在原始矩阵的基础上，判定评价指标属于极大型、极小型、中间型、区间型中的哪一类，然后正向化到极大型，生成正向化矩阵；在正向化矩阵基础上标准化，再根据计算公式计算得分并且归一化。拓展：Topsis模型可以不默认权值。
2024-07-14 16:33:01
715
原创 评价类模型-层次分析法★★★★★
层次分析法适用于评价类问题，拿到问题先确定评价目标、评价方案、评价指标，指标可以从题目中来，也可以参考其他资料，然后根据评价指标构建判断矩阵，经过一致性检验和归一化处理，参照算术平均法、几何平均法、特征值法求对应的权重。局限性：不适用于已知指标或指标数大于16的问题。
2024-07-14 14:06:21
1979
1原创 数学建模老哥-python基础和机器学习（三）Python+Numpy+Matplotlib速成
Python+Numpy+Matplotlib速成
2024-07-13 12:54:56
423
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