数模
文章平均质量分 65
数模
CQU_JIAKE
这个家伙不是很懒,只是最后依然也没有留下什么
展开
-
2.2卡尔曼滤波
需要注意的是,在预测和更新之前,需要根据具体问题设置卡尔曼滤波器的相关参数,包括状态转移矩阵F、测量矩阵H、过程噪声协方差矩阵Q和测量噪声协方差矩阵R。预测得到的测量值是当前时间步的测量值的估计。预测得到的协方差矩阵是当前时间步的测量协方差的估计。更新得到的状态向量是当前时间步的状态估计。预测得到的协方差矩阵是下一个时间步的协方差估计。centers = [(0, 0), (1, 1), (-1, -1)] # 涡旋中心位置。就是在原来式子的基础上通过化简的形式,转变为矩阵的形式,就得到各个对应的矩阵。原创 2024-02-26 23:38:04 · 1281 阅读 · 0 评论 -
1.30小波分析
根据具体的分析目标,可以灵活运用小波变换和相关技术,以提取数据中的关键特征和信息,辅助决策和理解数据。总之,小波分析作为一种信号处理和数据分析的方法,能够提供更好的时间-频率局部信息,对于处理非平稳信号和数据具有重要意义,广泛应用于各种领域。总之,小波分析是一种强大的信号处理和数据分析工具,能够提供更好的时域和频域局部信息,对于处理非平稳信号和数据具有重要意义。4. 傅里叶分析的补充:小波分析可以提供时域和频域的局部信息,相比之下,傅里叶分析提供的是整体的频谱信息。这可以帮助进行进一步的分析和解释。原创 2024-02-25 23:02:24 · 1030 阅读 · 0 评论 -
1.30主成分分析,因子分析
主成分分析(Principal Component Analysis,简称PCA)是一种常用的多变量数据分析方法。它。PCA通主成分分析通过以下步骤来完成:1. 标准化数据:首先对原始数据进行标准化处理2. 计算协方差矩阵:然后计算标准化后数据的协方差矩阵,该矩阵反。3. 计算特征值和特征向量:对协方差矩阵进行5. 得到新的数据集主成分分析可以用于数据可视化、数据压缩、特征提取等领域。它是一种非监督学习方法,不需要依赖任何类标签信息。原创 2024-02-24 12:27:54 · 823 阅读 · 0 评论 -
1.30数据包络法
通过分析和比较这些超效率决策单元,可以了解到他们在哪些方面取得了卓越绩效,并通过学习他们的最佳实践来提高其他决策单元的效率。4. 分析相对效率的差异:对于相对效率较低的决策单元,分析其差异,并确定改进的潜力和策略。数据包络分析法可以用于评估各种类型的组织,如企业、学校、医院等,以及评估各种决策单元的效率,如生产单位、投资组合等。2. 识别超效率决策单元:检查相对效率值为1的决策单元,即超效率决策单元。这些决策单元是具有最优效率的模范单位,可以提供其他决策单元改进的方向和借鉴的经验。对于每个决策单元,其。原创 2024-02-21 23:57:04 · 1510 阅读 · 0 评论 -
1.27熵权法,TOPSIS,数据包络法
就是说,底下一堆指标x,然后由这些指标x到y1,y2,y2和y2分别代表积极以及消极的影响,然后再由y1,y2,然后再由y1,y2统一到y,总影响,到总影响时,这个也可以看成多目标优化,一共两个目标,一个是积极一个是消极,统一一下方向,然后NGSA-II。原创 2024-02-03 23:43:12 · 663 阅读 · 0 评论 -
1.27最优化(凸优化,非凸优化)、多目标优化(帕累托方法(暴力枚举,NSGA-II遗传算法(非支配排序(类似拓扑排序))),非帕累托方法(定义指标(熵权法等),指标权重和(转化为单目标最优化))
蚁群、遗传、退火算法是优化算法BP方法、神经网络等可以得到模型最优参数SVM,凸优化、KKT、对偶。原创 2024-02-03 23:42:25 · 651 阅读 · 0 评论 -
1.27CNN(输入层,特征提取(卷积,最大池化),输出),损失函数(KL散度,交叉熵推导),熵(物理、信息熵推导),点积矩阵运算(CPU,GPU,NPU)
B部分是训练集的真实实际值,是常数,C部分是训练结果,目的是要让这个损失最小化,与模型参数紧密相关,取出C(带负号),C非负就是更精简的损失函数。原创 2024-02-02 22:50:25 · 510 阅读 · 0 评论 -
1.27马尔科夫链,抽样蒙特卡洛模拟(逆转化方法,接受拒绝矩阵),马尔科夫链蒙特卡洛MCMC,隐马尔科夫(HMM(V算法剪枝优化),NLP)
1,如果a,b被采纳,就使横坐标a上对应的高度++,就是说第一步还是随机在定义域上选,然后在确定纵坐标时,上界不再是一个常数,而也是一个动态变化的天花板ZX,这样就能提高通过率。原创 2024-02-02 22:50:05 · 945 阅读 · 0 评论 -
1.26模拟退火
即只有在每次更新方案时,才会使循环次数增加。模拟退火是爬山算法的一种,是搜索算法。原创 2024-02-01 12:37:27 · 379 阅读 · 0 评论 -
1.26囚徒困境(单次,多次(有限次数,无限次数)),四种策略(netlogo建模最优,利益矩阵)
转为奖励性矩阵就是说,被判时间越长那么奖励越少,反之奖励越多。原创 2024-02-01 12:37:04 · 601 阅读 · 0 评论 -
1.26遗传算法
初始阶段就是一个随机的排列。原创 2024-01-31 12:18:57 · 545 阅读 · 0 评论 -
1.26布雷斯悖论(设计做减法,使效率更高,netlogo模拟),自组织映射神经网络SOM
红色的是普通道路,车越多通行时间越长假定条件是均衡状态就是两条路的通行时间相同纳什均衡并不一定是全局最优纳什均衡的关键就是单个个体做出改变时,只会使自己的利益受到损失,而不会使其他人发生改变在达到纳什平衡时,是每个个体都遵循使自己利益最大化的方式。原创 2024-01-31 12:18:28 · 833 阅读 · 0 评论 -
1.25时间序列分析,FB先知模型、简要傅里叶变化解决周期性变化,实例步骤
财务数据要考虑到可解释性。原创 2024-01-30 11:53:54 · 336 阅读 · 0 评论 -
1.24ANN神经网络(BP)(激活函数的类型,选择,构建不同的ANN网络(二分类,多分类,多标签,线性回归),实例)
sigmoid函数的导数值小于等于0.25。原创 2024-01-29 23:52:29 · 575 阅读 · 0 评论 -
1.23神经网络框架(sig函数),逆向参数调整法(梯度下降法,链式法则(理解,及处理多层神经网络的方式))
就是说,激励函数是确定每层神经元递归下去时所带的一项,就是描绘的输入与输出之间的递归变化关系,sig函数是x(1-x)w,(对应是里层输出x,以及参数w不变,输入边)每递归一层,就会多一个这样的形式,这样的形式由激励函数所确定,就是求导求出来的然后还有2(E-y),这个是由最外面的梯度下降的检验方式,即误差平方所决定的,每个表达式里都有,而且唯一。原创 2024-01-28 18:02:38 · 1424 阅读 · 0 评论 -
1.23聚类算法(kmeans(初始随机选k,迭代收敛),DBSCAN(dij选点),MEANSHIFT(质心收敛),AGENS(最小生成树)),蚁群算法(参数理解、过程理解、伪代码、代码)
聚类结果不变。原创 2024-01-28 18:02:06 · 900 阅读 · 0 评论 -
1.22ABM仿真(netlogo),A*(简要)
就是成本F由两个要素确定,一个是实际位置的成本G,由其自身固定的地理位置决定,另一个是启发值H,由下一个位置与目标位置的相对距离决定,然后在循环中,是要找下一个成本最小的F。只考虑G成本不考虑启发值的A*就是朴素的dij。堆优化dij可以认为是一个A*算法。H为启发值,由启发性公式决定,,体现了当前的步数成本。原创 2024-01-27 13:41:01 · 535 阅读 · 0 评论 -
1.22SVM(对偶性,KKT条件,核函数(高斯核函数RBF,参数伽马),软间隔问题(对误差容忍,参数C),总结,例题),SVM流程,代码,划分指定类数
将原始空间中的向量作为输入向量,并返回特征空间(转换后的数据空间,可能是高维)中向量的点积的函数称为核函数。使用内核,不需要显式地将数据嵌入到空间中,因为许多算法只需要图像向量之间的内积(内积是标量);在特征空间不需要数据的坐标。这个核函数计算出来的结果,直接就是这两个向量之间的空间相似度;自变量是两个向量间的距离在面对非线性SVM划分,可以使用高斯核函数对于高斯核函数,伽马值越小,对距离的容忍度越大;就是说小伽马值更容易使两个相差不近的点被划分为同一类当中,导致预测精度的下降。原创 2024-01-26 10:23:02 · 1651 阅读 · 0 评论 -
1.21信息熵理解,一个好看的框架图,SVM
就是说,每个事件都会提供一些信息以确定情况事件发生的概率越大,意味着频率越大,就有越多的可能性,能缩减的查找范围就越少,所以信息熵就少;事件发生的概率越小,意味着频率越小,就有更少的情况会发生这样的事件,那么能缩减的查找范围就会增大,所以信息熵就大;所谓信息熵实际上就是事件发生后用来衡量能缩减多大的查找空间,能缩减多少的情况数。能缩减(2^信息熵)的情况数。原创 2024-01-26 10:22:31 · 866 阅读 · 0 评论 -
12.9建模复盘——EXCEL批量处理数据、查找数据、熵权法、可视化
可以修改、隐蔽两坐标轴刻度# 设置字体为微软雅黑# 从Excel导入数据# 根据公式计算指标值。原创 2023-12-09 19:05:15 · 353 阅读 · 0 评论 -
12.9文档记录——脱欧建模
脱欧公投结果出炉,首当其冲受到冲击的是资本金融市场,英镑兑美元汇率急速下跌,由1.50 附近跌至目前1.32附近,跌幅10.63%,创31年来最大跌幅,英镑对欧元的汇率也由1.31 附近跌至 1.17 左右,最低值甚至达到1.15484[3]。在英国脱欧已成定局的情况下,苏格兰政府首席大臣妮古拉·斯特金表示,苏格兰极有可能将很快进行第二次“独立”公投[7],而且“我将尽己所能,在英国离开后保住苏格兰在欧盟的地位”。衡量决策中的价值分散.它假定,破坏程度越大,分化程度越大,可以得到更多的信息。原创 2023-12-09 18:48:50 · 143 阅读 · 0 评论 -
11.16~11.19绘制图表,导入EXCEL中数据,进行拟合
指定 Excel 文件路径# 提取 X 列的数据作为自变量# 添加常数列# 拟合多元线性回归模型# 打印回归结果摘要。原创 2023-11-20 10:28:41 · 517 阅读 · 0 评论 -
11.16~11.19数维杯B题机理建模
既然是要分析催化反应机理模型,基于反应动力模型那就是对具体产物的比例变化进行分析模型建立:利用化学反应理论和动力学原理建立模型,描述CE、LG等模型化合物的脱硫灰催化反应。模型分析:运用动力学方程和计算工具(例如Python中的SciPy库)来分析模型,得出关键的动力学参数和反应特性。棉秆是CS,模型化合物CE,LG是它的两个主要成分,产物主要有焦油、水、焦渣,合成气。原创 2023-11-20 10:26:09 · 164 阅读 · 0 评论 -
11.10~11.15置信区间,均值、方差假设检验,正态,t,卡方,F分布,第一第二类错误
给定一个置信度,就可以算出一个置信区间。如果给的置信度越大,那么阿尔法就越小给的置信度越小,那么α就越大,那么考虑精确性,希望区间长度尽可能小,所以是取正态的中间的对称位置置信度越高,则精度越低,反之,精度越高则置信度越低置信水平描述真实值落在置信区间中的概率当你要提高置信水平(即真实值落在置信区间中的概率)的时候,相应的将要付出的代价就是拉长置信区间,也就是区间半径的增大。那么很显然的,如果你想让一个区间保持完美的,100%的可靠度,在已有的条件下,我只能将区间半径拉长到∞。原创 2023-11-15 23:59:49 · 772 阅读 · 0 评论 -
10.24报童问题
假设X*是从0开始一件一件往上加的,数量少时,现实Y大的情况大,即Y比X*大的可能性很大,那么此时多进货的收益就大;Y是实际的,是变化的,Y满足某种分布,需求就是建在在Y的某种变化上,找出一个最合理的X,使收益最大化。一个是实际不能到的人,一个是多售出的票,如果卖得多了,是亏损,卖得少了,还可以盈利,最优是刚刚好。就是说确定一个临界的X,使这最后一件的X在已知的Y的条件下,如果销售了,和。需注意的是,这里的正负号,在盈利是正,在亏损时是负,两边都取为绝对值。注意说的是最后一件,是一件,是单位的。原创 2023-10-24 20:18:10 · 89 阅读 · 0 评论 -
2000年数模B题 钢管订购和运输
供应商成本=订购+运输,运输取决于供应商位置,是个常数(应该可以人算),就是每家供应商到每个接受点的每个钢管的单价,可以转为供应商成本与在其处订购数量x的一个关系式,x应满足大于等于500,小于供应商最大供给量。铺设成本的确定直接规划,就是每个点往左往右送的数量加在一起的和为整个铁路长度,然后有限制条件为加在一起的和为每个供应点的接收数量,就和前面的供应成本搭在了一起。那就是计算供应商,接受点的一个二维矩阵,里面记录供应商到接收点的最小成本,这个是固定的。那就是根据这个矩阵,还有一个成本是订购成本,原创 2023-10-13 15:26:15 · 1426 阅读 · 0 评论 -
10.10泊松、指数、伽马分布的理解
串起来的思路就是单位时间上不断实验,实验的成功次数满足泊松分布然后由这个单位时间可以标定任意长度时间,那么任意长度时间上实验成功的次数就是泊松流在任意长度时间的基础上,给定一段时间的泊松流,那么这个泊松流里相邻两次事件的发生时间间隔满足指数分布如果把事件理解为出一次问题,那么出一次问题就报废(即从0->1)的间隔时间(理解为寿命)分布为指数分布出两次,n次问题才报废,则为伽马分布。原创 2023-10-10 20:53:13 · 1181 阅读 · 0 评论 -
10.3倒水问题(几何图论建模)
所以例如,倒5升杯子时,只能要么把5升的倒完,要么把目标杯子倒满,对应就是只能在坐标图的边缘移动,如果是5升倒完,则对应5升的0线,如果目标杯子倒满,则对应目标杯子的满线,在对应基准线上上下移动,确定一个状态。那么解决倒水问题就是画画连线问题,如果要6,6的水,首先要确定怎么装,就是5升里不能装,即在OA线上,然后9升12升里各6升,即a6点。a2往o走就是倒回12升,往A走就是12升倒满9升,且不往5升里倒,往c2走就是倒满5升,往b2里走就是把9升里的倒进5升里的。2.至少一个水杯倒满了水。原创 2023-10-06 17:14:37 · 325 阅读 · 0 评论 -
8.31 TOPSIS
最佳区间上册与最高上限,为0-1的值,套公式1-(aij-a*)/(a``-a*)最优解(正理想解)并不存在于方案集中,每个属性值都是属性(取自方案集里)里最好的。标准0-1变化:bij=aij-amin/amax-amin(效益性,正向指标。TOPSIS,找到最优解,最劣解,然后比较每个方案距离这两者间的距离。bij=amax-aij/amax-amin(成本型,负向指标。规范化,性能越优属性越大,即把不同属性的数据都转为效益性。最低下限与最佳区间下侧,为0-1的值。将之都转化为0-1之间的效益性数据。原创 2023-08-31 21:48:20 · 69 阅读 · 0 评论 -
8.31熵权法
若某个指标的信息熵越小(不确定性越小,发生概率越大),指标值的变异程度(指标发生变化的程度)越大,提供的信息量越多,在综合评价中所能起到的作用也越大,其权重也就越大。随机变量取某个值时,其概率的倒数的对数就是信息量,与其发生的概率成负相关(概率越大,不确定性越小,信息量越小,概率越小,信息量越大)如果某个指标的信息熵越小,表明不同决策对应该指标的变化程度越大,提供信息也就越多,起到的作用就越大,它的权重也就越大。说的是提供的信息量,即可以确定的,已知的信息。pij,第j项指标在第i个方案中占该指标的比重。原创 2023-08-31 20:55:55 · 302 阅读 · 0 评论 -
2021高教杯C题(c169)
左边第一项xij是是否供货,S是供货量,L是损耗率,f(i)是转换函数,将不同类别的原材料转换为产能,对a材料为1/0.6,对B为1/0.66,对C为1/0.72,Rj_1为上周剩余量。由于迭代,对每周j都会有不同的系数,所以二十四周每周都是一个规划,会有24个,也会解出24个关于xij的列向量,j从1到24,表示在每周中,这50个供应商的供货情况,有还是没有。构造了一个以r为自变量的函数,0时为最小值,小于0时,离0越远增得越快,大于0时同样,只不过比小于0时变化得慢,表明大于0好点。原创 2023-08-29 20:17:48 · 396 阅读 · 0 评论 -
8.28数模(十法)
1.线性回归预测一个连续的输出变量2.逻辑回归预测一个离散的输出变量。原创 2023-08-28 21:05:37 · 55 阅读 · 0 评论