灰色系统 - 关联度分析法 - 优势分析
关联度分析法回顾
以
x
0
x_0
x0为参考序列
x
0
=
{
x
0
(
k
)
∣
k
=
1
,
2
,
.
.
.
,
n
}
=
{
x
0
(
1
)
,
x
0
(
1
)
,
.
.
.
,
x
0
(
n
)
}
x_0=\{ x_0(k) | k=1,2,...,n \}=\{ x_0(1),x_0(1) ,...,x_0(n) \}
x0={x0(k)∣k=1,2,...,n}={x0(1),x0(1),...,x0(n)}
其中
k
k
k表示时刻。定义m个比较序列
x
i
=
{
x
i
(
k
)
∣
k
=
1
,
2
,
.
.
.
,
n
}
=
{
x
i
(
1
)
,
x
i
(
1
)
,
.
.
.
,
x
i
(
n
)
}
i
=
1
,
2
,
3....
m
x_i=\{ x_i(k) | k=1,2,...,n \}=\{ x_i(1),x_i(1) ,...,x_i(n) \} \quad \quad i=1,2,3....m
xi={xi(k)∣k=1,2,...,n}={xi(1),xi(1),...,xi(n)}i=1,2,3....m
比较序列
x
i
x_i
xi对参考序列
x
0
x_0
x0在
k
k
k 时刻的关联系数定义为:
ζ
i
(
k
)
=
min
s
min
t
∣
x
0
(
t
)
−
x
s
(
t
)
∣
+
ρ
max
s
max
t
∣
x
0
(
t
)
−
x
s
(
t
)
∣
∣
x
0
(
k
)
−
x
i
(
k
)
∣
+
ρ
max
s
max
t
∣
x
0
(
t
)
−
x
s
(
t
)
∣
\zeta_i(k) =\frac{ \min \limits_{s} \min \limits_t \lvert x_0(t)-x_s(t) \rvert +\rho \max \limits_{s} \max \limits_t \lvert x_0(t)-x_s(t) \rvert } { \lvert x_0(k)-x_i(k) \lvert +\rho \max \limits_{s} \max \limits_t \lvert x_0(t)-x_s(t) \rvert }
ζi(k)=∣x0(k)−xi(k)∣+ρsmaxtmax∣x0(t)−xs(t)∣smintmin∣x0(t)−xs(t)∣+ρsmaxtmax∣x0(t)−xs(t)∣
序列
x
i
x_i
xi 对参考数列
x
0
x_0
x0 的关联度定义为:
r i = 1 n ∑ k = 1 n ζ i ( k ) r_i = \frac{1}{n}\sum_{k=1}^{n}\zeta_i(k) ri=n1k=1∑nζi(k)
优势分析
之前的博客说到,关联度分析,并且举了实际的例子和源代码,但是只针对单个参考序列。但是在现实中,大多都是有多个参考序列,而且比较序列也不止一个。
进一步分析多参考序列和多比较序列的情况,假设有
m
m
m个参考序列,即
y
(
1
)
,
y
(
2
)
,
.
.
.
,
y
(
m
)
y(1),y(2),...,y(m)
y(1),y(2),...,y(m),以及有
n
n
n个比较序列,即
x
(
1
)
,
x
(
2
)
,
.
.
.
,
x
(
n
)
x(1),x(2),...,x(n)
x(1),x(2),...,x(n)。每个比较序列相对于每个参考序列有一个关联度,将可以所有关联度写成一个矩阵
R
R
R。
我们用
r
i
j
r_{ij}
rij表示序列
x
j
x_j
xj相对
y
i
y_i
yi的关联度,则矩阵
R
=
(
r
i
j
)
m
×
n
R=(r_{ij})_{m \times n}
R=(rij)m×n的第
i
i
i行表示所有比较序列相对于参考序列
y
i
y_i
yi的关联度,第
j
j
j列表示比较序列
x
j
x_j
xj相对于所有参考序列的关联度。
有了关联矩阵
R
R
R,我们就可以分析各个因素之间的关系,哪些是主要因素,哪些是次要因素。,当某一列元素大于其它列元素时,称此列所对应的子因素为优势子因素;若某一行元素均大于其它行元素时,称此行所对应的母元素为优势母元素。如果矩阵 R 的某个元素达到最大,则该行对应的母因素被认为是所有母因素中影响最大的。