数学模型
文章平均质量分 89
跟数学建模相关的模型以及编程实现
我的眼中只有学习
信息不能及时回复请见谅,有疑问或者其他相关事情可以联系:3102846069@qq.com
展开
-
Facebook时序工具库 Kats 中文教程(个人首发)
Facebook时序工具库 Kats 中文教程1. Kats是什么?2. 我将如何使用Kats2.1 在Python中安装Kats2.2 实例2.2.1 预测2.2.2 推理预测2.3 TSFeatures3. 中文教程4. 更新进度1. Kats是什么?Kats是Facebook在June 18th刚刚发布的一个专门为了时间序列服务的工具库。它作为一个Toolkit包,提供了四种简易且轻量化的API。预测(封装了10+models,主要是传统的时间序列模型,这些模型有支持ensemble的API,原创 2021-09-29 10:57:03 · 2191 阅读 · 0 评论 -
Kalman filter算法介绍及Python实现
Kalman filter算法介绍及Python实现一、算法思路1.1 Kalman filter简介1.2 算法推导二、Python复现三、参考文章一、算法思路1.1 Kalman filter简介卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术,Kalman滤波在测量方差已知的情况下能够从一系原创 2021-08-06 11:47:50 · 3197 阅读 · 0 评论 -
Latex中出现的问题及解决方案
Latex中出现的问题及解决方案一、基本代码1、首行空两格1. 手动空两格2. 使用宏包控制3. 取消首行缩进2、插入图片1. 插图2. 调整latex图与caption之间的距离3、序号序列1.枚举类型enumerate2. 枚举类型itemize3. 使用enumitem包对枚举类型enumerate进行缩进4、参考文献5、latex目录1. 插入目录不识别的sectionlatex中的距离二、报错以及处理三、宏包问题本篇不会讲基本操作等等,只是记录本人在使用latex中出现的一些问题等。一、基原创 2021-02-02 19:09:07 · 10022 阅读 · 0 评论 -
Machine learning(ML)常用的几类学习器及Python实现
Machine learning(ML)常用的几种学习器及Python实现一、一、原创 2021-01-29 15:55:50 · 1974 阅读 · 0 评论 -
粒子群优化Python实现(PSO,Particle swarm optimization)
粒子群优化Python实现一、PSO算法概念二、PSO算法流程三、Python代码实现四、优缺点以应用1、PSO算法的一些优点:2、PSO算法的不足之处:3、PSO算法的产业应用一、PSO算法概念 西元1995年由肯尼迪(Kennedy)与埃伯哈特(Eberhart)(1995)两位学者所提出,这两位学者借由观察鸟类族群觅食的讯息传递所得到的一个启发,粒子群算法的理论基础是以单一粒子来做为鸟类族群之中的单一个体,将种群中的个体看成是D维搜索空间中没有质量和体积的粒子,每个粒子以一定的速度在解空间运动,原创 2021-01-27 10:56:09 · 1600 阅读 · 0 评论 -
遗传算法Python实现(Genetic Algorithm,GA)
遗传算法Python实现一、GA算法介绍二、GA算法流程三、Python实现四、优缺点及应用1、不足之处2、特点3、应用一、GA算法介绍 遗传算法(Genetic Algorithm,GA)最早是由美国的 John holland于20世纪70年代提出,该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因原创 2021-01-26 20:22:48 · 3267 阅读 · 0 评论 -
模拟退火Python实现(Simulated Annealing, SA)
模拟退火算法一、概念二、Python代码实现三、应用:一、概念 模拟退火算法(Simulated Annealing,SA)最早的思想是由N. Metropolis [1] 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原创 2021-01-26 10:24:26 · 2659 阅读 · 8 评论 -
Stacking 融合算法
# coding=utf8from sklearn import datasetsfrom sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier, GradientBoostingClassifierfrom sklearn.cross_validation import train_test_splitfrom sklearn.cross_validation import StratifiedKFoldim原创 2021-01-23 20:43:34 · 1072 阅读 · 1 评论 -
自动化ARIMA时间序列及Python实现(Auto_arima)
时间序列的基本原理见Matlab篇,本篇主要讲基于原理的python代码实现部分。原创 2021-01-09 19:42:06 · 16468 阅读 · 12 评论 -
基于Matlab的时间序列(Time Series)(附代码)
时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。经济数据中大多数以时间序列的形式给出。根据观察时间的不同,时间序列中的时间可以是年份、季度、月份或其他任何时间形式。原创 2021-01-27 15:26:33 · 20789 阅读 · 10 评论 -
BP神经网络原理及Matlab实现(Back Propagation Neural Networks,BPNN)
BP (Back Propagation)神经网络是一种神经网络学习算法。其由输入层、中间层、输出层组成的阶层型神经网络,中间层可扩展为多层。相邻层之间各神经元进行全连接,而每层各神经元之间无连接,网络按有教师示教的方式进行学习,当一对学习模式提供给网络后,各神经元获得网络的输入响应产生连接权值(Weight)。然后按减小希望输出与实际输出误差的方向,从输出层经各中间层逐层修正各连接权,回到输入层。此过程反复交替进行,直至网络的全局误差趋向给定的极小值,即完成学习的过程。原创 2020-12-28 14:55:00 · 3499 阅读 · 0 评论 -
基于matlab的二分法(Bisection method)查找(附代码)
二分法(Bisection method) 即一分为二的方法. 设[a,b]为R的闭区间. 逐次二分法就是造出如下的区间序列([an,bn]):a0=a,b0=b,且对任一自然数n,[an+1,bn+1]或者等于[an,cn],或者等于[cn,bn],其中cn表示[an,bn]的中点.原创 2020-09-06 17:57:56 · 27739 阅读 · 0 评论 -
基于spss的分段回归模型(piecewise linear regression)
分段线性回归是指当y对x的回归在x的某一范围的服从某种线性关系,在其他范围内又服从斜率不同的线性关系时适用的一种回归估计方法。这种方法使用指示变量对各段(即不同范围的)数据同时拟合统—的回归模型 。 某些变量之间的关系非常有趣,不是恒久的线性或非线性关系,可能其中一段表现为线性,而另一段表现为非线性。例如,我们举一个每个人都有切身体会的例子,人的身高和年龄的关系,在3岁到10岁期间,它们基本是线性相关,而高中以后,身高基本定型,不再随年龄的增加而增长。对于这样的变量关系,在3到10岁期间,我们可以用一个原创 2020-08-31 15:37:52 · 20967 阅读 · 3 评论 -
基于spss的非线性回归(non-linear regression)
基于spss的非线性回归一、简介1、非线性回归2、非线性回归模型二、基于spss的操作1、分析步骤(1)做散点图(2)估计初始值(3)参数设置(4)损失函数设置(5)参数约束设置(6)保存设置(7)算法设置2、结果解释一、简介1、非线性回归 非线性关系可以分为本质是线性关系的非线性关系和完全非线性关系,有点拗口。在曲线回归总已经介绍,可以通过变量装换,转化为线性关系,并进行线性回归分析的就是本质是线性关系的非线性关系。如果无法通过变量装换,转化为线性关系,无法进行线性回归分析的叫完全非线性关系。这里我原创 2020-08-28 19:23:16 · 34331 阅读 · 8 评论 -
基于spss的曲线回归(curvilinear regression)
事物之间的关系总是错综复杂,很多时候甚至理不清楚,俗话说:清官难断家务事,说的是很多事情是互为因果的。但是,在社会的很多领域里,需要我们理清楚不同事物的关系,这些关系可以分成两种:非确定性的相关关系(相关性分析)和确定性的函数关系(回归)。变量相关性分析的结果还不足够,还需要进一步做变量间的回归分析,确定出准确和符合逻辑的函数关系式,才能预测和估计未来。回归分析就是通过一个或多个自变量对因变量进行解释和预测的统计分析方法原创 2020-08-28 01:19:37 · 11641 阅读 · 0 评论 -
基于spss的偏相关分析(partial correlation analysis)
相关分析是研究两个变量共同变化的密切程度,但有时出现相关的两个变量又同时与另外的一个变量相关,在这三个变量中,有可能只是由于某个变量充当了相关性的中介作用,而另外的两个变量并不存在实质性的相关关系。这种情形导致数据分析中出现“伪相关”现象,造成伪相关现象的变量被称为“桥梁变量”。在数据的相关性分析中,为了摒弃桥梁变量的影响力,发现变量内部隐藏的真正相关性,人们引入了偏相关分析的概念。偏相关分析是在剔除控制变量的影响下,分析指定变量之间是否存在显著的相关性。一、前提在之前进行相关性分析的时候有.原创 2020-08-15 20:12:30 · 26334 阅读 · 4 评论 -
基于spss的相关性分析(correlation analysis)
实际的生产生活中,很多事物之间有着千丝万缕的联系,这些联系有的紧密,有的稀松。表达互相联系事物的依存情况有两种方式:相关关系和回归关系(函数关系)。回归关系是一种确定关系,通过一个或几个事物的取值能够得到另一个事物的取值,这是通过回归方程(函数方程)实现的。相关关系不是确定关系,当一个或几个事物的取值发生变化时,与它(它们)有联系的事物的取值也会发生变化,但变化值不是确定的数值。基于这些区别,在数据分析中,一般先做相关关系的分析,待相关关系清楚以后,再进一步确定不同变量之间的函数关系(回归关系)。原创 2020-08-15 15:55:24 · 34434 阅读 · 7 评论 -
基于spss的主成分分析法(Principal Component Analysis,PCA)
主成分分析(Principal Component Analysis,PCA), 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。在实际课题中,为了全面分析问题,往往提出很多与此有关的变量(或因素),因为每个变量都在不同程度上反映这个课题的某些信息。主成分:由原始指标综合形成的几个新指标。依据主成分所含信息量的大小成为第一主成分,第二主成分等等。目录一、前提数据具有以下特点:1、维度灾难2、变量关系不一般3、主成分与原始变量之间的关系二、PCA算..原创 2020-08-06 02:59:33 · 16833 阅读 · 4 评论 -
基于spss的聚类分析(Cluster analysis)
聚类分析是统计学中研究这种“物以类聚” 问题的一种有效方法,它属于统计分析的范畴。聚类分析的实质是建立一种分类方 法,它能够将一批样本数据按照他们在性质上的亲密程度在没有先验知识的情况下自动进行分类。这里所说的类就是一个具 有相似性的个体的集合,不同类之间具有明显的区别。定义:聚类分析是一种探索性的分析,在分类的 过程中,人们不必事先给出一个分类的标准, 聚类分析能够从样本数据出发,自动进行分类。聚类分析所使用方法的不同,常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析,所得到的聚类数.原创 2020-08-05 19:31:22 · 17693 阅读 · 0 评论 -
基于Lingo的0-1规划 (zero-one programming)
0-1规划是决策变量仅取值0或1的一类特殊的整数规划。这种规划的决策变量仅取值 0或1 ,故称为 0-1 变量或二进制变量 ,因为一个非负整数都可以用二进制计数法用若干个 0-1 变量表示 。 0-1 变量可以数量化地描述诸如开与关、取与弃、有与无等现象所反映的离散变量间的逻辑关系、顺序关系以及互斥的约束条件,因此 0-1 规划非常适合描述和解决如线路设计 、工厂选址 、生产计划安排、旅行购物、背包问题、人员安排、代码选取、可靠性等人们所关心的多种问题。应用:1、互斥计划问题如确定投资项目,选定原创 2020-08-05 03:29:29 · 17056 阅读 · 0 评论 -
排队论 (queuing theory)推论与举例
排队论 (queuing theory),或称随机服务系统理论, 是通过对服务对象到来及服务时间的统计研究,得出这些数量指标(等待时间、排队长度、忙期长短等)的统计规律,然后根据这些规律来改进服务系统的结构或重新组织被服务对象,使得服务系统既能满足服务对象的需要,又能使机构的费用最经济或某些指标最优。它是数学运筹学的分支学科,也是研究服务系统中排队现象随机规律的学科。广泛应用于计算机网络、生产、运输、库存等各项资源共享的随机服务系统。 排队论研究的内容有 3 个方面:统计推断,根据资料建立模型;系统的性态,原创 2020-08-04 19:44:52 · 12748 阅读 · 0 评论 -
种群竞争模型 --- (Lotka-Volterra模型) Logistic回归
模型背景当两个种群为争夺同一食物来源和生存空间相互竞争时,常见的结局是,竞争力弱的灭绝, 竞争力强的达到环境容许的最大容量。使用种群竞争模型可以描述两个种群相互竞争的过程,分析产生各种结局的条件。假设有甲乙两个种群,用以下参数表示两个种群之间的关系: 甲 乙 种群数量 x(t) y(t) 环境容纳量 n1 n2 种群增长率 r1 r2 按照Logistic规律有以下关系: 其中:可以...原创 2020-08-03 23:28:51 · 32866 阅读 · 10 评论 -
灰色预测 GM(1,1) (grey prediction)
灰色系统是黑箱概念的一种推广。我们把既含有已知信息又含有未知信息的系统称为灰色系统. 作为两个极端,我们将称信息完全未确定的系统为黑色系统;称信息完全确定的系统为白色系统.区别白色系统与黑色系统的重要标志是系统各因素之间是否具有确定的关系。灰色生成将原始数据列中的数据,按某种要求作数据处理称为生成. 客观世界尽管复杂,表述其行为的数据可能 是杂乱无章的,然而它必然是有序的,都存在着某种内在规律,不过这些规律被纷繁复杂的现象所掩盖,人们很难直接从原始数据中找到某种内在的规律.对原始数据的生成就是企图从杂原创 2020-08-01 13:57:52 · 3712 阅读 · 0 评论 -
基于spss的多元线性回归(逐步回归法 stepwise regression)
回归分析的基本思想是: 虽然自变量和因变量之间没有严格的、确定性的函数关系,但可以设法找出最能代表它们之间关系的数学表达形式。多元回归分析的由来: 在自变量很多时,其中有的因素可能对应变量的影响不是很大,而且x之间可能不完全相互独立的,可能有种种互相作用的关系。 在这种情况下可用逐步回归分析,进行x因子的筛选,这样建立的多元回归模型预测效果会更好。可以解决的实际问题:收入水平与受教育程度、所在行业、工作 年限、工作种类的关系。 公路客运量与人口增长量、私家车保有量、 国民生产总值、国民收入、工原创 2020-07-31 16:19:19 · 39123 阅读 · 4 评论