电势、电位、电压、负电压的理解

已于 2023-10-04 15:47:00 修改
阅读量2.1k 收藏 13
点赞数 6
文章标签： 嵌入式硬件
于 2023-10-03 21:30:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_56073998/article/details/133526811
版权

目录

一、电势

二、电位

三、电压

四、负电压

 五、练习

六、参考博客和视频

一、电势

电势 == 电位，电路中的电势与静电学的电势在概念的描述上有差异

二、电位

在电位中选定一个参考点，则该点的电位为0，其余点对该参考点的电压值就是该点的电位值，我们一般用符号Vx表示。如图1所示，Va就表示a点的电位。

图1 电位描述

三、电压

电压就是两点之间的电位差，用Uxx表示。图中电阻的电压可用Uab表示，Uab=Va-Vb。Va>Vb则Uab>0,因此图中的Uab为正值，若Va<Vb,则Uab为负值。

 图2 电压描述

四、负电压

对于负电压的理解，我们可以先用我们在生活中常常比较的身高来理解。

假定图中小人叫小明，小明身高1.8m，当他站在地面之上时，我们说他的头高1.8m，当他站在地面之下时，我们说他的脚高-1.8m，但我们要注意到他的身高是没有变化的，还是1.8m。

 图3 身高形象表示图

 负电压的形成往往也是如此。

如图4所示，电池电压为5V，通常我们说正极为+5V的情况，是我们默认把负极接地。

 图4 电压形成

如图5所示，电池电压为5V，若我们把正极接地，则负极输出-5V。因为参照点改变电池电压不变（电压不变的概念同身高），此时正极的电位为0，因此只有负极输出-5V，才能够满足电池电压不变的条件。

 图5 负电压形成

 五、练习

 问：试算U1和U2的电压，以及点a、b、c的电位

 图6 分析题1

 图7 分析题2

六、参考博客和视频

电压，电位与电势之间的区别与联系

负电压？这是个什么东东？

熵值法（熵权法）
2202_76035290的博客
05-29 4141
熵值法（Entropy Method）是一种多属性决策分析方法，主要用于权重确定、排序和评价。它在风险评估、资源配置、环境管理等领域得到广泛应用。熵值法的核心思想是基于信息熵的概念，利用信息熵来度量各属性对决策的贡献程度，从而确定各属性的权重。
excel熵值法计算权重_如何寻找决策最优解？熵权TOPSIS助你科学决策
weixin_39613208的博客
11-23 1635
熵权topsis是一种融合了熵值法与TOPSIS法的综合评价方法。熵值法是一种客观赋值法，可以减少主观赋值带来的偏差；而topsis法是一种常见的多目标决策分析方法，适用于多方案、多对象的对比研究，从中找出最佳方案或竞争力最强的对象。熵权topsis是先由熵权法计算得到指标的客观权重，再利用TOPSIS法，对各评价对象进行评价。熵权topsis法分析步骤通常可分为以下三步：（1）数据标准化（2）熵...
序关系分析法、熵权法、反熵权法、TOPSIS综合应用(matlab版+python版)
WConstelltion的博客
03-31 1万+
# 程序名称## > 序关系分析法、熵权法、反熵权法、TOPSIS综合应用(matlab版+python版) # 程序功能(对象) 1. 适用于对两个及以上的对象进行综合评估； 2. 主观赋权法：序关系分析法(输入专家对指标排序及相邻指标相对重要程度) 3. 客观赋权法：反熵权法(输入各评估对象的指标原始值) 4. 综合权重法：TOPSIS(输入指标主客观权重值) 5. 输出：评估对象的综合权重以及综合评分值对比 6. 应用领域：根据需求而定，博主研究领域是配电网评估以下均在该领域计算
【数学建模】熵权法
欢迎来到我的CSDN个人博客主页！
03-18 2837
本文介绍了数学建模中常用的熵权法。熵权法是一种常用的用于多指标决策问题中的权重确定方法，它通过对决策矩阵的熵值进行计算，来自动地评估各个指标的权重。熵值能够反映各个指标的不确定性，熵值越小，表明该指标的信息量越大，反之亦然。熵权法可以避免人为设定权重的问题，通过熵权法确定的权重是一个客观量，只和数据本身的性质有关。熵权法在多目标优化问题中具有广泛的应用。
熵权法和熵权TOPSIS在指数构建中的区别与优劣势比较
lyxathena的博客
07-04 5427
熵权法和熵权TOPSIS是两种在多属性决策分析中常用的方法，它们之间既存在联系又有所区别。
建模笔记——熵值法&熵权法（python）
枠成
08-15 4万+
熵值法&熵权法-python实现 时隔老久，重新整理一下笔记。仅供个人自学使用，读者自行参考 Reference： 存了不知道多久的本地文件 司守奎，python数学实验与建模，2020 https://www.zhihu.com/question/357680646/answer/943628631 https://www.jianshu.com/p/638cb1eaec43 https://blog.csdn.net/mycafe_/article/details/79285762?biz_i
熵权法的介绍和实际例子的应用
04-09
熵权法的理论介绍，赋权步骤以及相关实际例子的应用。
熵值法与TOPSIS法以及两者结合
积一时之步，臻千里之遥程
05-05 8万+
熵值法的主要目的是对指标体系进行赋权，而TOPSIS则是通过逼近理想解的程度来评估各个样本的优劣等级。 一、熵值法 二、TOPSIS法 三、熵值法与TOPSIS法结合 ...
熵权法的运用
qq_46721967的博客
08-22 3045
熵权法与层次分析法都是确定指标权重的方法。 熵权法主要是依据指标的变异程度，进行客观的给指标赋权重。 层次分析法主要是依据专家（个人）主观的进行两两比较，最后给指标赋权重。 我们可以用指标的标准差来衡量样本的变异程度，指标的标准差越大，其信息熵越小。 建议：比较适合运用于有数据的评价问题，熵权法与Topsis方法联合使用。 该方法一般与Topsis方法联合使用，以下是计算熵权部分的代码： [n,m] = size(Z); D = zeros(1,m); % 初始化保存信息效.
基于熵权法优劣解距离法_基于熵权改进TOPSIS模型研究.doc
weixin_39713578的博客
12-19 909
基于熵权改进TOPSIS模型研究基于熵权改进TOPSIS模型研究摘 要 关于科技期刊的评价指标和评价方法的研究是近年来学术界的热门话题，本文给出一种基于熵权的改进的TOPSIS模型，用于处理多指标多目标的期刊评价问题。首先分析了常用的一些评价指标并选出4个最能综合体现期刊影响的指标系，然后引进熵权确定每个指标的权值，再用TOPSIS方法对处理得到理想结果的排序，从而实现对期刊的评价。本文使用该模型...
熵值法面板数据熵值法的stata代码.rar
04-21
说明： 此压缩文件里面包含面板数据熵值法的stata代码，每一步都有详细的解释，并且附有样本和数据，方便学者理解和掌握。(This compressed file contains the stat a code of panel data entropy method, each step...
熵值法确定权重_matlab程序_熵值法确定权重MATLAB程序_熵值法_
10-03
熵值法是一种在多属性决策分析中广泛应用的权重分配方法，它基于信息论中的熵概念。熵原本是用来度量一个系统的不确定性的，而在权重确定中，熵值法用于量化各个属性对整体决策的不确定性贡献，进而确定各属性的重要...
熵值法_stata熵权法_熵权法stata_熵值法stata_state熵值法_面板数据熵值法stata代
09-10
熵值法是一种在决策分析和信息处理中广泛应用的权重分配方法，它基于信息熵理论，通过对数据的不确定性进行量化，来确定各个因素的重要性。在Stata软件中，熵值法可以用于处理面板数据，帮助研究人员更准确地评估各...
熵值法_熵值法求权重等stata的do文件_
10-02
熵值法是一种在数据分析和决策支持中广泛应用的权重分配方法，尤其在处理多目标决策问题时。这种方法基于信息论中的熵概念，通过计算各指标的信息熵来确定其权重，以反映指标的重要性和不确定性。在Stata软件中，...
熵值法,熵值法确定权重步骤
09-10
熵值法是一种在决策分析和信息处理中广泛应用的权重分配方法。它基于信息论中的熵概念，通过衡量信息的不确定性来确定各个因素的相对重要性。在数据分析领域，尤其是在使用Stata这样的统计软件进行面板数据分析时，...
topsis熵权法_Topsis优劣解距离法
weixin_39761696的博客
12-15 4415
TOPSIS优劣解距离法 topsis是常用的综合评价方法，其能充分利用原始数据的信息，其结果能精确地反映个评价方案之间的差距。 构建公式：(X-MIN)/MAX-MIN（极大型指标） 计算出评分，在归一化（即除以总的评分） 极小型指标（成本型指标） 计算得分：（x-min）/ (max-min)即距离的公式 （x-min）/(max-x)+(x-min) topsis的步骤 1.将原始矩阵转化成...
雷达多普勒频率计算公式_【最新成果】一种基于微波光子超高分辨雷达机翼振动参数估计方法...
weixin_39770821的博客
11-18 275
传统微波雷达受限于电子技术，在大宽带高速毫米波信号的产生、控制和采样等方面遇到很多问题。微波光子雷达将光子技术与传统微波技术结合，具有大带宽，低传输损耗和抗电磁干扰等特性，突破了传统微波雷达的瓶颈，Nature 评价其为“照亮雷达未来”的关键技术。虽然微波光子雷达的大带宽和短波长大幅地提升了雷达分辨率，但是这也使得雷达信号对目标的运动非常敏感，甚至微小的运动误差都会造成雷达图像的散焦。图...
熵权法
热门推荐
静下心来好好学习
02-08 12万+
@20171107 熵权法的原理 1 信息熵Information Entropy 2 熵权法 熵权法的计算步骤 1 确定指标体系 2 数据预处理 3 归一化处理 4 计算指标的熵和权 5 指标加权计算得分 总结 示例 1 熵权法的原理 1.1 信息熵（Information Entropy） 熵是热力学的一个物理概念，是体系混乱度或无序度的度量，熵...
学习笔记---基于熵权法的优劣解距离法
m0_49169232的博客
01-26 2175
Topsis原理引例步骤不足改进 原理 其基本原理，是通过检测评价对象与最优解、最劣解的距离来进行排序，若评价对象最靠近最优解同时又最远离最劣解，则为最好；否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。它是一种常用的综合评价方法，能充分利用原始数据的信息，其结果可以精确地反映各评价方案之间的差距。 引例 我们想通过四名同学的高数成绩对他们评分， 姓名 成绩 排名 修正后排名 得分 小明 89 2 3 3\10=0.3 小王 96
熵权TOPSIS法
最新发布
04-02
<think>嗯，用户想了解熵权TOPSIS法的实现代码和计算方法，我需要先整理相关知识。首先，熵权法用于确定权重，TOPSIS则是进行综合评价。结合两者的步骤应该是先标准化数据，计算熵权，再用TOPSIS评估。 根据引用[1]，熵权TOPSIS结合了熵值法确定权重和TOPSIS的评价步骤。需要确保数据标准化处理正确，可能使用极差标准化。然后计算信息熵，得到各指标的权重。之后，构建加权矩阵，计算正负理想解，最后是接近度。 用户可能需要Python或Matlab的代码示例。引用[1]提到Matlab实现，而引用[3]有Python相关内容。考虑到用户可能更常用Python，选择Python示例更合适。但需要确认代码的正确性，比如标准化方法是否正确，是否有处理负向指标的情况。 另外，用户可能对数据处理步骤不太清楚，比如归一化和指标方向调整。要解释正向化处理，比如将成本型指标转化为效益型。代码中需要包含这些步骤，或者提醒用户注意数据预处理。 熵权法的计算步骤包括标准化、计算比重、信息熵、差异系数和权重。TOPSIS部分则是加权标准化矩阵、理想解、距离计算和接近度。要确保每一步的公式正确，比如信息熵的计算需要避免取0的情况，通常会加一个极小值。 用户的问题可能还包括如何处理不同量纲的指标，所以数据标准化是关键。引用[2]提到TOPSIS对数据分布要求低，但需要处理指标方向。在代码中，可能需要区分正向和负向指标，并进行相应处理。 可能的问题点：熵权法是否适用于所有类型的数据？需要说明其适用性，比如在数据不确定性大时更客观。同时，TOPSIS不考虑权重的缺点被熵权法弥补，如引用[3]所述，所以两者的结合是合理的。 最后，代码示例要清晰，步骤注释详细，确保用户能逐步实现。可能还需要提醒常见错误，比如数据中含有负数或零，如何处理这些情况，比如在计算信息熵时加上一个很小的正数避免log(0)的错误。</think>### 熵权TOPSIS法实现详解 #### 一、方法原理 1. **熵权法**：通过信息熵计算指标权重，消除主观因素影响。信息熵越小，指标变异程度越大，权重越高[^1]。 2. **TOPSIS法**：计算各方案与正/负理想解的相对接近度进行排序。正理想解为各指标最优值集合，负理想解为各指标最劣值集合[^2]。 #### 二、实现步骤 1. **数据标准化** $$ x_{ij}' = \frac{x_{ij} - \min x_j}{\max x_j - \min x_j} \quad (\text{正向指标}) $$ $$ x_{ij}' = \frac{\max x_j - x_{ij}}{\max x_j - \min x_j} \quad (\text{负向指标}) $$ 2. **计算熵权** $$ p_{ij} = \frac{x_{ij}}{\sum_{i=1}^n x_{ij}} \quad (\text{数据比重}) $$ $$ e_j = -\frac{1}{\ln n} \sum_{i=1}^n p_{ij} \ln p_{ij} \quad (\text{信息熵}) $$ $$ w_j = \frac{1 - e_j}{\sum_{k=1}^m (1 - e_k)} \quad (\text{权重}) $$ 3. **TOPSIS计算** $$ V = X \times W \quad (\text{加权标准化矩阵}) $$ $$ D_i^+ = \sqrt{\sum_{j=1}^m (v_{ij} - v_j^+)^2} \quad (\text{正理想解距离}) $$ $$ D_i^- = \sqrt{\sum_{j=1}^m (v_{ij} - v_j^-)^2} \quad (\text{负理想解距离}) $$ $$ C_i = \frac{D_i^-}{D_i^+ + D_i^-} \quad (\text{相对接近度}) $$ #### 三、Python代码示例 ```python import numpy as np import pandas as pd def entropy_weight_topsis(data, positive_cols): # 数据标准化 data_norm = data.copy() for col in data.columns: if col in positive_cols: data_norm[col] = (data[col] - data[col].min()) / (data[col].max() - data[col].min()) else: data_norm[col] = (data[col].max() - data[col]) / (data[col].max() - data[col].min()) # 计算熵权 p = data_norm / data_norm.sum(axis=0) e = (-1 / np.log(len(data))) * (p * np.log(p)).sum(axis=0) weights = (1 - e) / (1 - e).sum() # 加权标准化 weighted_matrix = data_norm * weights # 确定理想解 positive_ideal = weighted_matrix.max(axis=0) negative_ideal = weighted_matrix.min(axis=0) # 计算距离 d_plus = np.sqrt(((weighted_matrix - positive_ideal)**2).sum(axis=1)) d_minus = np.sqrt(((weighted_matrix - negative_ideal)**2).sum(axis=1)) # 计算接近度 closeness = d_minus / (d_plus + d_minus) return closeness.sort_values(ascending=False) # 示例数据 data = pd.DataFrame({ '销售额': [500, 800, 600], '成本': [200, 150, 180], '满意度': [0.8, 0.9, 0.7] }) result = entropy_weight_topsis(data, positive_cols=['销售额','满意度']) print("方案排序结果:\n", result) ``` #### 四、数据处理要点 1. **指标方向统一**：需明确区分正向指标（越大越好）和负向指标（越小越好） 2. **数据归一化**：消除量纲差异，建议采用极差标准化 3. **零值处理**：计算信息熵时需避免p=0，可添加极小值ε=1e-6 #### 五、常见应用场景 1. 供应商选择 2. 投资项目评估 3. 城市发展水平评价 4. 医疗质量评估
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值