2301_76800030的博客

原创 优化类模型：模拟退火模型

原创 优化类模型：群智能算法

原创 评价类模型：遗传算法

原创 评价类模型：多目标规划

1、转化为单目标问题（

原创 预测类模型：自回归移动平均法（arma）

预测的基本原理：通过对已有的数据进行分析和预测，利用数学，统计学等方法，从中得出一个或多个可能发生的结果。按时间顺序排列成一个数值序列就是时间序列，四个特征：趋势性，周期性，季节性，不规则性。（连续性原理）时间序列预测：短期预测较准，长期预测除非发展稳定，否则效果差。arima原理：利用数据本身的历史信息来预测未来。（因果关系原则和相似性原则）回归分析预测。时间预测传统方法：平滑预测法。一般步骤：1、明确预测目标。实现前提：平稳性 差分法。2、收集整理资料和数据。6、预测试与结果分析。

原创 数学模型：动态规划模型

动态规划基本思想：

原创 matlab基础知识

模型评价问题（归一化，负向评价处理，判断矩阵对角线为1，计算特征向量与特征值，求解权重，计算个体得分，混淆矩阵，roc曲线用在二分类，划分特征空间与标签，划分数据集，nse。显著性检验 t检验 [h,p,c,s]=tyest...（数据标准化，数据归一化，目的消除量纲）特征缩放。方差检验 [p,t,s]=anova1(...(检测缺失值，用众数来填补，面向分类特征。用平均值，中位数填补，用箱线图检测异常值。数据可视化 help bar。特征编码（独热编码，标签编码。heatmap热力图。

原创 预测类模型：神经网络预测

CNN卷积神经网络：输入层，卷积计算层，relu激励层，池化层，全连接层。原理：一个黑盒子，通过拟合输入输出之间的超函数关系进行预测。模型有三层：输入层，隐含层（可以连接多层神经元），输出层。步骤：初始化权，网络的权被初始化成很小的随机数。每个样本按x以下步骤处理：向前传播输入。网络更新核心算法：后向传播算法。

原创 预测类模型：logictic回归

基本假设：数据服从logistics分布，用极大似然估计进行参数估计。进行二分类，当函数值>0.5时，分类为1，小于0.5时，分类为0。基本原理：一是把变量输出的范围放在0和1之间，一个就是根据这个0-1的范围做01选择，二分类。属于机器学习的无监督学习。

原创 预测类模型：灰色预测模型

3、累加数列和邻均值等权数列（对每一个对应原始数据序列对应位置的值以及之前的数值累加和，同时生成一个新数列）4、建立关于t的白化形式一阶一元微分方程。使用条件：数据特别少。

原创 评价类模型，模糊综合评价

 超模糊现象： 当指标集U较大，即指标集个数凡较大时，在权矢量和为1的条件约束下，相对隶属度权系数往往 偏小，权矢量与模糊矩阵R不匹配，结果会出现超模糊现象，分辨率很差，无法区分谁的隶属度更 高，甚至造成评判失败，此时可用分层模糊评估法加以改进。 评价的指标之间是相关性不强的，那么这样相关性指标在只考虑这。优点 ⚫ 模糊综合评价法具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合 各种非确定性问题的解决。② 评语集 这个集合就是对因素集中每个指标的评判标准，比如{优秀、良好、差}

原创 评价类模型:TOPSIS综合评价模型

1、客观评价（topsis）预处理：缺失值处理，异常值处理（3σ原则，箱线图），数据归一化（近似于正态分布，用Z-score规范化）topsis讲解：核心思想是确定好各项指标的正理想解和负理想解，然后计算各个方案与正理想解和负理想解的欧氏距离。2、熵权法的原理实现：计算每个指标的信息熵来确定其决策的重要程度。，正向化处理（极小型，中间型，区间型号指标，客观评价）4、计算个方案到最优解和最劣解的距离。主要步骤：1、数据预处理。1、向量规范法求决策矩阵。3、确定最优解和最劣解。3、计算准则的信息熵。

原创 评价类模型，层次分析法

第三步：层次单排序及一致性检验：计算其最大 特征根λmax和对应的特征向量Wi对特征向量Wi进行归一化处理，计算一致性指标CI 和随机一致性指标RI，进而计算一致性比例CR = CI / RI。第二步：构造判断（成对比较）矩阵：构造一个关于因素层P中各个元素两两比较的判断矩阵Ai。方法解 第一步：建立层次结构模型，设目标层为O，准则层为C = {C1, C2, ..., Cn}，因素层（或方案 层）为P = {P1, P2, ..., Pm}。：评价指标本身的数 学量化，评价指标之间的数学综合。

原创 ,mysql基础知识

DECIMAL(3,2) 有小数点的数。TIMESTAMP 记录时间。INT 整数。VARCHAR(10) 字串。DATE 日期。

原创 SPSSPRO用法

（聚类算法）数据分析：将紧密相连的核心点化为一个聚类。评价类：层次分析法：给出各指标之间重要程度，分析。缺失值处理：对缺失值识别和处理。数据标准化：使数据去量纲化。预测类：（灰色预测模型）*选择指标，绘制的图形。异常值处理：识别异常值。

原创 数学建模常用算法总结

bos-jenkins法。topsis综合评价算法（指标相对较多，各指标之间保持独立）灰色关联分析法（数据量较小，样本数据具有时间序列特性）神经网络算法（评价新颖问题，传统方法难获得指标权重）时间序列预测（定量预测）（预测随时间变化，进行中长期预测）{移动平均。马尔科夫预测（系统未来时刻的情况之和现在有关和过去无关）神经网络预测（少见）（数据量较大，自变量维度较高）线性规划（目标函数与约束函数均为线性函数）kendall秩相关系数。sperman相关系数。logistics回归。copula相关系数。

原创 数学模型之聚类分析

聚类：将两个特征量聚类q型聚类：样品{n个样品的r元数据看成一个点，样品的相似度--距离d（xi，xj）1、欧氏距离√）2、绝对距离（×）3、明氏距离4、切氏距离5、方差加权距离6、马氏距离（√）}r型聚类：指标{两指标的相似度--相似系数1、夹角余弦2、相似系数}类别G包含很多样本 {1、样本之间最短距离位类别最短距离2、最长距离3、重心距离--样本平均值 }步骤：谱系聚类法1、n个样本n个类，计算两距离矩阵2、找最小距离，合并新类3、制作出谱系聚类图4、步骤：k平均聚类算法