- 博客(20)
- 收藏
- 关注
RSS订阅原创 数学建模学习18（划水）
2.8 机器学习定义 分类：监督学习 主要学传统的监督学习 半监督学习更得到关注 强化学习 step1特征提取 step2特征取舍 step3支持向量机 step4划线分类2 BP神经网络 转载 clear all clc k=2; p=[-1:0.01:8]; g=1+sin(k*pi/2*p); plot(p,g,'-'); title('要逼近的非线性函数'); xlabel('时间'); ylabel('非线性函数'); n=5; net=newff(minmax(p),
2022-02-08 20:18:09
696
原创 数学建模学习17（最短距离、BP神经网络）
第二篇2022.2.7 论文E2113869 用到的模型： 1、BP神经网络 2、Dijkstra algorithm 处理最短路径问题 Floyd算法 代码 clc,clear A=[0,1,4; 1,0,1; 4,1,0]; n=3; for k=1:n for i=1:n for j=1:n t=A(i,k)+A(k,j); if t<A(i,j) A(i,j)=t
2022-02-07 20:49:28
1044
原创 数学建模16（阻滞增长模型、BP神经网络）
论文E 2021 2102057 本文将环境与公平因素与经济因素相结合，建立了一个环境-公平-经济模型(EEE模型)，重新优化了当前的食品体系。EEE模型由三个联锁的子模型组成。它们分别是环境可持续性模型、食品分配公平性模型和经济效益-成本分析模型。通过考虑到一些参数，可持续性和公平性将因牺牲经济利益而升级为优先事项。 1、环境模型涉及三个环境指标，即温室气体(GHG)排放和食品系统的富营养化排放和粮食生产中的土地利用。 降低指标：改变国民公民的饮食组成 用到的模型：逻辑模型，引入时间系数r预测..
2022-02-06 18:37:49
1957
原创 数学建模学习12
新年假期结束，我又回来啦！ 1、回归拟合 一次二次拟合： 主要涉及线性回归 一次回归、二次回归（附python代码），剩下的机器学习没看懂，哼唧继续加油 import matplotlib.pyplot as plt import numpy as np from sklearn import linear_model #进行线性回归 # 读取数据集 datasets_X = [] datasets_Y = [] fr = open('E://prices.txt','r') lines = f
2022-02-04 20:50:36
1017
原创 数学建模学习13
前言：感觉北理的机器学习MOOC我听的迷迷糊糊的，明年继续吧，新年快乐咯！ 五、降维之PCA 主成分分析（PCA） 是最常用的一种降维方法 应用：高维数据集的探索与可视化 用作数据压缩和预处理 PCA可以把具有相关性的高位变量合成线性无关的低维变量，称为主成分。主成分 能够尽可能保留原始数据的信息。 方差 协方差 特征向量 原理： 六、非负矩阵方法以及实例应用 非负矩阵分解是在矩阵中所有元素均为非负数约束条件下的矩阵分解方法 分解出W（特征矩阵）和H（系数矩阵）相乘 广泛应用于：图像分析、文本挖掘和语
2022-01-31 18:17:51
2161
原创 数学建模学习12
oh dear，竟然昨天忘了发 解决问题 建模比赛中最基础的模型之一，其主要用于解决评价类问题（例如：选择哪种方案最好、哪位运动员或者员工表现的更优秀），用于确定每个指标所占权重，权重用于计算最终得分。 优点 层次分析法最大的缺点在于判断矩阵的确定依赖于专家，如果专家的判断存在主观性的话， 会对结果产生很大的影响。 熵权法是一种客观赋权方法 ，它依据的原理是：指标的变异程度越小，所反映的信息量也越少，其对应 的权值也应该越低（客观= 数据本身就可以告诉我们权重） 缺点： 因为概率p是位于0‐1之间，
2022-01-30 21:20:22
616
原创 数学建模学习11
前言：发现好多都离不开机器学习，那就先学上一丢丢，小羊冲呀 今日份之——聚类 一、 1、机器学习分类： 监督学习 无监督学习 强化学习 半监督学习 深度学习 Scikit-learn 主要学习：分类 聚类 回归 降维 模型选择 数据的预处理 2、sklearn库安装 numpy scipy matplotlib sklearn 3、标准数据集及其功能 波士顿房价数据集 二、无监督学习 利用无标签的数据学习数据的分布或数据与数据之间的关系被称作无监督学习 常用的场景是聚类和降
2022-01-30 21:14:48
1108
原创 数学建模学习10
O奖论文F题 为了建立国家高等教育健康指数评价模型，我们考虑了5个优指标和23个较差指标。我们进行复杂但有意义的数据处理，并使用不同的方法来转发和标准化数据。考虑到计算权重的误差，我们综合了主观分析层次过程、客观熵权法和变异系数法，最大限度地消除了主观误差和数据误差，采用组合权重法使模型更加准确。然后采用TOPSIS综合评价方法计算NHHE。最后，我们将40个国家纳入其评价模型，并对其计算结果进行了模糊聚类分析。绘制三条标准线，NHHE评分大于0.5的定义为超健康。得分在0.36-0.5之间定义为不健康，小
2022-01-28 20:28:41
1194
原创 数学建模学习8
F论文 p10-p25 4、KS算法检验是否符合正态分布 K-S检验理论 K-S可以检验总体是否服从某种已知的理论分布，通过比较实际频数和期望频数，来检验拟合程度。 转载 原假设和备择假设： H0:S（x）=F( x )， H1:S（x）!=F( x ) 样本观测值实际累计概率为S（x）,理论累计概率为F(x),实际和理论的差值为D D=max( |S（xi）-f（xi）| ) 因为累计概率是离散值，要做修正，修正为： D=max（( |S（xi）-f（xi）| )，( |S（xi
2022-01-27 20:51:10
2907
原创 数学建模学习8
o奖论文——F P1——10页 1、找数据 我们选择了2009年至2018年期间来自50个国家的14个指标的原始数据。然后通过柯尔莫戈罗夫-Smirnov检验验证了数据的分布规律，并选择80%的分位数作为接受范围（健康范围） 2、我们使用分析层次过程来确定每个指标的权重。该结果可以用来衡量特定国家的健康状况。我们还建立了使用dea-马尔姆奎斯特模型来检验可持续性的方法。• 3、代入国家 然后，我们将我们的模型应用到五个选定的国家 4、，我们选择了具有较大上行潜力的印度，作为我们研究的案例。在评
2022-01-26 21:54:14
321
原创 数学建模学习7
前言：层次分析、蒙特卡罗、BP神经系统网络 %层次分析 disp('请输入判断矩阵A') A=input('A='); [n,n] = size(A); % % % % % % % % % % % % %方法1： 算术平均法求权重% % % % % % % % % % % % % Sum_A = sum(A); SUM_A = repmat(Sum_A,n,1); Stand_A = A ./ SUM_A; disp('算术平均法求权重的结果为：'); disp(sum(Stand_A,2)./n)
2022-01-24 20:39:15
242
原创 数学建模学习6
前言：BP神经网络-蒙特卡罗方法-层次分析法，相应代码明天补 BP神经网络基本原理简介 一个神经网络的典型结构 输入层-隐藏层-输出层算法 算法的改进：往往改隐藏层 同一层的神经元不连接 不同层的神经元全连接 连接会出现权值 不需要构建关系式，只需要构建权值 人工神经网络是由具有适应性的简单单元组成 得广泛并行互联的网络，它的组织能够模拟生物神经系统 对真实的世界物体做出的交互反应 人工神经网络具有自学、自组织、较好的容错性和优良的非线性逼近 能力。 神经元模
2022-01-23 19:06:10
928
原创 数学建模学习5
前言：非线性规划以及灰色预测模型 笔记： 灰色预测模型 灰色系统的定义和特点： 定义： 黑箱概念的一种推广。既含有已知信息，又含有未知信息的系统称为灰色系统 特点： 1）用灰色数学处理不确定量，使之量化 2）充分利用已知信息寻求系统的运动规律 3）能处理贫信息系统 时间序列短、统计数据少、信息不完全系统的分析与建模 1灰色预测： 1）数列预测 2）灾变与异常值预测 3）季节灾变与异常值预测 2模型 1）数据的预处理 2）建模原理 3）精度的检验 残差检验 .
2022-01-22 18:34:41
649
原创 数学建模学习4
插值与拟合 插值：求过已知有限个数据点的近似函数。 拟合：已知有限个数据点，求近似函数，可不过已知数据点，只要求在某种意义 下它在这些点上的总偏差最小。 拟合来找关系、做预测 插值问题不一定得到近似函数的表达式 拟合： 代码如下 clear clc x=[19, 25, 31,38,44]'; y=[19.0 32.3 49.0 73.3 97.8]'; r=[ones(5,1),x.^2]; x0=19:0.1:44; a=polyfit(x,y,2); .
2022-01-21 12:56:59
506
原创 数学建模3
1、什么叫数学建模 数学模型： 对于一个现实对象，为一个特定目的，根据其内在规律，作出必要的简化假设。运用适当的数学工具，得到一个数学结构。 数学建模： 建立数学模型的全过程（包括表述、求解、解释、检验） 2、建模步骤 模型准备——模型假设——模型建立——模型求解——模型分析——模型检验——模型应用 3数学建模有什么问题 数据处理——关联与分析——分类与判别——评价与决策——预测与预报——优化与控制 I数据处理： 1）差值拟合 2）小波分析、聚类分析（高斯混合聚类，K-均值聚类）用于诊
2022-01-20 20:49:39
625
原创 数学建模学习2
前言：好像2021年的F题比较友好一点，起码能看懂个80%，呜呜呜。 2102185 summary： 段落1阐述背景 段落2-5 1、建三维交叉对比模型：这三个维度是成本和资本、获取性和公平性，以及学术水平。对于每个维度，有一个或两个可量化的指标。这5个指数包括支出指数、性别权益指数、入学指数、研究水平和教育质量指数、国际化指数，由14个因素计算。 2、应用到几个国家 3、修改为垂直对比模型 4、讨论政策实施的有效性 关键词：高等教育体系、健康、可持续性、交叉对比、垂直对比、相对得分、愿
2022-01-19 19:47:45
471
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人