1295. 负权数

/*1295. 负权数
*/
#include<iostream>
#include<memory.h>
#include<algorithm>
#include<string>
#include<cmath>
using namespace std;
int main()
{
    string n;
    int N;
    
    while(cin>>n && n != "#")
    {   
        N = atoi(n.c_str());
        int r;
        cin>>r;
        char display[]={'0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F'};
        int mod[50];
        if(N==0)
        {
            cout<<0<<endl;
        }
        else
        {
            int i=0;
            while(N!=0)     
            {
                int x=N/r;   
                int y=N-(x*r);    
                N=N/r;       
                if(y<0)   
                {
                    y=y+abs(r);   
                    N++;
                }
                mod[i]=y;
                i++;
            }
            for(int j=i-1;j>=0;j--)
            {
                cout<<display[mod[j]];
            }
            cout<<endl;
        }
    }
    system("pause");
    return 0;
}

### 权数计算方法综述 权数在数据分析和数学建模中起着至关重要的作用,不同的场景下有不同的计算方式。常见的几种权数计算方法如下: #### 1. 层次分析法 (AHP) 层次分析法通过构建判断矩阵来确定各个因素之间的相对重要性。对于给定的因素集,两两比较并赋予权重,最后经过一致性检验得出各因素的权重向量。 #### 2. 熵权法 熵权法是一种基于信息理论的方法,利用数据本身的离散程度来决定权重。具体来说,如果某个指标的变化范围较大,则认为该指标提供了更多的有效信息,赋予较高的权重;反之则较低。计算公式为: \[ e_j=-k\sum_{i=1}^{m}(p_{ij}\ln p_{ij}) \] 其中 \( k=\frac{1}{\ln m}, p_{ij}=x'_{ij}/\sum^n_{j=1}x'_{ij} \),\( x'_{ij} \) 表示标准化后的数值[^3]。 ```python import numpy as np def entropy_weight(data): # 数据预处理:标准化 data = data / data.sum(axis=0) # 计算概率分布 prob = data / data.sum() # 防止log(0), 加上极小值 ln_prob = np.log(prob + 1e-6) # 计算熵值 ent = -prob * ln_prob # 归一化熵值 norm_ent = ent / ent.sum(axis=0) # 计算权重 weight = 1 - norm_ent return weight / weight.sum() data = np.array([[...]]) # 输入你的数据矩阵 weights = entropy_weight(data) print(weights) ``` #### 3. 主成分分析法 (PCA) 虽然主成分分析主要用于降维,但在某些情况下也可以用来估算变量的重要性或贡献率,即所谓的“特征根”。较大的特征根对应的主成分解释了原始数据更大的变异比例,因此可视为更重要的维度。 #### 4. 灰色关联度分析法 此方法适用于少量样本的数据序列间关系的研究。它通过对不同曲线形状相似性的测量来评估它们之间联系紧密的程度,并据此分配相应的权重。需要注意的是,这种方法更适合于时间序列类型的连续观测值集合。 #### 5. 因子分析权数法 因子分析旨在识别潜在结构背后的影响要素——公因子,并估计各自所占的比例。这些比例可以直接作为衡量各项指标影响力的依据之一。 以上就是关于权数计算的一些常见技术和应用场景介绍。每种技术都有其特点以及适用场合,请根据实际需求选择合适的方式来进行权数设定。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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