精华内容
下载资源
问答
  • 2021-04-18 12:19:08

    灰色关联分析(matlab)

    所属分类:matlab例程

    开发工具:matlab

    文件大小:17KB

    下载次数:10

    上传日期:2019-05-28 23:10:56

    上 传 者:木易人左

    说明:  灰色系统理论提出了对各子系统进行灰色关联度分析的概念,意图透过一定的方法,去寻求系统中各子系统(或因素)之间的数值关系。因此,灰色关联度分析对于一个系统发展变化态势提供了量化的度量,非常适合动态历程分析。 计算步骤 ? 确实参考数列与比较数列 ? 对参考数列与比较数列进行无量纲化处理 ? 计算关联度

    (The grey system theory puts forward the concept of grey relational degree analysis for each subsystem. The purpose is to find the numerical relationship among subsystems (or factors) in the system through certain methods. Therefore, the grey relational degree analysis provides a quantitative measure for the development and change of a system, which is very suitable for dynamic process analysis. Computing steps_Independent reference sequence and comparison sequence_Dimensionless processing of reference sequence and comparison sequence_Computing correlation degree)

    文件列表:[举报垃圾]

    灰色关联分析(matlab), 0 , 2019-05-16

    灰色关联分析(matlab)\gray.m, 684 , 2019-04-30

    灰色关联分析(matlab)\gray_data1.xlsx, 8945 , 2019-04-30

    灰色关联分析(matlab)\gray_data2.xlsx, 10474 , 2019-04-30

    近期下载者:

    相关文件:

    收藏者:

    更多相关内容
  • 灰色关联分析matlab

    2017-04-18 09:11:04
    灰色关联分析matlab代码
  • 灰色关联分析Matlab代码[比赛已经用过,保真好使]
  • 邓聚龙提出的灰色关联分析算法的实现过程。可以在此基础上进行二次开发。
  • 灰色关联分析matlab代码

    热门讨论 2009-03-12 11:14:07
    灰色关联分析matlab代码 计算方法参考文献:王宁练:冰川平衡线变化的主导气候因子灰色关联分析 冰川冻土
  • 灰色关联分析Matlab源代码
  • 【数学建模】灰色关联分析+Matlab代码实现

    万次阅读 多人点赞 2020-12-11 10:25:01
    3.灰色关联分析代码实现(Matlab) 学习时间: 2020.12.11 学习产出: 1.灰色关联分析基本思想 2.运用灰色关联分析的基本步骤 ①确定分析数列 母序列(又称参考数列,母指标):能反映系统行为特征的数据序列——>...

    学习内容:

    1.灰色关联分析的基本思想
    2.运用灰色关联分析的基本步骤
    3.灰色关联分析代码实现(Matlab)


    学习时间:

    2020.12.11


    学习产出:

    灰色关联分析基本思想

    在这里插入图片描述

    运用灰色关联分析的基本步骤

    ①确定分析数列
    母序列(又称参考数列,母指标):能反映系统行为特征的数据序列——>类似与因变量Y
    子序列(又称比较数列,子指标):影响系统行为的因素组成的数据序列——>类似与自变量X
    ②对变量进行预处理(去量纲,缩小变量范围,简化计算),先求出每个指标列的均值,再用该指标列的每一个元素都除以该指标列的均值
    ③用子序列中每一个元素减去对应母序列中同一行的那个元素,并取绝对值,由此得到一个新矩阵new_X。
    记a为矩阵中的最小元素,b为矩阵中的最大元素,分辨系数ro通常为0.5,那么每一个元素对应母序列的关联系数为 a+ro*b./(new_X+ro*b) ,然后,我们再对得到的关联系数矩阵求每一列均值,得到的最后结果gamma就是每一个指标对于母序列的灰色关联度

    灰色关联分析代码实现(Matlab)

    应用一:分析产业对GDP的影响程度

    数据:
    在这里插入图片描述

    %% 应用一:分析产业对GDP的影响程度
    clear;clc;
    load data.mat;
    r = size(data,1);
    c = size(data,2);
    %第一步,对变量进行预处理,消除量纲的影响
    avg = repmat(mean(data),r,1);
    data = data./avg;
    %定义母序列和子序列
    Y = data(:,1); %母序列
    X = data(:,2:c); %子序列
    Y2 = repmat(Y,1,c-1); %把母序列向右复制到c-1列
    absXi_Y = abs(X-Y2)
    a = min(min(absXi_Y)) %全局最小值
    b = max(max(absXi_Y)) %全局最大值
    ro = 0.5; %分辨系数取0.5
    gamma = (a+ro*b)./(absXi_Y+ro*b) %计算子序列中各个指标与母序列的关联系数
    disp("子序列中各个指标的灰色关联度分别为:");
    ans = mean(gamma)
    

    输出结果为:

    子序列中各个指标的灰色关联度分别为:
    
    ans =
    
        0.5084    0.6243    0.7573
    

    应用二:灰色关联分析评价河流情况

    数据:
    在这里插入图片描述

    %应用二:灰色关联分析评价河流情况
    clear;clc;
    load X.mat;
    %获取行数列数
    r = size(X,1);
    c = size(X,2);
    %首先,把我们的原始指标矩阵正向化
    %第二列中间型--->极大型
    middle = input("请输入最佳的中间值:");
    M = max(abs(X(:,2)-middle));
    for i=1:r
          X(i,2) = 1-abs(X(i,2)-middle)/M;
    end
    %第三列极小型--->极大型
    max_value = max(X(:,3)); 
    X(:,3) = abs(X(:,3)-max_value);
    %第四列区间型--->极大型
    a = input("请输入区间的下界:");
    b = input("请输入区间的下界:");
    M = max(a-min(X(:,4)),max(X(:,4))-b);
    for i=1:r
           if (X(i,4)<a)
                X(i,4) = 1-(a-X(i,4))/M;
           elseif (X(i,4)<=b&&X(i,4)>=a)
               X(i,4) = 1;
           else
               X(i,4) = 1-(X(i,4)-b)/M;
           end
    end
    disp("正向化后的矩阵为:");
    disp(X);
    %把正向化后的矩阵进行预处理,消除量纲的影响
    avg = repmat(mean(X),r,1);
    new_X = X./avg;
    %将预处理后的矩阵每一行的最大值取出,当成母序列(虚构的)
    Y = max(new_X,[],2);
    %计算各个指标和母序列的灰色关联度
    %先把new_X矩阵所有元素都减去母序列中同行的元素,并取绝对值
    Y2 = repmat(Y,1,c);
    new_X = abs(new_X-Y2);
    a = min(min(new_X)); %全矩阵最小值
    b = max(max(new_X)); %全矩阵最大值
    ro = 0.5;
    new_X = (a+ro*b)./(new_X+ro*b);
    disp("各个指标对于母序列的灰色关联度为:");
    gamma = mean(new_X)
    %计算各个指标的权重
    disp("各个指标的权重为:");
    weight = gamma./(sum(gamma,2))
    %-------------------------------------------------------------------------------------------------------
    %继续TOPSIS的步骤:对正向化后的矩阵X进行标准化(原矩阵除以每一列元素平方之和的开方)
    temp1 = X.*X;               %先让每每一个元素平方
    temp2 = sum(temp1);         %再对每一列求和
    temp3 = temp2.^0.5;         %再把结果开方
    temp4 = repmat(temp3,r,1);  %把开方后的结果按行复制r行
    disp("******标准化后的矩阵为:");
    Z = X./temp4               %原矩阵除以每一列元素平方之和的开方
    Z_max = max(Z)           %获得Z每一列中最大的元素
    Z_min = min(Z)           %获得Z每一列中最小的元素
    D_max = sum(weight.*(Z-repmat(Z_max,r,1)).^2,2).^0.5
    D_min = sum(weight.*(Z-repmat(Z_min,r,1)).^2,2).^0.5
    disp("该矩阵得分为:")
    S = D_min./(D_max+D_min)
    disp("矩阵归一化后得分为:");
    S = S./(repmat(sum(S),r,1))
    

    输出结果为:

    请输入最佳的中间值:7
    请输入区间的下界:10
    请输入区间的上界:20
    正向化后的矩阵为:
        4.6900    0.7172    3.0000    1.0000
        2.0300    0.4069   35.0000    0.6940
        9.1100    0.5241    8.0000    0.9058
        8.6100    0.9655    8.0000    0.4443
        7.1300    0.6552    4.0000    0.6914
        2.3900    0.8414   16.0000    0.6007
        7.6900    0.8552   16.0000    0.6551
        9.3000    0.8690   27.0000         0
        5.4500    0.5724   49.0000    1.0000
        6.1900    0.8138   37.0000    0.7848
        7.9300    0.6345   45.0000    0.6992
        4.4000    0.8069   37.0000    0.5419
        7.4600    0.1448   31.0000    1.0000
        2.0100         0    7.0000    0.4546
        2.0400    0.5862   31.0000    1.0000
        7.7300    0.4069    2.0000    1.0000
        6.3500    0.6000   29.0000    0.1824
        8.2900    0.0276   15.0000    1.0000
        3.5400    0.8138         0    0.4088
        7.4400    0.4897   46.0000    0.2731
    
    
    new_X =
    
        0.7831    1.2228    0.1345    1.4997
        0.3390    0.6937    1.5695    1.0408
        1.5211    0.8936    0.3587    1.3584
        1.4376    1.6461    0.3587    0.6662
        1.1905    1.1170    0.1794    1.0369
        0.3991    1.4345    0.7175    0.9008
        1.2840    1.4580    0.7175    0.9825
        1.5528    1.4815    1.2108         0
        0.9100    0.9759    2.1973    1.4997
        1.0336    1.3874    1.6592    1.1769
        1.3241    1.0817    2.0179    1.0486
        0.7347    1.3757    1.6592    0.8127
        1.2456    0.2469    1.3901    1.4997
        0.3356         0    0.3139    0.6818
        0.3406    0.9994    1.3901    1.4997
        1.2907    0.6937    0.0897    1.4997
        1.0603    1.0229    1.3004    0.2735
        1.3842    0.0470    0.6726    1.4997
        0.5911    1.3874         0    0.6131
        1.2423    0.8348    2.0628    0.4096
    
    
    Y2 =
    
        1.4997    1.4997    1.4997    1.4997
        1.5695    1.5695    1.5695    1.5695
        1.5211    1.5211    1.5211    1.5211
        1.6461    1.6461    1.6461    1.6461
        1.1905    1.1905    1.1905    1.1905
        1.4345    1.4345    1.4345    1.4345
        1.4580    1.4580    1.4580    1.4580
        1.5528    1.5528    1.5528    1.5528
        2.1973    2.1973    2.1973    2.1973
        1.6592    1.6592    1.6592    1.6592
        2.0179    2.0179    2.0179    2.0179
        1.6592    1.6592    1.6592    1.6592
        1.4997    1.4997    1.4997    1.4997
        0.6818    0.6818    0.6818    0.6818
        1.4997    1.4997    1.4997    1.4997
        1.4997    1.4997    1.4997    1.4997
        1.3004    1.3004    1.3004    1.3004
        1.4997    1.4997    1.4997    1.4997
        1.3874    1.3874    1.3874    1.3874
        2.0628    2.0628    2.0628    2.0628
    
    
    new_X =
    
        0.7166    0.2769    1.3651         0
        1.2306    0.8758         0    0.5287
             0    0.6275    1.1624    0.1627
        0.2085         0    1.2873    0.9799
             0    0.0735    1.0111    0.1536
        1.0354         0    0.7170    0.5336
        0.1739         0    0.7405    0.4755
             0    0.0714    0.3421    1.5528
        1.2873    1.2214         0    0.6976
        0.6256    0.2718         0    0.4823
        0.6938    0.9362         0    0.9693
        0.9245    0.2835         0    0.8465
        0.2541    1.2528    0.1095         0
        0.3462    0.6818    0.3679         0
        1.1591    0.5003    0.1095         0
        0.2090    0.8060    1.4100         0
        0.2402    0.2775         0    1.0270
        0.1155    1.4526    0.8270         0
        0.7963         0    1.3874    0.7743
        0.8205    1.2280         0    1.6532
    
    各个指标对于母序列的灰色关联度为:
    
    gamma =
    
        0.6665    0.6800    0.7052    0.6880
    
    各个指标的权重为:
    
    weight =
    
        0.2433    0.2482    0.2574    0.2511
    
    ******标准化后的矩阵为:
    
    Z =
    
        0.1622    0.2483    0.0245    0.3065
        0.0702    0.1408    0.2863    0.2127
        0.3150    0.1814    0.0655    0.2776
        0.2977    0.3342    0.0655    0.1361
        0.2466    0.2268    0.0327    0.2119
        0.0826    0.2912    0.1309    0.1841
        0.2659    0.2960    0.1309    0.2008
        0.3216    0.3008    0.2209         0
        0.1885    0.1981    0.4009    0.3065
        0.2141    0.2817    0.3027    0.2405
        0.2742    0.2196    0.3682    0.2143
        0.1522    0.2793    0.3027    0.1661
        0.2580    0.0501    0.2536    0.3065
        0.0695         0    0.0573    0.1393
        0.0705    0.2029    0.2536    0.3065
        0.2673    0.1408    0.0164    0.3065
        0.2196    0.2077    0.2373    0.0559
        0.2867    0.0095    0.1227    0.3065
        0.1224    0.2817         0    0.1253
        0.2573    0.1695    0.3763    0.0837
    
    
    Z_max =
    
        0.3216    0.3342    0.4009    0.3065
    
    
    Z_min =
    
        0.0695         0         0         0
    
    
    D_max =
    
        0.2109
        0.1739
        0.1870
        0.1907
        0.2034
        0.1920
        0.1506
        0.1794
        0.0944
        0.0841
        0.0788
        0.1231
        0.1631
        0.2839
        0.1587
        0.2192
        0.1708
        0.2153
        0.2448
        0.1427
    
    
    D_min =
    
        0.2028
        0.1934
        0.2081
        0.2148
        0.1787
        0.1844
        0.2137
        0.2247
        0.2795
        0.2508
        0.2619
        0.2270
        0.2223
        0.0756
        0.2244
        0.1952
        0.1774
        0.1974
        0.1559
        0.2322
    
    该矩阵得分为:
    
    S =
    
        0.4902
        0.5265
        0.5266
        0.5297
        0.4677
        0.4899
        0.5866
        0.5559
        0.7476
        0.7489
        0.7686
        0.6483
        0.5768
        0.2104
        0.5857
        0.4710
        0.5095
        0.4782
        0.3891
        0.6194
    
    矩阵归一化后得分为:
    
    S =
    
        0.0449
        0.0482
        0.0482
        0.0485
        0.0428
        0.0448
        0.0537
        0.0509
        0.0684
        0.0685
        0.0703
        0.0593
        0.0528
        0.0193
        0.0536
        0.0431
        0.0466
        0.0438
        0.0356
        0.0567
    

    ③灰色关联分析+TOPSIS和熵权法+TOPSIS计算数据得分的效果对比
    在这里插入图片描述

    补充:如何导入数据

    由于很多人使用我代码的时候不知道怎么将数据替换为自己的数据,所以特地补充了一个小节来说一下怎么将数据替换成自己的。

    首先,打开matlab,创建一个新的.m文件,将代码复制进去
    在这里插入图片描述
    工作区右键,点击新建
    在这里插入图片描述
    将变量命名为data
    在这里插入图片描述
    双击刚刚新建好的data变量,进入变量内部(在此界面,可以手动编辑变量的值)
    在这里插入图片描述
    打开自己的数据(一般都是excel吧),我准备了一些例子,如下图所示(注意,年份那一列不能是横着的,否则会有问题)
    下面是正确示范
    在这里插入图片描述
    下面是错误示范
    在这里插入图片描述
    然后,复制(ctrl+c或者右键->复制)除题头外的数据
    在这里插入图片描述
    在matlab中的变量内部的左上角右键->粘贴
    在这里插入图片描述
    在这里插入图片描述
    将变量data另存为data.mat文件(注意:需要存在和你代码的同一目录下)
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    然后就可以全选代码,右键运行啦!
    在这里插入图片描述


    总结

    灰色关联分析法的优势在于,它弥补了采用数理统计方法系统分析所导致的缺憾,对样本量的多少和样本有无规律都适用,而且计算量小,十分方便,更不会出现与定性结果不符合的情况。但是灰色关联分析仅在我国有部分学者使用,在国际上并没有得到太多认可,而且当数据量较大的时候,使用标准化回归的方法是更好的选择,只有在数据很少万不得已的情况下,才考虑灰色关联分析,当然,你也可以两者综合考虑。值得一提的是,在灰色关联分析中,母序列有多个的情况,我们只需要分开计算即可,也就是说,每一个母序列,都对应一个完整的子序列。

    展开全文
  • 参加数学建模时自己编写的一个灰色关联分析法的函数封装,里面都有注释说明。
  • MATLAB基本语法之灰色关联分析

    千次阅读 2021-08-27 12:29:24
    灰色关联分析用于系统分析实例 介绍:灰色关联分析是一种根据自变量图形与因变量图形的相似度进行判断相关性的一种方法 % 导入数据 一个6*4的矩阵 load gdp.mat %不会导入数据的同学可以看看第二讲...

    灰色关联分析用于系统分析实例1

    介绍:灰色关联分析是一种根据自变量图形与因变量图形的相似度进行判断相关性的一种方法

    % 导入数据 一个6*4的矩阵

    • load gdp.mat  

    %我们也可以自己在工作区新建变量X,把Excel的数据粘贴过来
    % 注意Matlab的当前文件夹一定要切换到有数据文件的这个文件夹内 Mean = mean(gdp);  % 求出每一列的均值以供后续的数据预处理(标准化去量纲)

    • gdp = gdp ./ repmat(Mean,size(gdp,1),1);  
    • %可以将矩阵进行复制,复制为和gdp同等大小,然后使用点除(对应元素相除),这些在第一讲层次分析法都讲过
    • size(gdp,1)=6, repmat(Mean,6,1)
    • disp('预处理后的矩阵为:'); disp(gdp)

    % 母序列

    • Y = gdp(:,1);

    % 子序列

    • X = gdp(:,2:end);

    % 计算|X0-Xi|矩阵(在这里我们把X0定义为了Y)

    • absX0_Xi = abs(X - repmat(Y,1,size(X,2)))  

    % 计算两级最小差a

    • a = min(min(absX0_Xi))    

    % 计算两级最大差b

    • b = max(max(absX0_Xi))  

    % 分辨系数取0.5

    • rho = 0.5;
    • % 计算子序列中各个指标与母序列的关联系数
    • gamma = (a+rho*b) ./ (absX0_Xi  + rho*b)
    • disp('子序列中各个指标的灰色关联度分别为:')
    • disp(mean(gamma))

     灰色关联分析用于系统分析实例2

    load data_water_quality.mat
    % 不会导入数据的同学可以看看第二讲topsis模型,我们也可以自己在工作区新建变量,并把Excel的数据粘贴过来
    % 注意Matlab的当前文件夹一定要切换到有数据文件的这个文件夹内

    %%  判断是否需要正向化
    [n,m] = size(X);
    disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标']) 
    Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理,需要请输入1 ,不需要输入0:  ']);   %1

    if Judge == 1
        Position = input('请输入需要正向化处理的指标所在的列,例如第2、3、6三列需要处理,那么你需要输入[2,3,6]: '); %[2,3,4]
        disp('请输入需要处理的这些列的指  标类型(1:极小型, 2:中间型, 3:区间型) ')
        Type = input('例如:第2列是极小型,第3列是区间型,第6列是中间型,就输入[1,3,2]:  '); %[2,1,3]
        % 注意,Position和Type是两个同维度的行向量
        for i = 1 : size(Position,2)  %这里需要对这些列分别处理,因此我们需要知道一共要处理的次数,即循环的次数
            X(:,Position(i)) = Positivization(X(:,Position(i)),Type(i),Position(i));
        % Positivization是我们自己定义的函数,其作用是进行正向化,其一共接收三个参数
        % 第一个参数是要正向化处理的那一列向量 X(:,Position(i))   回顾上一讲的知识,X(:,n)表示取第n列的全部元素
        % 第二个参数是对应的这一列的指标类型(1:极小型, 2:中间型, 3:区间型)
        % 第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列
        % 该函数有一个返回值,它返回正向化之后的指标,我们可以将其直接赋值给我们原始要处理的那一列向量
        end
        disp('正向化后的矩阵 X =  ')
        disp(X)
    end

    %% 对正向化后的矩阵进行预处理
    Mean = mean(X);  % 求出每一列的均值以供后续的数据预处理
    Z = X ./ repmat(Mean,size(X,1),1);  
    disp('预处理后的矩阵为:'); disp(Z)

    %% 构造母序列和子序列
    Y = max(Z,[],2);  % 母序列为虚拟的,用每一行的最大值构成的列向量表示母序列
    X = Z; % 子序列就是预处理后的数据矩阵

    %% 计算得分
    absX0_Xi = abs(X - repmat(Y,1,size(X,2)))  % 计算|X0-Xi|矩阵
    a = min(min(absX0_Xi))    % 计算两级最小差a
    b = max(max(absX0_Xi))  % 计算两级最大差b
    rho = 0.5; % 分辨系数取0.5
    gamma = (a+rho*b) ./ (absX0_Xi  + rho*b)  % 计算子序列中各个指标与母序列的关联系数
    weight = mean(gamma) / sum(mean(gamma));  % 利用子序列中各个指标的灰色关联度计算权重
    score = sum(X .* repmat(weight,size(X,1),1),2);   % 未归一化的得分
    stand_S = score / sum(score);   % 归一化后的得分
    [sorted_S,index] = sort(stand_S ,'descend') % 进行排序

    展开全文
  • matlab灰色关联分析代码
  • 灰色邓氏关联分析% P12 -- The Study on the Grey Relational Degree and Its Application function r1 = gld_deng(x)s = size(x);len = s(2);num = s(1);ro = 0.5;for i = 1: numx(i,:) = x(i,:)./x(i,1);enddx...

    灰色邓氏关联度分析

    % P12 -- The Study on the Grey Relational Degree and Its Application function r1 = gld_deng(x)

    s = size(x);

    len = s(2);

    num = s(1);

    ro = 0.5;

    for i = 1: num

    x(i,:) = x(i,:)./x(i,1);

    end

    dx(num,len) = 0;

    for i = 2 : num

    for k = 1 : len

    dx(i,k) = abs(x(1,k) - x(i,k));

    end

    end

    max_dx = max(max(dx));

    min_dx = min(min(dx));

    r(1,1:len-1) = 1;

    for i = 2 : num

    for k = 1 : len

    r(i,k) = (min_dx + ro*max_dx)/(dx(i,k) + ro*max_dx);

    end

    end

    r1 = sum(r(2:num,:),2)/(len);

    改进灰色绝对关联度分析

    % P11 -- The Study on the Grey Relational Degree and Its Application function r1 = gld_gjjd(x)

    s = size(x);

    len = s(2);

    num = s(1);

    for i = 1: num

    x(i,:) = x(i,:)./x(i,1);

    end

    dx(num,len-1) = 0;

    for i = 1 : num

    for j = 1 : len - 1

    dx(i,j) = x(i,j+1) - x(i,j);

    end

    end

    c = 1;

    beta(1,1:len-1) = 0;

    w(1,1:len-1) = 0;

    for i = 2 : num

    temp = sum(abs(x(i,:) - x(1,:)),2);

    for k = 1 : len - 1

    beta(i,k) = atan((dx(i,k) - dx(1,k))/(1 + dx(i,k)*dx(1,k)));

    if beta(i,k) < 0

    beta(i,k) = pi + beta(i,k);

    展开全文
  • 灰色关联分析
  • 灰色关联分析原理和MATLAB代码

    万次阅读 2019-07-24 22:28:03
    function [y] = relevancy( refer,compare,p,rank) %refer参考数列(行向量),compare比较数列 %p为分辨系数,默认为0.5 %rank为列向量,反映参考数列与比较数列同...%y返回一个反映关联度的列向量 [a,b]=size(compar...
  • 灰色系统理论提出了对各子系统进行灰色关联分析的概念,意图透过一定的方法,去寻求系统中各子系统(或因素)之间的数值关系。因此,灰色关联分析对于一个系统发展变化态势提供了量化的度量,非常适合动态历程...
  • 灰色关联分析_matlab

    2022-04-16 23:34:05
    资源名:灰色关联分析_matlab 资源类型:matlab项目全套源码 源码说明: 全部项目源码都是经过测试校正后百分百成功运行的,如果您下载后不能运行可联系我进行指导或者更换。 适合人群:新手及有一定经验的开发人员
  • 基于Matlab 2014b平台的灰色预测发资料和源码,可供数学建模学习使用。
  • 灰色关联分析法,这种方法是进行关联分析的,本设计中为各指标和成绩的关联度大小排序的结果。
  • clear all x(1,:)=[22.4 20.0 18.0 27.3 27.3 27.3 21.4 27.3 22.0 27.3]; x(2,:)=[10.0 20.0 5.0 10.0 14.0 16.8 10.0 31.5 20.0 ... %求关联系数矩阵f?? end end f for j=1:m c(j)= mean(f(j,:)); %求关联度? end c
  • matlab灰色关联度代码SEL_public SEL,公用文件夹 这些是我用来分析Bein等人(2020年)(接受),NatComms的数据的脚本: “先验知识可促进海马区分离,但可促进左下额叶回的皮层吸收。” 我没有很好地清洁它们,...
  • matlab灰色关联分析

    万次阅读 多人点赞 2017-01-22 11:30:08
    灰色关联分析是灰色系统理论的一个分支,应用灰色关联分析方法对受多种因素影响的事物和现象从整体观念出发进行综合评价是一个被广为接受的方法。 引一小段灰色关联分析代码,没有解释。%在归一化之前要注意因素变化...
  • 灰色系统理论提出了对各子系统进行灰色关联分析的概念,意图透过一定的方法,去寻求系统中各子系统(或因素)之间的数值关系。因此,灰色关联分析对于一个系统发展变化态势提供了量化的度量,非常适合动态历程...
  • 《五种灰色关联分析matlab代码(最新整理)》由会员分享,可在线阅读,更多相关《五种灰色关联分析matlab代码(最新整理)(4页珍藏版)》请在人人文库网上搜索。1、灰色邓氏关联度分析% P12 - The Study on the Grey ...
  • 五种灰色关联分析matlab代码

    千次阅读 2021-04-18 16:00:49
    《五种灰色关联分析matlab代码》由会员分享,可在线阅读,更多相关《五种灰色关联分析matlab代码(3页珍藏版)》请在人人文库网上搜索。1、灰色邓关联分析% p12-the study on the grey relational degree and its ...
  • 灰色关联分析(GRA)的理论及应用(matlab和python)

    万次阅读 多人点赞 2018-08-26 21:48:11
    什么是灰色关联分析 灰色关联分析是指对一个系统发展变化态势的定量描述和比较的方法,其基本思想是通过确定参考数据列和若干个比较数据列的几何形状相似程度来判断其联系是否紧密,它反映了曲线间的关联程度。 ...
  • 灰色关联度的基础代码,灰色关联度的基础代码,灰色关联度的基础代码。
  • 使用MATLAB进行灰色关联分析
  • 灰色关联度和灰色预测Matlab代码和实例
  • 灰色关联法 —— matlab

    千次阅读 2022-02-24 21:15:11
    1.简介 2.算法详解 2.1 数据标准化 2.2计算灰色相关系数 ...2.3 计算灰色关联度系数 3.实例分析 3.1 读取数据 3.2 数据标准化 3.3绘制 x1,x4,x5,x6,x7 的折线图 3.4计算灰色相关系数 完整代码
  • matlab灰色关联分析

    万次阅读 2019-01-27 23:42:26
    matlab灰色关联分析法 https://blog.csdn.net/m0_37286282/article/details/79183333

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,051
精华内容 420
关键字:

灰色关联分析matlab

matlab 订阅