精华内容
下载资源
问答
  • AHP层次分析法

    万次阅读 多人点赞 2014-02-21 01:07:12
    在比赛中,我们运用了层次分析法(AHPAnalytic Hierarchy Process)进行建模,好不容易理解了这一方法的思想,在自己的博客里记录一下,希望可以帮助初次接触层次分析法的人,更快地理解这一的整体思想,也利于...

    2014年参加数学建模美赛, 其中一道题是选出5大优秀教练,数据来源要求自行寻找。 在比赛中,我们运用了层次分析法(AHPAnalytic Hierarchy Process)进行建模,好不容易理解了这一方法的思想,在自己的博客里记录一下,希望可以帮助初次接触层次分析法的人,更快地理解这一的整体思想,也利于进一步针对细节进行学习。文章内容主要参阅 《matlab数学建模算法实例与分析》,部分图片来源于WIKI

     

     

    文章分为2部分:

    1第一部分以通俗的方式简述一下层次分析法的基本步骤和思想

    2第二部分介绍一下我们队伍数学建模过程中,对层次分析法的应用,中间有些地方做了不严谨的推理,例如关于一致性的检验,如有人发现不正确,希望可以指正

     

    第一部分:

     

    层次分析法(Analytic Hierarchy Process ,简称 AHP )是对一些较为复杂、较为模糊的问题作出决策的简易方法,它特别适用于那些难于完全定量分析的问题。它是美国运筹学家T. L. Saaty 教授于上世纪 70 年代初期提出的一种简便、灵活而又实用的多准则决策方法。

    人们在进行社会的、经济的以及科学管理领域问题的系统分析中,面临的常常是一个由相互关联、相互制约的众多因素构成的复杂而往往缺少定量数据的系统。层次分析法为这类问题的决策和排序提供了一种新的、简洁而实用的建模方法。 


    运用层次分析法建模,大体上可按下面四个步骤进行: 
    (i )建立递阶层次结构模型; 
    (ii )构造出各层次中的所有判断矩阵; 
    (iii )层次单排序及一致性检验; 
    (iv )层次总排序及一致性检验。 

     

    这四个步骤中,前两个步骤最容易理解,后两个步骤需要一点时间理解

     

    首先从层次结构模型说起

    层次分析法是用来根据多种准则,或是说因素从候选方案中选出最优的一种数学方法

    最顶层是我们的目标,比如说选leader,选工作,选旅游目的地

    中间层是判断候选方物或人优劣的因素或标准

    选工作时有:发展前途  ,待遇 ,工作环境等

    选leader时有:年龄,经验,教育背景,魅力

     

    在分层以后,为了选出最优候选

    给目标层分配值1.000

    然后将这一值作为权重,分配给不同因素,对应因素的权重大小代表该因素在整个选择过程中的重要性程度

    然后对于候选方案,每一个标准再将其权重值分配给所有的候选方案,每一方案获得权重值,来源于不同因素分得的权重值的和

     

    如下图:

                目标层分配值为1, 然后我们给了4个候选方案评估标准 criterion 1 、 criterion 2、criterion 3、criterion 4

                假设我们认为这四个标准同等重要, 于是目标层的值1 就被均分到 4个准则上, 每个准则获得的值为 0.25

                然后我们从评估标准 criterion 1 出发, 考虑在该评估标准下, 3 个候选方案的优劣比如何。 假如我们认为在标准1 的衡量下,   3 个方案完全平等, 方案1 在该标准下的得分就应该是: 0.25 * (1/3) 

               同理, 如果我们假设剩下的 3 个标准下, 3个候选方案都是平分秋色, 那么方案 1 的最终得分就应该是

               0.33 =  0.25 * (1/3)   +   0.25 * (1/3)   +  0.25 * (1/3)  +  0.25 * (1/3) 

               最终获得的各个方案的的权重值的和依然为1

     

    这不就是一个简单的权重打分的过程吗?为什么还要层次分析呢。这里就有两个关键问题:

    1每个准则(因素)权重具体应该分配多少

    2每一个候选方案在每一个因素下又应该获得多少权重

     

    这里便进入层次分析法的第二个步骤,也是层次分析法的一个精华(构造比较矩阵(判断矩阵)comparison matrix):

     

    首先解决第一个问题:每个准则(因素)权重具体应该分配多少?

    如果直接要给各个因素分配权重比较困难,在不同因素之间两两比较其重要程度是相对容易的

     

    现在将不同因素两两作比获得的值aij  填入到矩阵的 i 行 j 列的位置,则构造了所谓的比较矩阵,对角线上都是1, 因为是自己和自己比

    这个矩阵容易获得,我们如何从这一矩阵获得对应的权重分配呢

    这里便出现了一个比较高级的概念,正互反矩阵和一致性矩阵

    首先正互反矩阵的定义是:

     

    我们目前构造出的矩阵很明显就是正互反矩阵

     

    而一致性矩阵的定义是:


    这里我们构造出的矩阵就不一定满足一致性,比如我们做因素1:因素2= 4:1  因素2:因素3=2:1    因素1:因素3=6:1(如果满足一致性就应该是8:1),我们就是因为难以确定各因素比例分配才做两两比较的,如果认为判断中就能保证一致性,就直接给出权重分配了

     

    到了关键部分,一致性矩阵有一个性质可以算出不同因素的比例

     

    这里的w就是我们想要知道的权重,所以通过 求比较矩阵的最大特征值所对应的特征向量,就可以获得不同因素的权重,归一化一下(每个权重除以权重和作为自己的值,最终总和为1)就更便于使用了。(实际上写这篇博客就是因为,重新翻了线代的书才好不容易理解这里的,就想记录下来)

     

    这里补充一点线性代数的知识:

        n阶矩阵有n个特征值,每个特征值对应一个n维特征列向量,特征值和特征向量的计算方法这里就省略了,反正书中的程序是直接用matlab 的eig函数求的

     

    这里不能忘了,我们给出的比较矩阵一般是不满足一致性的,但是我们还是把它当做一致矩阵来处理,也可以获得一组权重,但是这组权重能不能被接受,需要进一步考量

    例如在判断因素1,2,3重要性时,可以存在一些差异,但是不能太大,1比2重要,2比3 重要,1和3比时却成了3比1重要,这显然不能被接受

     

    于是引入了一致性检验:

              一致性的检验是通过计算一致性比例CR 来进行的

              

              当 10 . 0 < CR 时,认为判断矩阵的一致性是可以接受的,否则应对判断矩阵作适当修正。 

     

    CI的值由判断矩阵计算获得,RI的值查表获得,具体的计算公式这里就略去,重点是理解为什么要做一致性检验

     

     

    接下来解决第二个问题:每一个候选方案在每一个因素下又应该获得多少权重

     

    这里则需要将不同候选方案,在不同因素下分别比较,具体的比较方法,还是使用比较矩阵,只不过之前准则层的比较矩阵比较的对象是因素,这里比较的是某一因素下,候选方案的优劣, n个因素则需构造出来n个比较矩阵

    例如在工作环境的因素下,工作1与工作2相比为 :4:2,工作2与工作3=2:1  工作1:工作3=6:1.,这样构造一个矩阵,再用之前的一致性矩阵的方法就可以求出一个权重,然后相对应因素(这里是工作环境)所拥有的权值就可以按这个权重比例分配给不同候选物或人。

     

    其他因素同理

     

     

    至此两个问题就都得到了解决

    最终将每个候选物、人从不同因素获得的权值求和,就可以得到不同候选对于目标层的权值大小,继而可以根据值的大小,来选出优劣

     

    对于第一部分的总结:

     

    • 通过对层次分析法的基本了解,不难发现层次分析法对人们的思维过程进行了加工整理,提出了一套系统分析问题的方法,为科学管理和决策提供了较有说服力的依据。 

     

    • 但很明显的缺点是,整个分析过程似乎都是依赖于人的主观判断思维,一来不够客观,二来两两比较全部人为完成,还是非常耗费精力的,尤其是当候选方案比较多的时候

     

     

     

    文章的第二部分:


    层次分析法的变形应用(也可能本来就是这样用的,只不过参考书上没这样说,外语
    论文没细看)解决最优教练选择问题

     

    目标:选最优教练

     

    准则:  

     

     

    1. 职业生涯所带队伍的胜率      
    2. 职业生涯所带队伍的胜场            
    3. 从教时长(年)          
    4. 职业生涯所带队伍获奖状况(化成分数)

     

      

    候选:  众多教练

     

    准则层比较矩阵获得

     

     

    • 准则层的比较矩阵好构造 ,作6次两两比较,就可以获得4*4的比较矩阵

     

     

    候选层比较矩阵

     

    每一个准则对应下来的 候选层 已经有定量的数据了。 这里其实就不再需要候选层比较矩阵了, 因为有4000个教练的话, 得比4000*3999次,可以直接利用定量的数据计算权重

    • 例如“职业生涯所带队伍的胜场” 这一准则对应到每个教练都有直接相应数据的,例如教练 A, B, C 职业生涯所带队伍胜场数为 100,150, 90. 此时该准则下得到的分数, 就应当按照 10:5:9 的比例来进一步划分。 

     

    类似的,胜率准则 下就根据  “胜率   计算权重分配比例。 从教时长准则下就根据 “从教时间的年数” 计算权重分配比例

     

    这里又有两点可以注意:

     

    1.不同因素下数据的量纲和性质不一样,直接用数据作比来分配,不一定合适,比如胜率越要接近1越难,0.7比胜率0.5  和胜率0.9比0.7  ,后者比值比前者小,这显然不合适。这里可以利用指数函数和对数函数对数据先做一次处理, 再作为权重分配的依据。

     

    2.这里的用定量数据作比获得的矩阵显然满足一致性要求,不需要做一致性检验。以职业生涯所带队伍的胜场数为例,如果教练 A, B, C 职业生涯所带队伍胜场数为 100,150, 90。 那么 A:B :C 无论怎么作比, 都不会违反 10:15:9 的一致性。 

     

    综上就对层次分析法完成了定性定量结合的应用,以及对多个候选方案的比较(其实只是就是用程序控制数据作比,我们水平有限,能成功应用该方法已经不容易了)

     

    很遗憾的是比赛时编写的代码存放的优盘不慎丢失, 没有办法把代码共享出来, 这里只能将书中的代码贴出。比赛建模时, 就是在这个代码基础上进行修改实现。 只要理解了下列代码,编写符合自己需求的程序, 应当是水到渠成的事。

     

     

     

     matlab 代码(对应于文章第一部分选 Leader 的内容):

     

     

    clc,clear
    fid=fopen('txt3.txt','r');
    n1=6;n2=3;
    a=[];
    for i=1:n1
    	tmp=str2num(fgetl(fid));
    	a=[a;tmp]; %读准则层判断矩阵
    end
    for i=1:n1
    	str1=char(['b',int2str(i),'=[];']);
    	str2=char(['b',int2str(i),'=[b',int2str(i),';tmp];']);
    	eval(str1);
    	for j=1:n2
    		tmp=str2num(fgetl(fid));
    		eval(str2); %读方案层的判断矩阵
    	end
    end
    ri=[0,0,0.58,0.90,1.12,1.24,1.32,1.41,1.45]; %一致性指标
    [x,y]=eig(a);  % matlab eig(a) 返回矩阵的特征值和特征向量, 这里的 x 为矩阵 a 的 n 个特征向量, y 为矩阵 a 的 n 个特征值
    lamda=max(diag(y));  %  eig 函数返回的 y 是矩阵形式保存的, dig(y) 提取对角线上的n 个特征值到一个数组中, 求出最大特征值 lamda
    num=find(diag(y)==lamda);  % 返回最大特征的索引
    w0=x(:,num)/sum(x(:,num));  % x( :num) 为最大特征值所对应的那一列特征向量。 w0 中准则层计算出的 包含归一化后的n 个权重值
    cr0=(lamda-n1)/(n1-1)/ri(n1)
    
    for i=1:n1 % 循环 n 个维度, 针对每个维度, 都计算一次方案层的比较矩阵及其权重值
    	[x,y]=eig(eval(char(['b',int2str(i)])));
    	lamda=max(diag(y));
    	num=find(diag(y)==lamda);
    	w1(:,i)=x(:,num)/sum(x(:,num));
    	cr1(i)=(lamda-n2)/(n2-1)/ri(n2);
    end
    cr1, ts=w1*w0, cr=cr1*w0

     

    txt3.txt 中的内容, 前6行为准则层的 6 x 6 比较矩阵, 后 18 行则为 6 个准则下, 各自的 3 x 3 的比较矩阵。 

    1 1 1 4 1 1/2
    1 1 2 4 1 1/2
    1 1/2 1 5 3 1/2
    1/4 1/4 1/5 1 1/3 1/3
    1 1 1/3 3 1 1
    2 2 2 3 3 1
    1 1/4 1/2
    4 1 3
    2 1/3 1
    1 1/4 1/5
    4 1 1/2
    5 2 1
    1 3 1/3
    1/3 1 1/7
    3 7 1
    1 1/3 5
    3 1 7
    1/5 1/7 1
    1 1 7
    1 1 7
    1/7 1/7 1
    1 7 9
    1/7 1 1
    1/9 1 1

     

    再上一段 JAVA 代码, 方便 JAVA 童鞋参考, 这部分仅仅展示了如何用JAVA 代码进行准则层比较矩阵计算 。 

     

    import org.apache.commons.math3.linear.*;
    
    
    public class MatrixTester {
        public static void main(String[] args) {
    
            // Create a real matrix with two rows and three columns, using a factory
            // method that selects the implementation class for us.
            double[][] matrixData = {   {1d,    1d,     1d,     4d,     1d,     1d/2d},
                                        {1d,    1d,     2d,     4d,     1d,     1d/2d},
                                        {1d,    1d/2d,  1d,     5d,     3d,     1d/2d },
                                        {1d/4d, 1d/4d,  1d/5d,  1d,     1d/3d,  1d/3d },
                                        {1d,   1d,     1d/3d,  3d,     1d,     1d },
                                        {2d,    2d,     2d,     3d,     3d,     1d },
                                    };
            RealMatrix m = MatrixUtils.createRealMatrix(matrixData);
    
    
    
            // One more with three rows, two columns, this time instantiating the
            // RealMatrix implementation class directly.
            double[][] matrixData2 = {{1d, 2d}, {2d, 5d}, {1d, 7d}};
            RealMatrix n = new Array2DRowRealMatrix(matrixData2);
    
            // Note: The constructor copies  the input double[][] array in both cases.
            // Now multiply m by n
    //        RealMatrix p = m.multiply(n);
    //        System.out.println(p.getRowDimension());    // 2
    //        System.out.println(p.getColumnDimension()); // 2
    //
    //        // Invert p, using LU decomposition
    //        RealMatrix pInverse = new LUDecomposition(p).getSolver().getInverse();
    
    
            RealMatrix D = new EigenDecomposition(m).getD();
            RealMatrix V = new EigenDecomposition(m).getV();
    
            for(int i=0; i<D.getRowDimension();i++)
            {
                System.out.println(D.getRowMatrix(i));
            }
    
            for(int i=0; i<V.getRowDimension();i++)
            {
                System.out.println(V.getRowMatrix(i));
            }
    
            // 特征值
            double maxLamda;
            int columIndexForMaxLamda=0;
            maxLamda=D.getEntry(0,0);
    
            for(int i =0, j=0; i<D.getRowDimension()&&j<D.getColumnDimension();i++,j=i)
            {
                double lamda = D.getEntry(i,j);
                if(maxLamda<lamda)
                {
                    maxLamda=lamda;
                    columIndexForMaxLamda = j;
                }
                System.out.println(lamda);
            }
    
            // 输出尚未做归一化 w1, w2, w3, w4, w5, w6 , 
            System.out.println(V.getColumnMatrix(columIndexForMaxLamda));
    
        }
    }
    

     

     

    展开全文
  • 层次分析法

    千次阅读 2019-01-23 19:19:14
    下面将通过一个例子和代码来认识层次分析法,代码已经成模板,直接套用即可。 层次分析法根据问题的性质和要达到的总目标, 将问题分解为不同的组成因素,并按照因素间的 相互关联影响以及隶属关系将因素按不同...

    下面将通过一个例子和代码来认识层次分析法,代码已经做成模板,直接套用即可。

    层次分析法根据问题的性质和要达到的总目标,
    将问题分解为不同的组成因素,并按照因素间的
    相互关联影响以及隶属关系将因素按不同层次聚
    集组合,形成一个多层次的分析结构模型,从而
    最终使问题归结为最低层( ( 供决策的方案、措施等) )
    相对于最高层( ( 总目标) ) 的 相对重要权值 的确定或
    相对优劣次序的排定。

     

     

    例题:

     

     

    你可能会对权重向量是怎样求出来的感到困惑,套用下面代码模板即可。

    disp('请输入判断矩阵A(n阶)');
    A=input('A=');
    [n,n]=size(A);
    x=ones(n,100);
    y=ones(n,100);
    m=zeros(1,100);
    m(1)=max(x(:,1));
    y(:,1)=x(:,1);
    x(:,2)=A*y(:,1);
    m(2)=max(x(:,2));
    y(:,2)=x(:,2)/m(2);
    p=0.0001;i=2;k=abs(m(2)-m(1));
    while  k>p
      i=i+1;
      x(:,i)=A*y(:,i-1);
      m(i)=max(x(:,i));
      y(:,i)=x(:,i)/m(i);
      k=abs(m(i)-m(i-1));
    end
    a=sum(y(:,i));
    w=y(:,i)/a;
    t=m(i);
    disp('权重向量:');
    disp(w);
    %以下是一致性检验
    CI=(t-n)/(n-1);RI=[0 0 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49 1.52 1.54 1.56 1.58 1.59];
    CR=CI/RI(n);
    if CR<0.10
        disp('此矩阵的一致性可以接受!');
        disp('CI=');disp(CI);
        disp('CR=');disp(CR);
    end

    例如,在上面旅游点选择问题上,

    输入A后将会得出如下结果:

     

    展开全文
  • 综合评价分析法:熵权法matlab实现+层次分析法matlab实现 层次分析法matlab实现 clc;clear%层次分析法matlab实现 A=[1 1/9 1/2 1/4 1/6 9 1 6 5 3 2 1/6 1 1/2 1/3 4 1/5 2 1 1/5 6 1/3 3 .....

    综合评价分析法:熵权法matlab实现+层次分析法matlab实现

    层次分析法matlab实现

    clc;clear%层次分析法matlab实现
    
    A=[1    	 1/9	 1/2	 1/4	 1/6
    9    	1    	6    	5    	3    
    2    	 1/6	1    	 1/2	 1/3
    4    	 1/5	2    	1    	 1/5
    6    	 1/3	3    	5    	1    
    ]%判断矩阵,9级度量法
    [m,n]=size(A);
    [V,D]=eig(A);%求得特征向量和特征值
                %求出最大特征值和它所对应的特征向量
    tempNum1=D(1,1);
    pos=1;
    for h=1:n
        if D(h,h)>tempNum1
            tempNum1=D(h,h);
            pos=h;
        end
    end    
    w=abs(V(:,pos));
    w=w/sum(w);
    t=D(pos,pos);
    disp('权重w=');disp(w);disp('最大特征根t=');disp(t);
             %以下是一致性检验
    CI=(t-n)/(n-1);RI=[0 0 0.58 0.89 1.12 1.26 1.36 1.41 1.46 1.49 1.52 1.54 1.56 1.58 1.59 1.60 1.61 1.615 1.62 1.63];
    CR=CI/RI(n);
    if CR<0.10
        disp('此矩阵的一致性可以接受!');
        disp('CI=');disp(CI);
        disp('CR=');disp(CR);
    else disp('此矩阵的一致性验证失败,请重新进行评分!');
    end
    
    

    熵权法matlab实现

    clc,clear%熵权法matlab程序
    R=[];%输入矩阵R,列代表评价指标评分,行代表同类别竞争对手
    [m,n] = size(R);
    R1 = zeros(m,n);
    for i = 1:n
        R1(:,i) = (R(:,i)-min(R(:,i)))/(max(R(:,i))-min(R(:,i)));%矩阵标准化
    end
    ex=sum(R1);
    
    R2=zeros(m,n);
    for i=1:m
        for j=1:n
        R2(i,j)=R1(i,j)/ex(j);%%求得pij
        end
    end
    
    R3=R2.*log(R2);%求得pij*lnpij
    R4=R3;
    R4(find(isnan(R4)==1)) = 0;
    ex=sum(R4);%求得sum (pij*lnpij)
    ex1=-1/log(m)*ex;%每列信息熵
    ex2=(1-ex1)/(n-sum(ex1));%每列权重
    
    for i=1:m
    R5(i)=sum(R(i,:).*ex2);%计算每个竞争对手得分
    end
    R5
    
    展开全文
  • 因子分析法

    千次阅读 2019-08-15 10:58:03
    因子分析法 一、因子分析法概述 因子分析法的运用首先是要进行相关性的分组,在不同分组中所包含的变量相关性一致,那么把相关性一致的这一组就称为其中的一个公共因子。在实证中实际要研究的就是这一小组中所涵盖的...

    因子分析法


    一、因子分析法概述
    因子分析法的运用首先是要进行相关性的分组,在不同分组中所包含的变量相关性一致,那么把相关性一致的这一组就称为其中的一个公共因子。在实证中实际要研究的就是这一小组中所涵盖的每一个变量,公共因子就是多个变量最终的集合,最终都依据关联性的大小捆绑成综合因子。既没有破坏繁杂的信息,又避免了相关性因子繁多造成的干扰,使信息得到精简。
    因子分析就是通过少数的几个公共因子来解释协方差结构的因子模型,因此在选择因子的过程中个数十分关键,若挑选因子过多会在因子分析的过程中丢掉使用价值;但若选择的因子数不足,又会引起信息的丢失。通常用以下准:
    1、挑选的公共因子标准需要考虑到主成分向量的特征值。将原始评价指标进行标准化处理,由于在过程中选取的指标方差都等于 1,假设在解得后主成分向量的特征值不足 1,则意味着所谓的主成分无法解释任何一个指标,所以在特征值的选择方面,至少应当保证选择的公共因子在特征值数值上大于或约等于 1,对于特征值不足 1 的主成分应当进行丢弃。
    2、在公共因子的选择中,更应当充分考虑主成分方差累积贡献率。方差累积贡献率的表达意义是主成分在对于全面信息的保存度的衡量。在通常情况下,如果主成分的累积贡献率达到 60%,说明保留了原始信息的大部分且这部分信息对问题已经能很好的进行解释,所在实证中通常挑选公共因子的累积贡献率应当保证在 60%以上。
    假设有 N 个原始变量,它们分别为X1,X2,X3…Xn,其中 Xi (i=1,2,3,…n) 于是有:
    X1=a11F1+a12F2+…+a1mFm+a1ε1
    X2=a21F2+a22F2+…+a2mFm+a2ε2


    Xn=an1Fn+an2F2+…+anmFm+anεn
    可以用矩阵形式表示为:X=AF+aε。其中原始变量满足平均值等于零,标准差等于 1 的标准化变量;F1,F2,F3…Fm 表示多个公因子变量,公因子变量之间不相关,且方差均为 1;m 小于n。ε 为特殊因子,含义为原始变量中没有被提出的公共因子做解释的剩余部分的信息。
    二、因子分析法步骤
    1、对原始样本数据进行无纲量化处理,消除不同单位造成的差异;
    2、将样本相关系数矩阵标准化后形成标准化矩阵,求出标准化矩阵的特征值,计算特征值的贡献率;
    3、依据提出的公因子的累计贡献率,确认是否可以表达大部分的信息内容;
    4、利用最大方差法求得因子载荷矩阵,并确定公因子;
    5、建立因子得分函数,计算出每个销售的效率得分并排名。

    展开全文
  • 时域分析法

    千次阅读 2020-02-16 18:03:25
    时域分析法1 定义2 优点3 目的与意义4 适用范围5 分析过程 1 定义 时域分析法是一种对控制系统的分析方式。是指一定输入下,根据控制系统的输出时域表达式,分析系统的性能。 2 优点 由于是在时域进行分析,符合大众...
  • 主成分分析法

    千次阅读 2015-08-11 12:57:34
    主成分分析法的基本原理及应用 什么是主成分分析法  主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。  在统计学中,主成分分析(principal components analysis,PCA)是一种...
  • 如何玩转杜邦分析法

    万次阅读 2019-04-22 21:17:55
    今天就整理一篇如何玩转杜邦分析法的文章给分享给大家,个抛砖引玉,希望雪球越来越多有兴趣共同学习、进步的朋友加入,分享更多的干货。  当然,在玩转杜邦分析法的前提是,你必须得知道每一个财务指标的含义,...
  • 递归下降分析法

    千次阅读 2020-03-18 19:25:35
    本次实验的目的主要是加深对递归下降分析法的理解。 二、实验预习提示 1、递归下降分析法的功能 词法分析器的功能是利用函数之间的递归调用模拟语法树自上而下的构造过程。 2、递归下降分析法的前提 改造文法:...
  • 数学建模之层次分析法(AHP)

    万次阅读 多人点赞 2018-09-05 12:03:08
    层次分析法(Analytic Hierarchy Process) AHP是对一些较为复杂的,较为模糊的问题作出决策的简易方法,它特别适用于那些难以完全定量分析的问题。 它是美国运筹学家T.L.Saaty教授于上世纪70年代初期提出的一种...
  • 通俗易懂的主成分分析法(PCA)详解

    万次阅读 多人点赞 2018-04-14 22:32:46
    那么将一个向量与新的基内积,结果则表示该向量在新的基下的坐标。2.将新选定的基表示成矩阵形式,与原向量相乘,就得到了原向量在新选定的基所表示的空间(或坐标系)中的坐标表示了。3.怎样选定这组基用于数据...
  • 问题分析法之“漏斗分析法

    千次阅读 2016-09-26 16:33:26
    今天参加百年网站的培训,听到讲师提到一个所谓的“漏斗分析法”,似乎和我当时用的方法有很大的相似之处。所以在这里分享一下——我觉得这套方法是行之有效,并且在前期的时候很利于团队共同讨论
  • 层次分析法在matlab上的实现

    万次阅读 多人点赞 2018-06-12 10:36:17
    层次分析法(The analytic hierarchy process)简称AHP,在20世纪70年代中期由美国运筹学家托马斯.塞蒂(T.L.saaty)正式提出。它是一种定性和定量相结合的、系统化、层次化的分析方法。由于它在处理复杂的决策问题...
  • 决策矩阵分析法

    千次阅读 2018-11-06 10:26:28
    网格分析,也被称为是决策矩阵分析,是由英国管理学家斯图尔特•普提出的一种多因素辅助决策工具。因此该方法也被称为普氏分析或者多因素辅助分析。它是一款非常有效的辅助决策工具,当你面临很多好的项目选择,同时...
  • matlab之灰色关联分析法

    万次阅读 2019-01-27 23:42:26
    matlab之灰色关联分析法 https://blog.csdn.net/m0_37286282/article/details/79183333
  • 5W1H 和 鱼骨分析法

    千次阅读 2015-09-24 20:47:34
    1. 5W1H 分析法 解决事件 Who (谁来) When?(何时) Where?(何地) What? (什么) Why? (为什么) How? ( 怎么)。 5W1H 思考点 人WHO 第一步  用利益分析法把这个...
  • 语法分析:自上而下分析 目录语法分析:自上而下分析知识背景计算海明校验码步骤一:计算校验码位数步骤二:确定校验组步骤三:计算校验码的值得出海明校验码利用海明校验码校验数据其他总结 知识背景 百度百科: ...
  • 层次分析法(AHP)

    万次阅读 多人点赞 2017-08-30 15:54:54
    层次分析法(AHP)问题的提出日常生活中有许多决策问题。决策是指在面临多种方案时需要依据一定的标准选择某一种方案。 购物:买钢笔,一般要依据质量、颜色、实用性、价格等方面的因素来选择某一只钢笔。 买饭,则...
  • 边界值三点分析法

    千次阅读 2017-07-25 09:44:13
    边界值分析法是对等价类划分法做补充的一种黑盒测试设计方法。 实践中,由于大量的错误发生在输入、输出值的边界上,所以,对于各种边界值进行测试用例的设计,可以查出更多的错误。 边值点的定义: 上点:边界...
  • 断点分析法_局部线性回归_matlab

    万次阅读 热门讨论 2016-07-11 10:51:58
    本文介绍断点分析法在数据作假方面的应用 局部线性回归的matlab实现
  • 数学建模方法——SPSS主成分分析法

    万次阅读 多人点赞 2019-12-02 21:50:48
    数学建模方法——主成分分析法 Ⅰ.主成分分析: ​ 主成分分析(Principal Component Analysis,PCA), 将多个变量通过线性变换以选出较少个数重要变量的一种 多元统计分析方法。 主成分与原始变量之间的关系: ​...
  • 主成分分析法:简介

    万次阅读 2017-06-13 13:38:26
    1.主成分分析法简介 从本质上来讲,主成分分析法是一种空间映射的方法,将在常规正交坐标系(我们看到的)的变量通过矩阵变换操作映射到另一个正交坐标系中的主元。这个映射的目的是为了减少变量间的线性相关性。...
  • 数学建模方法——层次分析法(AHP)

    万次阅读 多人点赞 2019-12-04 17:10:33
    0. 层次分析法简介 层次分析法(Analytic Hierarchy Process,简称AHP)主要是对于定性的决策问题进行定量化分析的方法。举个例子,在日常生活中,我们经常需要进行感性的判断,比如报高考志愿,感觉清华北大都很好...
  • 边界值分析法

    千次阅读 2019-09-29 21:12:27
    边界值分析法也是一种常用的黑盒测试方法。 分析边界的原因:大量的错误是发生在输入或输出范围的边界上,而不是在输入范围的内部。 如何解决边界值的问题? 找到测试数据的边界点,也就是有效等价类和无效等价类...
  • 社会关系网之中心性分析法

    千次阅读 2013-05-30 14:59:23
    经常研究社会关系网的同学应该对社会关系网中的分析法比较熟悉,最近在写毕业设计用到了这方面的知识,所以在这个总结。社会关系网是一门研究社会中社会实体(称为参与者)以及他们之间的活动与关系的学问。这种...
  • Matlab主成分分析法

    万次阅读 多人点赞 2018-03-06 11:14:07
    主成分分析又称主分量分析,由皮尔逊在1901年首次引入,后来由霍特林在1933年进行了发展。主成分分析是一种通过降维技术把多个变量化为少数几个主成分(即综合变量)的多元统计方法,这些主成分能够反映原始变量的大...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 370,280
精华内容 148,112
关键字:

内容分析法怎么做