精华内容
下载资源
问答
  • 阜新经济转型中的制度架构调查与探究——从环境资源法角度分析,肖彦金,王振华,新作为全国首个资源枯竭型城市经济转型试点市,在国务院和辽宁省的支持下,经过八年的努力,取得了阶段性成果。但是,大量“掠
  • 杜邦分析法是一种用来评价公司盈利能力和股东权益回报水平,从财务角度评价企业绩效的一 种经典方法。其基本思想是将企业净资产收益率逐级分解为项财务比率乘积,这样有助于深入分析比较企业经营业绩
  • 游戏拥有宠物、等战斗培养元素,还引入竞技场、攻城战等PVP玩 小编心水这款游戏很久了。 终于找到>>>官方平台<<<准备氪金体验一下。 首先进入平台端,找到《时空猎人》下载安装。接下来...

    《时空猎人》讲述了时空裂隙的出现,导致大批魔物入侵阿达拉大陆。玩家可扮演狼人、机械师、异能者、冰魄等职业,与这片大陆的人们保卫家园。

    游戏拥有宠物、等战斗培养元素,还引入竞技场、攻城战等PVP玩法

    小编心水这款游戏很久了。

    终于找到>>>官方平台<<<准备氪金体验一下。

    首先进入平台端,找到《时空猎人》下载安装。接下来便是游戏中的感受了。

    界面还比较炫酷,所以手残点下去下载了坏笑 打开的速度非常流畅,里面的道具和角色也非常多样。 我当时是选择了狼人作为英雄,因为二技能的打击特效做得非常炫酷,事实上,这只狼人出色的表现证明了我的选择是对的,它帮我升到了60级……只是不知道后来为什么就淡出视野,想想也是觉得奇怪。 这几天下载了一下,点进去用狼人再刷了几关。发现服务器上并没有太多人玩这个,活跃度不高。尽管游戏的画面还是卡通一般的表现,但绑金的奖励和金币的加成都挺丰富的呀?怎么我老是觉得上面除了NPC,其他活跃的都是带着各种氪金时装的土豪??真的,猎人老粉们,请不要打我不开心 不开心 我是觉得这样好玩的游戏应该再多丰富一些。 值得欣慰的是,我一直深爱着的狼人,依旧宝刀未老。

    热血打斗的一款手游,有着许许多多的玩法。各种各样的玩法能够让你一天的时候排得满满的。能够让你一直在战斗中。现在时空没有砸的话是跟不上第一批次的玩家的。就算一直刷副本也不能保证你的装备跟的上,没有了刚开始接触的那么简单了。当时玩的时候还只是打比尔,天空之城。 随着不断的跟进这款手游,却发现自己没有怎么充根本比不上人民币的玩家,现在出了许许多多的新角色,比如征服者,影武者,等等却发现比自己觉醒的老角色还要来的强力,坐骑,时装,还有机甲,都是能够加战力的。却发现你要不玩充点,还是比不过别人。 现在的时空都是一些老玩家还在坚持着,凭借区服排名的话,所有的游戏中我还是只佩服银汉 时空猎人画面算不上多么好,可是热血的打斗总能留住一部分的玩家,加上过地图基本不用怎么等待,形成了一个快速过地图的战斗。还有很带有技能打击感的画画,总是能吸引人不断的去战斗,还是有着一部分的人会喜欢的 所以时空猎人这款游戏依然在火的同时,也鲜少有游戏能够取缔它的地位

    记得哦,还有当富豪宝石刚出来的时候那个轰动,还有原来的整个世界都在一张大地图。还有原来刷了几十遍还过不了关的噩梦岛。我还记得原来的几个角色都有好多技能,那时候的有趣现在是替代不了的。。。

    这游戏要想快速玩好是很氪金的,一个机甲乃至英雄需要几百元,记忆尤新的是以前有个“龙影”的角色,刚开始出来的时候战力非常强,很容易被暴打,后来过了很久,某天进去的时候竟然发现龙影免费送了,呵呵,这让那些氪金的情何以堪,还有机甲,我用了二十元吧买了一个,后面的也要钱,但没有刚出的时候贵。 还有那些宝石,之前一个王者宝石都非常非常难以获得,后来随随便便全身就是王者

    如果你也想和小编一起成为大R,体验一把《时空猎人》就到>>>官方平台<<<(点击)来吧!

    《时空猎人》5周年庆华丽开启了,狂欢不止,引爆经典格斗!自动蓄能新角色“猎魔使”惊艳登场!猎魔使具备非常强势的蓄能技能和逃生技能,瞬间爆发强大攻击力!新玩法“胜者为王”强势登场!属性统一,超大区域,多人混战,还有各种随机事件,一切只为成功吃鸡!老玩家回归即领155级、100万战力高级角色一个,更有4级符文、雷霆宝石、神威装备等丰厚

    转载于:https://www.cnblogs.com/lishenglyx/p/10002852.html

    展开全文
  • 闫氏DP分析法

    千次阅读 2020-03-26 19:03:45
    闫氏DP分析法 本节是学习了B站一个大佬up主大雪菜的DP分析方法,这个UP主的很解题思路都总结的很好,之所以叫闫氏分析法是因为UP主姓闫,这是听课笔记。下面是课程链接: ...seid=1472099735408379551 ...

    闫氏DP分析法

    本节是学习了B站一个大佬up主大雪菜的DP分析方法,这个UP主的很多解题思路都总结的很好,之所以叫闫氏分析法是因为UP主姓闫,这是听课笔记。下面是课程链接:
    https://www.bilibili.com/video/BV1X741127ZM?from=search&seid=1472099735408379551

    核心:从集合角度分析DP问题

    1.状态表示 f(i)

    • 集合,划分依据:寻找最后一个不同点
    • 属性 max,min,count

    2.状态计算,化整为零的过程

    例题1,01背包问题

    有N件物品和一个容量式V的背包,每件物品只能使用一次

    第i件物品的体积式vi,价值是wi

    求将这些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大

    DP

    状态表示:f(i,j)

    集合:只考虑前i个物品,且总体积不超过j的选择方案集合

    属性:max f(N,V)

    状态计算:

    集合1,不选第i个物品的方案,f(i-1,j)

    集合2,选第i个物品的方案,f(i-1,j-vi)+wi

    将集合1和集合2取最大值就是所求答案 max(f(i-1,j),f(i-1,j-vi)+wi)

    /*01背包问题的朴素写法,二维数组*/
    #include<iostream>
    using namespace std;
    
    const int N=1010;
    int n,m;
    int V[N],W[N];int f[N][N];
    
    int main(){
        cin>>n>>m;
        for(int i=0;i<=n;i++) cin>>V[i]>>W[i];
        
        for(int i=1;i<=n;i++{
            for(int j=0;j<=m;j++){
                f[i][j]=f[i-1][j];	//集合1的子集
                if(j>=V[i]) f[i][j]=max(f[i][j],f[i-1][j-V[i]]+W[i]);
            }
        }
        cout<<f[n][m]<<endl;
        return 0;
    }
    
    /*01背包问题优化,一维数组*/
    #include<iostream>
    using namespace std;
    
    const int N=1010;
    int n,m;
    int V[N],W[N];int f[N];
    
    int main(){
        cin>>n>>m;
        for(int i=0;i<=n;i++) cin>>V[i]>>W[i];
        
        for(int i=1;i<=n;i++{
            for(int j=m;j>=V[i];j--){
              f[j] = max(f[j],f[j-V[i]]+W[i]);
            }
        }
        cout<<f[m]<<endl;
        return 0;
    }
    

    例题2.完全背包问题

    01背包中每个物品只能用1次,完全背包的每个物品可以用无限次

    把01背包问题从大到小遍历改为从小到大遍历就是完全背包

    DP

    状态表示:

    集合:所有只从前i个物品中选,总体积不超过j的方案集合

    属性:max

    状态计算:

    集合0:选0个第i个物品,f(i-1,j)

    集合1:选1个第i个物品,f(i-1,j-Vi)+Wi

    集合K:选k个第i个物品,f(i-1,j-kVi)+kWi

    f(i,j) = max(f(i-1,j),f(i-1,j-vi)+Wi,…,f(i-1,j-kVi)+kWi)

    f(i,j-vi) = max(f(i-1,j-Vi),f(i-1,j-2Vi)+Wi,…,f(i-1,j-kVi)+kWi)

    立即推:f(i,j) = max(f(i-1,j),f(i,j-Vi)+Wi)

    /*
    01背包:f[i][j] = max(f[i-1][j],f[i-1,j-v]+w)
    完全背包:f[i][j] = max(f[i-1][j],f[i][j-v]+w)
    */
    #include<iostream>
    using namespace std;
    
    const int N=1010;
    int n,m;
    int V[N],w[N];
    int f[N][N];
    
    int main(){
        cin>>n>>m;
        
        for(int i=1;i<=n;i++){
            for(int j=1;j<=m;j++){
                f[i][j]=f[i-1][j];
                if(j>=V[i]) f[i][j] = max(f[i][j],f[i][j-v[i]]+w[i]);
            }
        }
        cout<<f[n][m]<<endl;
        return 0;
    }
    
    /*
    完全背包问题优化
    */
    #include<iostream>
    using namespace std;
    
    const int N=1010;
    int n,m;
    int V[N],w[N];
    int f[N];
    
    int main(){
        cin>>n>>m;
        
        for(int i=1;i<=n;i++){
            for(int j=v[i];j<=m;j++){
                f[j] = max(f[j],f[j-v[i]]+w[i]);
            }
        }
        cout<<f[m]<<endl;
        return 0;
    }
    

    例题三,合并石子问题

    每次只能合并相邻的两堆,合并的代价为这两堆石子的质量和,合并后与这两堆石子相邻的石子和新堆相邻,合并时由于选择的顺序不同,合并的代价也不同

    比如有4堆 1 3 5 2 ,我们可以先合并1、2堆,代价为4,得到452,又合并1,2堆代价为9,得到9,2,再合并得到11,总代价为4+9+11

    找出一种合适的方法,使总合并代价最小

    DP

    状态表示:

    集合:所有将[i,j]合并成一堆的方案

    属性:min

    **状态计算:**f[i,j] = f[i,k]+f[k+1,j]+s[j]-s[i-1];

    #include<iostream>
    using namespace std;
    const int N=310;
    int n;
    int s[N];		//前n项和
    int f[N][N];
    
    int main(){
        cin>>n;
        for(int i=1;i<=n;i++) cin>>s[i],s[i]+=s[i-1];
        
        for(int len=2;len<=n;len++){
            for(int i=1;i+len-1<=n;i++){
                int j=i+len-1;
                f[i][j]=1e8;
                for(int k=i;k<j;k++)
                    f[i][j]=min(f[i][j],f[i][k]+f[k+1][j]+s[j]-s[i-1]);
            }
        }
        cout<<f[1][n]<<endl;
        return 0;
        
    }
    

    例题四:最长公共子序列

    给定两个长度分别为N和M的字符串A,B,求即是A的子序列又是B的子序列的字符串长度是多少。

    DP

    状态表示:

    集合:所有A[1,i]与B[1,j]的公共子序列的集合

    属性:max

    **状态计算:**f[i,j] = max(f[i-1,j],f[i,j-1],f[i-1,j-1]+1)

    #include<iostream>
    using namespace std;
    const int N=1010;
    
    int n,m;
    char a[N],b[N];
    int f[N][N];
    
    int main(){
        cin>>n>>m>>a+1>>b+1;
        for(int i=1;i<=n;i++){
            for(int j=1;j<=m;j++){
                f[i][j] = max(f[i-1][j],f[i][j-1]);
                if(a[i]==b[j]) f[i][j]=max(f[i][j],f[i-1][j-1]+1);
            }
        }
        cout<<f[n][m]<<endl;
        return 0;
    }
    
    
    展开全文
  • 在实际问题中,经常遇到需要研究两组多重相关变量间的相互依赖关系,并研究用一组变量(常称为自变量或预测变量)去预测另一组变量(常称为因变量或响应变量), 除了最小二乘准则下的经典多元线性回归分析(MLR),提取自...
    28f51a927051504f98567173857e6ad8.gif

    在实际问题中,经常遇到需要研究两组多重相关变量间的相互依赖关系,并研究用一组变量(常称为自变量或预测变量)去预测另一组变量(常称为因变量或响应变量), 除了最小二乘准则下的经典多元线性回归分析(MLR),提取自变量组主成分的主成分回归分析(PCR)等方法外,还有近年发展起来的偏最小二乘(PLS)回归方法。 

    偏最小二乘回归提供一种多对多线性回归建模的方法,特别当两组变量的个数很多,且都存在多重相关性,而观测数据的数量(样本量)又较少时,用偏最小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。 偏最小二乘回归分析在建模过程中集中了主成分分析,典型相关分析和线性回归分析方法的特点,因此在分析结果中,除了可以提供一个更为合理的回归模型外,还可以同时完成一些类似于主成分分析和典型相关分析的研究内容,提供更丰富、深入的一些信息。

    今天我们学习偏最小二乘回归分析的建模方法;通过例子从预测角度对所建立的回归模型进行比较。

    偏最小二乘回归

    考虑 p 个变量 y1 , y2 ,... , yp  " 与 m 个自变量  x1 , x2 ,... , xm " 的建模问题。

    偏最小二乘回归的基本作法是首先在自变量集中提出第一成分 t1 ( t1 是 x1 ,... , xm" 的线性组合,且尽可能多地提取原自变量集中的变异信息);同时在因变量集中也提取第一成分u1 , 并要求 t1 与 u1 相关程度达到最大。然后建立因变量  y1, ..., yp与 t1的回归,如果回归方程已达到满意的精度,则算法中止。否则继续第二对成分的提取,直到能达到满意的精度为止。若最终对自变量集提取 r 个成分 t1 ,t2 ,... ,tr ,偏最小二乘回归将通过建立 y1 ,... , yp 与 t1 ,t2 ,... ,tr  的回归式,然后再表示为 y1 ,... , yp " 与原自变量的回归方程式, 即偏最小二乘回归方程式。

    为了方便起见,不妨假定 p 个因变量 y1 ,... , yp  与 m 个自变量 x1 ,... , xm  均为标准化变量。因变量组和自变量组的n 次标准化观测数据阵分别记为

    6e3740f300e3a608cec4acbc368794ec.png

    偏最小二乘回归分析建模的具体步骤如下:

    e3e572df8bca826dca50721e1b569e4a.png

    (1)分别提取两变量组的第一对成分,并使之相关性达最大。

    假设从两组变量分别提出第一对成分为t1 和u1 ,t1 是自变量集 X (x1 ,... , xm )T = 1 的线性组合:

    f18628b9052e45b1fa7f0fc1209eebf5.png

    u1 是因变量集

    81a38d93a76913c5ae6d003be055a25d.png

    的线性组合:

    8063eafea0b0ae4a2f48b4100fa26da3.png

    为了回归分析的需要,要求:

    ① t1 和 u1 各自尽可能多地提取所在变量组的变异信息;  

    ② t1 和 u1 的相关程度达到最大。

    由两组变量集的标准化观测数据阵 E0 和 F0 ,可以计算第一对成分的得分向量,记 为 tˆ1 和  uˆ1

    0772343d867ba164efd4bb5c519c01e2.png

    第一对成分 t1 和 u1 的协方差Cov(t1 ,u1 )  , 可用第一对成分的得分向量 tˆ1 和  uˆ1 的内积来计算。故而以上两个要求可化为数学上的条件极值问题:

    e6e83b9fdf7b85a0972c667e76f065d2.png

    利用Lagrange乘数法,问题化为求单位向量 w1和v1,使

    018463d06b58ddb0e3c9f5de2c1816f7.png

    最大。问题的求解只须通过计算 m× m 矩阵

    5a917c581ef0d6588523991b2c42bfd5.png

    的特征值和特征向量。

    且 M 的最大特征值为θ12  ,相应的单位特征向量就是所求的解 w1,而  v1 可由 w1计算得到

    67cb6d124d770dda21411af5950aaeb8.png

    (2)建立  y1 ,... , yp " 对 t1 的回归及 x1 ,... ,xm " 对 t1 的回归。 假定回归模型为

    71a849310d3c206d616d27c19be911f3.png

    其中

    26335a4a66fc12539b148e79601e1dff.png

    分别是多对一的回归模型中的参数向量, E1和 F1是残差阵。回归系数向量 α1 , β1 的最小二乘估计为

    c1b473a131a6b3a73b81418327d1f76c.png

    称 α1 , β1 为模型效应负荷量。

    (3)用残差阵 E1和 F1代替 E0 和 F0 重复以上步骤。

    e6ec05d2d26e45b5a0cdeac5890fdb7b.png

    则残差阵

    69e0f4868323ee5c03c321231db9b2e7.png

    如果残差阵 F1 中元素的绝对值近似为 0,则认为用第一个成分建立的回归式精度已满足需要了,可以停止抽取成分。否则用残差阵 E1和 F1代替 E0 和 F0 重复以上步骤即得:

    bbb1f91360f3595c41cb80af9b255ed3.png

    分别为第二对成分的权数。而

    340c73ff8e282de1481159bf3e9a5692.png

    v 为第二对成分的得分向量。

    dd832cee6788d7254e1434410e4574c0.png

    分别为 X ,Y 的第二对成分的负荷量。这时有

    fa7eedebfc9faa1971a1c47d67dc92ca.png

    (4)设 n × m 数据阵 E0 的秩为 r ≤ min(n −1,m) ,则存在 r 个成分 t1 ,t2 , ...,t" , 使得

    fd1314409c2d43c6f938f39ed2c28e88.png

    把 tA=wk1x1+...+wkmxm(k=1,2,...,,r)

    代入 Y = t1β1 +...+ tr βr ,即得 p 个因变量的偏最小二乘回归方程式

    00a9302abbae62a9749598829059599d.png

    (5)交叉有效性检验。 

    一般情况下,偏最小二乘法并不需要选用存在的 r 个成分  t1 ,t2 ,... ,tr来建立回归式,而像主成分分析一样,只选用前l个成分(l ≤ r ),即可得到预测能力较好的回归模型。对于建模所需提取的主成分个数l,可以通过交叉有效性检验来确定。

    每次舍去第i 个观测(i = 1,2,", n ),用余下的 n −1个观测值按偏最小二乘回归方法建模,并考虑抽取h 个成分后拟合的回归式,然后把舍去的第i 个观测点代入所拟合的回归方程式,得到 yj ( j =1,2,.. , p) 在第i 个观测点上的预测值yˆ(i)j(h)   。对 i = 1,2,..., n 重复以上的验证,即得抽取 h 个成分时第 j 个因变量 yj ( j =1,2,.. , p)   " 的预测误差平方和为

    55c291612af8813460006a6afcbce31b.png

    Y= ( y1 ,... , yp ) T的预测误差平方和为

    2b2753fed5b4f526643c368a8d1ca02f.png

    另外,再采用所有的样本点,拟合含h 个成分的回归方程。这时,记第i 个样本点 的预测值为 yijˆ (h)  ,则可以定义  yj 的误差平方和为

    f3d44f8b774f3f87429f3ba64c3a2e85.png

    定义Y 的误差平方和为

    85839145a89d7e218d5abd49618d1590.png

    当 PRESS(h) 达到最小值时,对应的 h 即为所求的成分个数。通常,总有PRESS(h) 大于SS(h) ,而SS(h) 则小于SS(h −1)。因此,在提取成分时,总希望比值 PRESS(h) SS(h −1) 越小越好;一般可设定限制值为 0.05,即当

    dd2dd85ef8bc548faac56c6c07b75d84.png

    时,增加成分 t h有利于模型精度的提高。或者反过来说,当

    7c59778603e5497be5db8443218a36f5.png

    时,就认为增加新的成分 th ,对减少方程的预测误差无明显的改善作用。

    为此,定义交叉有效性为

    8e808fadd429b31376e9a9e5734ccbef.png

    这样,在建模的每一步 计算结束前,均进行交叉有效性检验,如果在第 h 步有

    fa33197e954710e22dd71b25cc48c4a0.png

    则模型达到精度要求,可停止提取成分;若  Qh2  ≥0.0975 ,表示第h 步提取的 th 成分的边际 贡献显著,应继续第 h +1步计算。

      END 

    模友们可能已经发现:现在公众号推送文章的顺序,已经不会按时间排列了。这种变化,可能会让各位模友错过我们每天的推送。

    所以,如果你还想像往常一样,聚焦数模乐园,就需要将“数模乐园”标为星标公众号,同时在阅读完文章后,别忘了给一个“在看”哦。

    星标步骤

    (1)点击页面最上方“数模乐园”,进入公众号主页

    (2)点击右上角的小点点,在弹出页面点击“设为星标”,就可以啦。

    841b9e1ffadca04ef5abccdc30298f17.gif63bcc6bb2f997d7823c1181acc47ebd1.png

    扫码关注我们

    df6157b5fbd110982d4d639bb0da9f9a.png

    2020国际赛QQ参赛群

    5f128d9d2f0144fdc70600c70aa030d5.png88beee94bb7d4becef2d6212412cbcef.gif

    球分享

    88beee94bb7d4becef2d6212412cbcef.gif

    球点赞

    88beee94bb7d4becef2d6212412cbcef.gif

    球在看

    展开全文
  • 一、趋势面分析法(2007-03-0614:45:57)转载下面将就趋势面分析、克里金、形函数法三种算法作简单介绍,以后将进一步整理一些资料,介绍更优秀的实用算法。一、趋势面分析法趋势面分析法是针对大量离散点信息,从...

    一、趋势面分析法

    (2007-03-06 14:45:57)

    转载

    下面将就趋势面分析、克里金、形函数法三种算法作简单介绍,以后将进一步整理一些资料,介绍更

    多优秀的实用算法。

    一、趋势面分析法

    趋势面分析法是针对大量离散点信息,从整体插值角度出发,来进行趋势渐变特征分析的最简单的方

    法。趋势面分析一般是采取多项式进行回归分析。趋势面通常应用多项式回归,主要是因为多项式回归的

    求解比较简单,通常可以得到显示的数学解答。回归方法采用最小二乘法原理,其本质就是对回归函数在

    某个区间上的极值求取。

    M

    N

    项多项式趋势面基本可以表示以下形式:

    要注意在上式中,

    是参变量,但不是每个参变量都是独立参变量。

    在实际分析中,

    M

    一般取

    1

    2

    3

    。一般来说来

    M

    不取超过

    3

    以上的高阶

    ,

    主要基于两方面,一是高

    阶求解相对复杂,二是高级很难赋予物理意义。

    N

    取多参变量在生产实践中是很常见的。

    对于任何一组离散型数据,多项式趋势面到底取多少阶和多少个参变量,有一个临界限制:就是不管

    你取多少阶和多少个参变量,只要待求趋势面中的独立参变量总数小于或者等于已知离散控制点的数量就

    可以。

    事实上,趋势面分析并不限制只取多项式趋势面,可以取任何函数构成的趋势面,如以下形式:

    展开全文
  • Excel案例-杜邦分析法

    2020-12-30 08:45:24
    杜邦分析法是一种用来评价公司盈利能力和股东权益回报水平,从财务角度评价企业绩效的一种经典方法。其基本思想是将企业净资产收益率逐级分解为项财务比率乘积,这样有助于深入分析比较企业经营业绩。 2. 杜邦...
  • 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,做个抛砖引玉,希望雪球越来越有兴趣共同学习、进步的朋友加入,分享更的干货。  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,...
  • 平均分析法顾名思义,就是用平均数来反映数据在某一特征下的水平,平均分析通常和对比分析结合在一起,从时间和空间角度衡量差异,找到其中的趋势和规律。 01 不得不提的平均数 平均数用来反映一组数据的...
  • 在实际问题中,经常遇到需要研究两组多重相关变量间的相互依赖关系,并研究用一组变量(常称为自变量或预测变量)去预测另一组变量(常称为因变量或响应变量), 除了最小二乘准则下的经典多元线性回归分析(MLR),提取自...
  • 测试-边界值分析法   边界值分析法就是对输入或输出对边界值进行测试对一种黑盒测试方法。测试工作经验告诉我们,大量对错误是发生在输入或输出范围对边界上,而不是发生在输入输出范围对内部(从开发角度可以发现...
  • 无关乎算法原理,本文将从用户体验的角度,着重分析维度数据处理的降维方法:主成分分析法(PC A)主成分分析法(PC A):类似SUS,该方法能够将诸多因子如(满意度,可用性,简易性等指标转化成低维度数据,以数字或...
  • 基于层次分析法的农机品牌资产评估指标权重的研究,路鹏,卢慧玲,品牌资产引擎模型是一种完全从消费者认知角度对品牌资产进行评估的方法,其评估指标体系的构成具有层次、指标和复杂性的特性
  • 1. 什么是功能点分析法(FPA) 功能点分析法,简称FPA,与代码行分析法是近年来最流行的两种基础软件规模估算和度量方法。 代码行估算法侧重技术角度,需要一定的基准数据支撑。基准数据越,估算难度较小。代码行...
  • 趋势面分析法(一)

    千次阅读 2007-04-25 15:15:00
    一、趋势面分析法 趋势面分析法是针对大量离散点信息,从整体插值角度出发,来进行趋势渐变特征分析的最简单的方法。趋势面分析一般是采取多项式进行回归分析。趋势面通常应用多项式回归,主要是因为多项式回归的...
  • 作者 | 四七来源 | 公众号东篱笆下社会网络分析方法(SNA)是一类考虑了个行动者间社会关系的方法论,适用于研究诸如学校、企业、组织到国家的一个整体单位。考虑到网络中存在的巨大关系网络,本文将从社交和内容...
  • 我们先看看赚钱这个角度,因为基金有很种,赚钱最厉害的叫对冲基金。在2004年的时候全球排名前10的对冲基金里只有一家是用量化分析技术为主的。到了2018年这个数据变了,大家看前10家里已经有7家是使用量化技术了...
  • 从特征识别角度分析了现有频率估计方法的信号分解结构的特点,提出了一种降频域分解结构,将对应不同时间的个单频信号融合构成一个组合信号,以利用时域已知信息并形成信息积累作用,能有效抑制干扰频率和削弱冲击噪声...
  • 层次分析法从基本应用的角度上来说,可以认为成一种进行决策分析的方法。它适用于那些缺乏定量数据的决策场景。通过将一个复杂目标进行分层,最后达到评判最优方案的目的。层次分析法将一个复杂目标分为三层:A.目标...
  • 领域建模有很种方法,对于同样的问题域使用不同的建模手段得到的模型可能也不尽相同。于是我经常听到这样一个问题:怎么才能保证建模的正确性?这听起来是个合理的质疑,但实际上却不是那么有道理。首先我们需要...
  • 算法分析之大O、大Ω、大Θ和小o表示

    千次阅读 热门讨论 2010-11-23 11:51:00
    本文就将从角度来讨论它们的具体定义并给出一些例子,其中大O表示、大Ω表示、大Θ表示可以视为一种组合,而大O表示和小o表示又被视为另外一种组合,搞清楚同一组内各种记号系统的关系非常重要
  •  %如果暂时没有对象的话,更好… 我们可以选取个备选方案 (1 号, 2 号… 等等),分别将备选方案的各项指标的实际值与上一步的权重相乘,就得到了每个备选的得分,得分最高的,就是最优方案。  %比如,觉得颜值....
  • 以常见的十字单元为例,经过递归产生二阶十字分形单元,结合Floquet周期理论和边界条件应用矩量对分形FSS的传输特性进行理论分析与设计,获得在准光学波段58 GHz和145 GHz处谐振的单屏FSS,谐振频率的透射率均大于...
  • 对具有一维高斯分布粗糙表面的半透明介质层光谱散射,基于微面斜率建立了考虑遮蔽效应的粗糙表面光谱辐射传递概率模型,采用蒙特卡罗模拟光谱辐射能束在粗糙表面、半透明介质层介质与镜反射基底之间的次反射、...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 395
精华内容 158
关键字:

多角度分析法