模糊聚類分析例子1-wenkub
2023-07-11 07:29:39 本頁面
【正文】 復(fù)思考比較，構(gòu)造了它們之間的成對比較判斷矩陣。a=[1 3 7 81/3 1 5 51/7 1/5 1 31/8 1/5 1/3 1]。b4=[1 1/5 35 1 71/3 1/7 1]。num=find(diag(y)==lamda)。,int2str(i)])))。 %方案層的特征向量CR1(i)=(lamdan2)/(n21)/ri(n2)。x0=find(a=320)。,ones(n1,1)]。,39。a39。x039。,[0:n1])。yuce=[x0(1),diff(yuce1)]5. Verhulst預(yù)測模型在實際問題中，常遇到原始數(shù)據(jù)本身呈 S形的過程，這時，可取原始數(shù)據(jù)為，其一次累減生成（1—IAGO）為，建立Verhulst模型，直接對進(jìn)行預(yù)測（模擬）。（1）設(shè)為1990～2003 年死亡人數(shù)的原始數(shù)據(jù)序列，即 （2）對x(1)作一次累減生成（1—IAGO），由得 （3） 對作緊鄰均值生成，令 得 （4） 對參數(shù)列 進(jìn)行最小二乘估計，得 （5）Verhulst模型為 (6) 模型精度檢驗(過程略) 平均相對誤差Δ = %，則模型精度為二級；，均方差比值C ，則模型精度為一級，可見模型精度較高，可用于事故預(yù)測。plot(nian,x1,39。x0=[x1(1),x0]for i=2:nz1(i)=*(x1(i)+x1(i1))。abhat=B\Y x=dsolve(39。)。b39。 yuce=subs(x,39。 x=vpa(x) x1_all=x1。s1=abs(sum(yuce_0(1:end1))+*yuce_0(end))。t39。x1=cumsum(x0) %x1為累加數(shù)列a_x0=diff(x0)。,ones(n1,1)]。,39。a139。b39。c239。,0:n1)。lamda=x0(1:n1)./x0(2:n)。Y=x0(2:n)39。,39。a39。x039。,[0:n1])。yuce=[x0(1),diff(yuce1)]%預(yù)測數(shù)據(jù)clc,clearx1=[,41,]。x5=[7,]。x9=[,69]。x7=[,]。x3=[,]。t39。yuce1=subs(x,39。b39。)。x=dsolve(39。endB=[z(2:n)39。根據(jù)上海證券交易所綜合指數(shù)的周收盤指數(shù)數(shù)據(jù)，從1997年2月21日到1998年10月31日的周收盤指數(shù)曲線如圖所示：解：取9條等間隔的等高線，分別為=1140，=1170，=1200，=1230，=1260，=1290，=1320，=1350，=1380的等高時刻序列分別為對應(yīng)于=1140，=（,41,）對應(yīng)于=1170，=（,23,76,）對應(yīng)于=1200，=1230，=1260，=1290，=1320，=1350，=1380分別為=（,）=（,85）=（7,）=（,）=（,）=（,）=（,69）對（i=1,2,3,…9）序列，進(jìn)行GM（1,1）預(yù)測，起響應(yīng)時分別為y1=+*exp(*t)y2=+*exp(*t)y3=+*exp(.166865*t)y4=+*exp(.159938*t)y5=+*exp(.446077*t)y6=+*exp(.550388*t)y7=+*exp(.191636*t)y8=+*exp(.185059*t)y9=+*exp(.488018*t)對在1998年11月到200
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1