matlab与mathematica（90）
灰色系统是相对于黑色系统和白色系统而言的。
白色系统：系统的内部特征是完全已知的，即系统的信息是完全充分的。
黑色系统：一个系统的内部信息对外界来说是一无所知的，只能通过他与外界的联系来加以观测研究。
灰色系统：一部分信息是已知的，另一部分信息是未知的，系统内各因素之间具有不确定关系。其特点是‘少数据建模’，着重研究‘外延明确，内涵不明确’的对象。
灰色系统具有相对性与广泛性。指系统对于不同对象的灰度不一样。作为实际问题，灰色系统在大千世界中是大量存在的，绝对的白色或黑色系统是很少的。
灰色预测法：灰色预测法是一种对含有不确定因素的系统进行预测的方法 。它通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。它用等时间距离观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或者达到某一特征量的时间。
基本思想是用原始数据组成原始序列(0)，经累加生成法生成序列(1)，它可以弱化原始数据的随机性，使其呈现出较为明显的特征规律。对生成变换后的序列(1)
建立微分方程型的模型即GM模型。
GM(1,1) 模型表示1阶的、1个变量的微分方程模型。GM(1,1) 模型群中，新陈代谢模型是最理想的模型。这是因为任何一个灰色系统在发展过程中，随着时间的推移，将会不断地有一些随即扰动和驱动因素进入系统，使系统的发展相继地受其影响。用GM(1,1) 模型进行预测，精度较高的仅仅是原点数据(0)(n) 以后的1到2个数据，即预测时刻越远预测的意义越弱。而新陈代谢GM(1,1)模型的基本思想为越接近的数据，对未来的影响越大。也就是说，在不断补充新信息的同时，去掉意义不大的老信息，这样的建模序列更能动态地反映系统最新的特征，这实际上是一种动态预测模型。
1、不需要大量样本。
2、样本不需要有规律性分布。
3、计算工作量小。
4、定量分析结果与定性分析结果不会不一致。
5、可用于短期、中长期预测。
6、灰色预测准确度高。
灰度预测模型：
x0=[79,72.0,92.0,110.,82.0,66.0,81.0,103.,91.0,84.0,106.,88.0,83.0,64.0,76.0,92.0,73.0,71.0,84.0,77.0,89.0,63.0,88.0,90.0,76.0,68.0,89.0,81.0,80.0,68.0,84.0,77.0,71.0,63.0,85.0,82.0,70.0,62.0,84.0,85.0,80.0,71.0,87.0,79.0,78.0,68.0,81.0,85.0,75.0,66.0,83.0,226.,206.,186.,167.,147.,106.,88.0,146.,191.]
n=length(x0);%求x0的长度
x1=zeros(1,n);%生成与x0等长度的零向量
x1(1)=x0(1);%将x0首位赋值给x1
%计算累加序列 x1
x1(i)=x1(i-1)+x0(i); %x1为x0的累加序列
%对原始数列平行移位并赋给y
y(i-1)=x0(i);
y=y' %将 y 变成列向量
%计算数据矩阵 B 的第一列数据
c(i)=-0.5*(x1(i)+x1(i+1));
%两个数平均值取负数，总感觉饶了一大圈
B=[c' ones(n-1,1)];%构造矩阵 B ，转置后找个1伴随
au=inv(B'*B)*B'*y;%计算参数 au 矩阵
%计算预测累加数列的值
ago(i)=(x0(1)-au(2)/au(1))*exp(-au(1)*(i-1))+ au(2)/au(1);
yc(1)=ago(1);
%还原数列的值
yc(i+1)=ago(i+1)-ago(i);
error(i)=yc(i)-x0(i);
%计算残差值 yc(1)=ago(1);
%修正的还原数列的值 ，我怎么感觉没修正的样子
yc(i+1)=ago(i+1)-ago(i);
c=std(error)/std(x0);
%计算后验差比，也就是残差标准差和原数值标准差的比值
if(abs(error(i)-mean(error))&0.6745*std(x0))
end%看残差中有几个数值和残差均值的相差不大
p=p/(n-1);%p分配到每个参与的残差上，即为小误差概率的值
w1=min(abs(error));
w2=max(abs(error)); %计算残差的最大最小位
%计算关联度 w
w(i)=(w1+0.5*w2)./(abs(error(i))+0.5*w2);
w=sum(w)/(n-1);
%输出参数 a,u 的值
%输出原始序列值
%输出累加数列 ago 的值
plot(1:60,x0,'+',1:60,yc,'*');
plot(1:60,x0,1:60,yc);
%输出预测的值
%输出残差的值
xlabel('季度');
%输出后验差比的值
ylabel(' AQI');
%输出小误差概率的值
title(' 郑州空气质量指数灰色模型预测拟和曲线');
%输出关联度 w
legend(' 实测值','预测值',4);
%预测2015年至2025年
p_ago(i)=(x0(1)-au(2)/au(1))*exp(-au(1)*(i-1))+ au(2)/au(1);
p_yc(1)=p_ago(1);
p_yc(i+1)=p_ago(i+1)-p_ago(i);
plot(p_yc)
Aqi随季度变化曲线图：
y_season=[79 72. 92. 110.4823529 82. 66. 81. 103.1685393...
91.875 84. 106.5111111 88. 83. 64.7826087 76. 92. 73....
71.2247191 84. 77. 89. 63. 88. 90. 76. 68. 89.5326087...
81. 80. 68. 84.6043956 77. 71. 63.1978022 85....
82. 70. 62.5 84. 85. 80. 71. 87.9673913...
79. 78. 68. 81. 85. 75. 66. 83....
226.3846154...
147.3977273 106.8791209 88. 146.1136364 191.7454545]%2010年第二季度到2015年第一季度的aqi的数值
x=[1:52 56:60]
yi_season=interp1(x,y_season,xi,'linear')%采用线性插值方式，插值补充缺失的点
plot(xi,yi_season,'-mo','LineWidth',2,'MarkerEdgeColor','k','MarkerFaceColor',[.49 1 .63], 'MarkerSize',6,'Color',[1 0 1])
set(gca,'XTick',[])%修改横坐标标志
text(1,48,'\fontname{30}2000年'),text(9,48,'\fontname{30}2002年'),text(17,48,'\fontname{30}2004年'),text(25,48,'\fontname{30}2006年'),text(33,48,'\fontname{30}2008年'),text(41,48,'\fontname{30}2010年')...
,text(49,48,'\fontname{30}2012年'),text(57,48,'\fontname{30}2014年')
title('2010年第二季度至2015年第一季度郑州市平均AQI变化曲线','FontWeight','bold','FontSize',20)
axis tight
ylabel('AQI指数')
灰色预测：
x0=[20.0 54.7 73.3 84.0 89.3 100 106.7 121.1 133.3 143.3]
function [e,c,w,yc]=gm(x0)
%定义函数 gm(x0)
n=length(x0);
x1=zeros(1,n);
x1(1)=x0(1);
x1(i)=x1(i-1)+x0(i);
y(i-1)=x0(i);
c(i)=-0.5*(x1(i)+x1(i+1));
B=[c' ones(n-1,1)];%构造矩阵 B ，转置后找个1伴随
au=inv(B'*B)*B'*y;%计算参数 au 矩阵
%计算预测累加数列的值
ago(i)=(x0(1)-au(2)/au(1))*exp(-au(1)*(i-1))+ au(2)/au(1);
yc(1)=ago(1);
%还原数列的值
yc(i+1)=ago(i+1)-ago(i);
error(i)=yc(i)-x0(i);
%计算残差值 yc(1)=ago(1);
%修正的还原数列的值 ，我怎么感觉没修正的样子
yc(i+1)=ago(i+1)-ago(i);
c=std(error)/std(x0);
%计算后验差比，也就是残差标准差和原数值标准差的比值
if(abs(error(i)-mean(error))&0.6745*std(x0))
end%看残差中有几个数值和残差均值的相差不大
p=p/(n-1);%p分配到每个参与的残差上，即为小误差概率的值
w1=min(abs(error));
w2=max(abs(error)); %计算残差的最大最小位
%计算关联度 w
w(i)=(w1+0.5*w2)./(abs(error(i))+0.5*w2);
w=sum(w)/(n-1);
%输出参数 a,u 的值
%输出原始序列值
%输出累加数列 ago 的值
plot([1979:n+1978],x0,'+',[1979:n+1978],yc,'*');
plot([1979:n+1978],x0,[1979:n+1978],yc);
%输出预测的值
%输出残差的值
xlabel(' 时序');
%输出后验差比的值
ylabel(' 沉降量(mm)');
%输出小误差概率的值
title(' 地面沉降灰色模型预测拟和曲线');
%输出关联度 w
legend(' 实测值','预测值',4);
灰度预测：
x = [5999,5903,5848,5700,7884];
gmcal=gm1(x)
sizexd2 = size(x,2);
x1(k)=x1(k-1)+x(k);
z1(k-1)=-0.5*(x1(k)+x1(k-1));
yn1(k-1)=x(k);
x1(k)=x(k);
sizez1=size(z1,2);
z3 = ones(1,sizez1)';
YN = yn1';
B=[z2 z3];
au0=inv(B'*B)*B'*YN;
au = au0';
afor = au(1);
ufor = au(2);
ua = au(2)./au(1);
constant1 = x(1)-
x1t1 = 'x1(t+1)';
estr = 'exp';
tstr = 't';
leftbra = '(';
rightbra = ')';
strcat(x1t1,'=',num2str(constant1),estr,leftbra,num2str(afor1),tstr,rightbra,'+',leftbra,num2str(ua),rightbra)
for y2 = x1
k2 = k2 + 1;
ze1(k2) = exp(-(k2-1)*afor);
sizeze1 = size(ze1,2);
z4 = ones(1,sizeze1)';
G=[ze1' z4];
au20=inv(G'*G)*G'*X1;
au2 = au20';
Aval = au2(1);
Bval = au2(2);
strcat(x1t1,'=',num2str(Aval),estr,leftbra,num2str(afor1),tstr,rightbra,'+',leftbra,num2str(Bval),rightbra)
nfinal = sizexd2-1 + 1;
k3=1:nfinal
x3fcast(k3) = constant1*exp(afor1*k3)+
k31=nfinal:-1:0
x31fcast(k31+1) = x3fcast(k31)-x3fcast(k31-1);
x31fcast(k31+1) = x3fcast(k31)-x(1);
x31fcast(k31+1) = x(1);
k4=1:nfinal
x4fcast(k4) = Aval*exp(afor1*k4)+B
k41=nfinal:-1:0
x41fcast(k41+1) = x4fcast(k41)-x4fcast(k41-1);
x41fcast(k41+1) = x4fcast(k41)-x(1);
x41fcast(k41+1) = x(1);
x41fcast,x
for y5 = x
k5 = k5 + 1;
if k5 & sizexd2
err1(k5) = x(k5) - x41fcast(k5);
xavg = mean(x);
err1avg = mean(err1);
s1total = 0 ;
for y5 = x
k5 = k5 + 1;
if k5 & sizexd2
s1total = s1total + (x(k5) - xavg)^2;
s1suqare = s1total ./ sizexd2;
s1sqrt = sqrt(s1suqare);
s2total = 0 ;
for y5 = x
k5 = k5 + 1;
if k5 & sizexd2
s2total = s2total + (err1(k5) - err1avg)^2;
s2suqare = s2total ./ sizexd2;
Cval = sqrt(s2suqare ./ s1suqare);
pnum = 0 ;
for y5 = x
k5 = k5 + 1;
if abs( err1(k5) - err1avg ) & 0.6745 * s1sqrt
pnum = pnum + 1;
pval = pnum ./ sizexd2;
灰度预测完美模板：
x0=[79,72.0,92.0,110.,82.0,66.0,81.0,103.,91.0,84.0,106.,88.0,83.0,64.0,76.0,92.0,73.0,71.0,84.0,77.0,89.0,63.0,88.0,90.0,76.0,68.0,89.0,81.0,80.0,68.0,84.0,77.0,71.0,63.0,85.0,82.0,70.0,62.0,84.0,85.0,80.0,71.0,87.0,79.0,78.0,68.0,81.0,85.0,75.0,66.0,83.0,226.,206.,186.,167.,147.,106.,88.0,146.,191.]
n=length(x0);
x1=zeros(1,n);
x1(1)=x0(1);
x1(i)=x1(i-1)+x0(i);
y(i-1)=x0(i);
c(i)=-0.5*(x1(i)+x1(i+1));
B=[c' ones(n-1,1)];
au=inv(B'*B)*B'*y;
i=1:n+1+m;
ago(i)=(x0(1)-au(2)/au(1))*exp(-au(1)*(i-1))+ au(2)/au(1);
yc(1)=ago(1);
yc(i+1)=ago(i+1)-ago(i);
error(i)=yc(i)-x0(i);
i=1:n-1+m;
yc(i+1)=ago(i+1)-ago(i);
c=std(error)/std(x0);
if(abs(error(i)-mean(error))&0.6745*std(x0))
p=p/(n-1);
w1=min(abs(error));
w2=max(abs(error));
w(i)=(w1+0.5*w2)./(abs(error(i))+0.5*w2);
w=sum(w)/(n-1);
plot(1:n,x0,'-.r+',1:m+n,yc,'--k*');
xlabel('季度');
ylabel(' AQI');
title(' 郑州空气质量指数灰色模型预测拟和曲线');
legend(' 实测值','预测值',4);
x0=[3. 4. 6. 7.
9. 10. 11. 11. 13.]
n=length(x0);
x1=zeros(1,n);
x1(1)=x0(1);
x1(i)=x1(i-1)+x0(i);
y(i-1)=x0(i);
c(i)=-0.5*(x1(i)+x1(i+1));
B=[c' ones(n-1,1)];
au=inv(B'*B)*B'*y;
ago(i)=(x0(1)-au(2)/au(1))*exp(-au(1)*(i-1))+ au(2)/au(1);
yc(1)=ago(1);
yc(i+1)=ago(i+1)-ago(i);
error(i)=yc(i)-x0(i);
yc(i+1)=ago(i+1)-ago(i);
c=std(error)/std(x0);
if(abs(error(i)-mean(error))&0.6745*std(x0))
p=p/(n-1);
w1=min(abs(error));
w2=max(abs(error));
w(i)=(w1+0.5*w2)./(abs(error(i))+0.5*w2);
w=sum(w)/(n-1);
plot(1:n,x0,'+',1:n,yc,'*');
plot(1:n,x0,1:n,yc);
xlabel('年份');
ylabel(' 看病难易综合指标');
title(' 中国看病难易程度综合指标灰色模型预测拟和曲线');
legend(' 实测值','预测值',4);
p_ago(i)=(x0(1)-au(2)/au(1))*exp(-au(1)*(i-1))+ au(2)/au(1);
p_yc(1)=p_ago(1);
p_yc(i+1)=p_ago(i+1)-p_ago(i);
plot(p_yc)
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：156337次
积分：3406
积分：3406
排名：第10157名
原创：191篇
评论：27条
(1)(34)(8)(2)(3)(12)(4)(18)(2)(23)(27)(4)(8)(14)(5)(14)(4)(9)
(window.slotbydup = window.slotbydup || []).push({
id: '4740881',
container: s,
size: '200,200',
display: 'inlay-fix'灰色模型预测GM(1,1)MATLAB程序代码_文档下载
亿万文档 免费下载
当前位置： &
& 灰色模型预测GM(1,1)MATLAB程序代码
灰色模型预测GM(1,1)MATLAB程序代码
灰色模型预测GM(1,1)MATLAB程序代码,有具体地 中文说明。
引用请注明出处function
gmcal=gm1(x)%% 二次拟合预测GM(1,1)模型%x = [48,];sizexd2 = size(x,2);%求数组长度k=0;for y1=xk=k+1;if k&1x1(k)=x1(k-1)+x(k);%累加生成z1(k-1)=-0.5*(x1(k)+x1(k-1));
%z1维数减1，用于计算Byn1(k-1)=x(k);elsex1(k)=x(k);endend%x1,z1,k,yn1sizez1=size(z1,2);%size(yn1);z2 = z1';z3 = ones(1,sizez1)';YN = yn1';
%转置B=[z2 z3];au0=inv(B'*B)*B'*YN;au = au0';afor = au(1);ufor = au(2);ua = au(2)./au(1);constant1 = x(1)-afor1 = -x1t1 = 'x1(t+1)';estr = 'exp';tstr = 't';leftbra = '(';rightbra = ')';strcat(x1t1,'=',num2str(constant1),estr,leftbra,num2str(afor1),tstr,rightbra,'+',leftbra,num2str(ua),rightbra)
%输出时间响应方程k2 = 0;for y2 = x1k2 = k2 + 1;if k2 & k
elseze1(k2) = exp(-(k2-1)*afor);
endendsizeze1 = size(ze1,2);z4 = ones(1,sizeze1)';G=[ze1' z4];X1 = x1';au20=inv(G'*G)*G'*X1;au2 = au20';Aval = au2(1);Bval = au2(2);strcat(x1t1,'=',num2str(Aval),estr,leftbra,num2str(afor1),tstr,rightbra,'+',leftbra,num2str(Bval),rightbra)
%输出时间响应方程nfinal = sizexd2-1 + 1;
%决定预测的步骤数5
这个步骤可以通过函数传入%nfinal = sizexd2 - 1 + 1;%预测的步骤数 1for
k3=1:nfinalx3fcast(k3) = constant1*exp(afor1*k3)+end%一次拟合累加值for
k31=nfinal:-1:0if k31&1x31fcast(k31+1) = x3fcast(k31)-x3fcast(k31-1);elseif k31&0x31fcast(k31+1) = x3fcast(k31)-x(1);elsex31fcast(k31+1) = x(1);endendendx31fcast%一次拟合预测值for
k4=1:nfinalx4fcast(k4) = Aval*exp(afor1*k4)+Bend%x4fcastfor
k41=nfinal:-1:0if k41&1x41fcast(k41+1) = x4fcast(k41)-x4fcast(k41-1);elseif k41&0x41fcast(k41+1) = x4fcast(k41)-x(1);elsex41fcast(k41+1) = x(1);endendendx41fcast,x%二次拟合预测值%***精度检验p C************//////////////////////////////////k5 = 0;for y5 = xk5 = k5 + 1;if k5 & sizexd2
elseerr1(k5) = x(k5) - x41fcast(k5);
endend%err1%绝对误差xavg = mean(x);%xavg%x平均值err1avg = mean(err1);%err1avg%err1平均值k5 = 0;s1total = 0 ;for y5 = xk5 = k5 + 1;if k5 & sizexd2
elses1total = s1total + (x(k5) - xavg)^2;
endends1suqare = s1total ./ sizexd2;s1sqrt = sqrt(s1suqare);%s1suqare,s1sqrt%s1suqare
残差数列x的方差
s1sqrt 为x方差的平方根S1k5 = 0;s2total = 0 ;for y5 = xk5 = k5 + 1;if k5 & sizexd2
elses2total = s2total + (err1(k5) - err1avg)^2;
endends2suqare = s2total ./ sizexd2;%s2suqare
Word文档免费下载： （下载1-2页，共2页）
灰色预测GM(1,1)模型的Matlab实现_数学_自然科学_专业资料 暂无评价// 第2 卷第 24期 20年6 08月 沧州师范专科学校学报 Junlo nzo ecesColg ora fCaghuTahr’lee No2Vo.4. 12 Jn20 u.08 用MALB 实现 灰 色...灰色系统预测 GM(1,1)模型 模型及其 灰色系统预测 GM(1,1)模型及其 Matlab 实现预备知识 (1)灰色系统 白色系统是指系统内部特征是完全已知的; 黑色系统是指...用Matlab实现灰色数列模型GM(1,1)的预测_专业资料。MATLAB 灰色预测维普资讯
VO1 .15NO.4 2002 文章编号:0 43(020―220 10―3720)...灰色预测[GM(1,1) ]MATLAB 程序 % 本程序主要用来计算根据灰色理论建立的模型的预测值。 % 应用的数学模型是 GM(1,1)。 % 原始数据的处理方法是一次累加法...用MATLAB实现灰色预测GM_1_1_模型_工学_高等教育_教育专区。灰色预测GM_1_1_模型第24 卷第 2 期 2008 年 6 月 沧州师范专科学校学报 Journal of Cangzhou...灰色预测[GM(1,1) ]MATLAB 程序 % 本程序主要用来计算根据灰色理论建立的模型的预测值。 % 应用的数学模型是 GM(1,1)。 % 原始数据的处理方法是一次累加法...灰色预测GM(1,1)模型的M... 1人阅读 7页 3.00 基于Matlab和灰色...R3】1 文献 标识 码: A 用Malb实现灰色数 列模 型GM(,)预测 ta11的倪...用Matlab实现GM_1_1_灰色模型的供电量预测_理学_高等教育_教育专区。用Matlab实现GM_1_1_灰色模型的供电量预测ARTIFICIAL INTELLIGENCE AND IDENTIFICATION ...灰色gm(1,1)模型matlab的实现_计算机软件及应用_IT/计算机_专业资料。灰色gm(1,1)模型matlab的实现25 卷 11 期 V ol. 25. No . 11 草业科学 P RA T...4.3 对于问题三的模型建立与解答
4.3.1多元线性回归模型对数据进行的预处理以及分析
? 模型建立的准备
对于大学生就业质量，我们以薪水的高低加以衡量，不考虑层次分此法过程中所考虑的其他因素。在这里，我们将本科生的90组数据与研究生的30组数据进行统一分析，在问题二模型所考虑的因素上增加学历（记为x4，量化所得值记做本科为0，研究生为
1）这一个因素，利用SPSS软件对数据进行多元线性回归分析。具体的操作为以Q（起薪与期望起薪的差值）为参考值（因为我们要考虑学生本身能力对起薪的影响，所以以两者差值作为参考量），回归分析Q与求职失败次数、是否参加就业指导课程和学历的定量关系，得到回归方程。在求职失败次数与是否参加就业指导课程一定的情况下，探究Q与学历的定量关系。
? 回归方程以及结果的求解[8]
模型求解过程中我们可得求职失败次数、是否参加就业指导以及学历对差值的相关性系数分别为0.636，0.237，-0.138，可见学历确实对差值有影响，而且呈负相关性影响。同时我们得出方程Q?122.335x2?113.165x3?53.336x4?414.025，从方程中我们可以定量地看出，当学历增加时，Q值减少，所以在求职失败次数一定的情况下，参加就业指导课程可以调高Q值，即随着学理的增加，参与就业指导课程的必要性随之增加，即硕士研究生比本科生更有必要参加就业指导课程，且参加后能有效助于起薪的增加。
? 模型结果的检验
求出硕士生参加了就业指导课程后的起薪，与未参加是的起薪进行比较，观测就业指导是否有必要，具体数据的比较见表19.
由表中数据可得，在参加了就业指导课程后，硕士生的就业起薪均有了一定的涨幅，说明指导课程有积极的意义，极有必要为硕士生增设就业指导课程，结论成立。
五、 模型的评价与改进方向
5.1模型的评价
本文在其他同类专业研究的基础上，结合实际的就业数据，抓住问题的本质，忽略次要因素，做出必要的、合理的简化假设，详细分析以后相继建立了多项式拟合模型、灰色预测模型、层次分析模型和多元线性回归模型来求解相关问题。通过分析数学模型的得到了三个问题的精确结果，为较好的解决相关就业问题，提高大学生就业质量提供了重要的理论参考。
本文将层次分析法应用到各个因素对与大学生就业质量的影响判断中，为高校毕业生就业提供了思路和方法。针对是否有必要开设硕士生就业指导课程，我们也做了详细的分析与解答，得出的结果对硕士生的就业质量的提高有参考性的作用。 5.2模型的改进方向
本文建立了多项式拟合模型和多元线性回归模型，对近几年就业的数据进行了分析，得到了相应的拟合方程和回归方程，但是由于受到众多因素的影响（特别是某些年相关数据的缺乏权威性），而且所获得数据数量有限，限制了两个模型的适用范围。随着数据资料的积累，今后可以尝试其他更多方法来研究就业起薪问题，例如神经网络法等。
对于用综合评价模型给出大学生的建议就业起薪数据是一个复杂的问题，怎样把层次分析法所得的结果与多元线性回归模型结合起来进而精确地得到定量答案是需要考
虑更多因素的。对于判断是否有必要开设硕士生就业指导课程，也有必要适用更为直观清晰的方法。今后的研究将更广泛地结合就业形势的经济、政治等背景，利用Java的设计思想和开发方法，得到预测数据，为专家制定决策提供实数据支持，是国家对各个专业就业情况（起薪等）的宏观控制更为有效。
六、 参考文献
[1] 马建堂等，中国国家年鉴-年5月12日。
[2] 王正林 龚纯 何倩，精通Matlab科学计算，北京：电子工业出版社，2009。
[3] 兰守坚，基于GM(1,1)模型的我国城镇就业形势预测分析，MODERN COMPUTER，总第三一九期：P88-P91，2009。
[4] 陈超 邹滢，SPSS15.0常用功能与应用实例讲解，北京：电子工业出版社，2009。
[5] 黄炜 方玖胜，基于层次分析法大学生就业质量影响因素评价研究，湖南文理学院学报（自然科学版），第22卷 第2期：P29-P31，2010。
[6] 张利兵，多层次灰色系统评价模型在大学生综合素质评价中的应用，安阳师范学院学报，第5期：P44-P47，2010。
[7] 姜启源 谢金星 叶俊，数学模型，北京：高等教育出版社，2003。
[8] 朱晓文，大学生对就业知道的需求及影响因素的研究，黑龙江高教研究，2010年第11期 总第199期，P88-P91，2010。
1.灰色预测模型的Matlab程序：
function gmcal=gm(x) %定义函数gm(x)
n=size(x,2); %定义数据的长度
x1=zero(1,n);
x1(1)=x(1);%赋初值
for i=2:n;%计算累加序列x1
x1(i)=x1(i-1)+x(i);%累加生成
y(i-1)=x(i);%对y赋初值
y=y;%将y转置
i=1:n-1;%计算数据矩阵B的第一列数据
z(i)=-0.5*(x1(i)+x1(i+1));
B=[z ones(n-1,1)];%构造矩阵B
au=inv(B*B)*B*y;%计算参数au并输出
i=1:n+1;%计算预测累加数列的值
z2(i)=(x(1)-au(2)/au(1))*exp(-au(1)*(i-1)+au(2)/au(1));
y1(1)=z2(1);
猜你喜欢的内容。。。
……关于大学生就业问题的现状、原因及对策研究_教育学心理学_人文社科_专业资料。摘...
看过本文章的还看过。。。
您可能感兴趣。。。
最新浏览记录GM130 | 碧迪BD 610822 产品信息
公司名称&:
其他品牌&:
Transduction Laboratories, PharMingen, Difco
产品类型&:
产品名称&:
205.00美元
共轭标签&:
nonconjugated
克隆名称&:
反应物种&:
African green monkey, 人类, 小鼠, 大鼠, 狗, 斑马鱼
免疫印迹, 免疫组化, 免疫细胞化学, 免疫沉淀, 免疫组化-石蜡切片, 免疫组化-冰冻切片, immunohistochemistry - free floating section
更多信息或购买&:
已发表的文献中的应用方法／种属／稀释度参考文献
免疫细胞化学 (基因敲减 验证); 小鼠; 图&12免疫印迹 (基因敲减 验证); 小鼠; 图&12Copeland S, Thurston S, Copeland J. Actin- and microtubule-dependent regulation of Golgi morphology by FHDC1. Mol Biol Cell. -76
免疫印迹 (基因敲减 验证); 人类; 图&1Matalkah F, Martin E, Zhao H, Agazie Y. SHP2 acts both upstream and downstream of multiple receptor tyrosine kinases to promote basal-like and triple-negative breast cancer. Breast Cancer Res.
免疫细胞化学; 人类; 图&4Laura R, Dong D, Reynolds W, Maki R. T47D Cells Expressing Myeloperoxidase Are Able to Process, Traffic and Store the Mature Protein in Lysosomes: Studies in T47D Cells Reveal a Role for Cys319 in MPO Biosynthesis that Precedes Its Known Role in Inter-Molecular Disulfide Bond Formation. PLoS ONE. 49391
免疫细胞化学; 人类; 图&4Tenorio M, Ross B, Luchsinger C, Rivera-Dictter A, Arriagada C, Acu