原文链接：基于熵权-模糊综合评价法的施工项目风险评价研究-中国知网(cnki.net)【基于熵权-模糊综合评价法】《基于熵权-模糊综合评价法的施工项目风险评价研究》论文笔记（内附MATLAB代码）文章目录1.施工项目风险评价指标体系2.构建风险评价模型3.实例分析3.1工程概况3.2计算评价指标权重（1）构造评价矩阵（2）评价矩阵归一化处理（3）计算指标信息熵值（4）计算各指标权重3.3类比得出施工项目风险评价指标权重值4.代码实现5.结果分析5.1运行结果：工作区变量 5.2 以“人员因素”为例结果对比5.3分析6.总结1.施工项目风险评价指标体系 通过查询评价体系相关文献[6]，结合
首先声明，本篇文章直接包含所有matlab源代码，直接复制粘贴即可运行，全部都是源代码，可以自己更改的源代码！（不是.p文件！！！，浅浅痛斥一下很多文章为了盈利，还给程序加密！谴责！！）都是学生时代走过来的，大家直接来我这里复制就行了，哪里不懂直接评论区留言，我会一一解答！好了，废话到此为止！接下来讲正文！同样以西储大学数据集为例，选用105.mat中的X105_BA_time.mat数据。首先进行VMD分解，采用麻雀优化算法（SSA）对VMD的两个关键参数（惩罚因子α和模态分解数K）进行优化，以最小包络熵为适应度值。其他智能优化算法同样适用，关键要学会最小包络熵代码的编写，网上的五花八门，这
首先声明，本篇文章直接包含所有matlab源代码，直接复制粘贴即可运行，全部都是源代码，可以自己更改的源代码！（不是.p文件！！！，浅浅痛斥一下很多文章为了盈利，还给程序加密！谴责！！）都是学生时代走过来的，大家直接来我这里复制就行了，哪里不懂直接评论区留言，我会一一解答！好了，废话到此为止！接下来讲正文！同样以西储大学数据集为例，选用105.mat中的X105_BA_time.mat数据。首先进行VMD分解，采用麻雀优化算法（SSA）对VMD的两个关键参数（惩罚因子α和模态分解数K）进行优化，以最小包络熵为适应度值。其他智能优化算法同样适用，关键要学会最小包络熵代码的编写，网上的五花八门，这
在前两章中我们已经聊过对抗学习FGM，一致性正则Temporal等方案，主要通过约束模型对细微的样本扰动给出一致性的预测，推动决策边界更加平滑。这一章我们主要针对低密度分离假设，聊聊如何使用未标注数据来推动决策边界向低密度区移动，相关代码实现详见ClassicSolution/enhancement半监督领域有几个相互关联的基础假设Smoothness平滑度假设：两个样本在高密度空间特征相近，则他们的label大概率相同，宏毅老师美其名曰近朱者赤近墨者黑。这里的高密度比较难理解，感觉可以近似理解为DBSCAN中的密度可达Cluster聚类假设：高维特征空间中，同一个簇的样本应该有相同的labe
在前两章中我们已经聊过对抗学习FGM，一致性正则Temporal等方案，主要通过约束模型对细微的样本扰动给出一致性的预测，推动决策边界更加平滑。这一章我们主要针对低密度分离假设，聊聊如何使用未标注数据来推动决策边界向低密度区移动，相关代码实现详见ClassicSolution/enhancement半监督领域有几个相互关联的基础假设Smoothness平滑度假设：两个样本在高密度空间特征相近，则他们的label大概率相同，宏毅老师美其名曰近朱者赤近墨者黑。这里的高密度比较难理解，感觉可以近似理解为DBSCAN中的密度可达Cluster聚类假设：高维特征空间中，同一个簇的样本应该有相同的labe
损失函数神经网络里的标准和人脑标准相比较相差多少的定量表达。最小二乘法首先要搞明白两个概率模型是怎么比较的。有三种思路，最小二乘法、极大似然估计，交叉熵当一张图片人脑判断的结果是\(x1\)，神经网络判断的结果是\(y1\)，直接把它们相减\(\left|x_{1}-y_{1}\right|\)就是他们相差的范围。我们将多张图片都拿过来判断加起来，当最终值最小的时候，\(\min\sum_{i=1}^{n}\left|x_{i}-y_{i}\right|\)就可以认定两个模型近似。但是绝对值在定义域内不是全程可导的，所以可以求平方\(\min\sum_{i=1}^{n}\left(x_{i}-
损失函数神经网络里的标准和人脑标准相比较相差多少的定量表达。最小二乘法首先要搞明白两个概率模型是怎么比较的。有三种思路，最小二乘法、极大似然估计，交叉熵当一张图片人脑判断的结果是\(x1\)，神经网络判断的结果是\(y1\)，直接把它们相减\(\left|x_{1}-y_{1}\right|\)就是他们相差的范围。我们将多张图片都拿过来判断加起来，当最终值最小的时候，\(\min\sum_{i=1}^{n}\left|x_{i}-y_{i}\right|\)就可以认定两个模型近似。但是绝对值在定义域内不是全程可导的，所以可以求平方\(\min\sum_{i=1}^{n}\left(x_{i}-
最小二乘法、极大似然估计和交叉熵是常用的三种损失函数。最小二乘法是一种回归问题中常用的损失函数，用于衡量预测值与实际值之间的误差平方和。它常用于线性回归问题中，目标是最小化预测值与真实值之间的均方误差（MSE）。极大似然估计（MaximumLikelihoodEstimation，MLE）是一种统计学习中的方法，用于估计模型的参数。在分类问题中，MLE可以被用于估计分类模型的参数。它通过最大化对数似然函数来估计模型参数，从而使得模型预测的概率分布与真实概率分布的差距最小。交叉熵（CrossEntropy）是一种常用的分类问题中的损失函数，用于衡量模型输出概率分布与真实标签之间的差异。它在深度学
最小二乘法、极大似然估计和交叉熵是常用的三种损失函数。最小二乘法是一种回归问题中常用的损失函数，用于衡量预测值与实际值之间的误差平方和。它常用于线性回归问题中，目标是最小化预测值与真实值之间的均方误差（MSE）。极大似然估计（MaximumLikelihoodEstimation，MLE）是一种统计学习中的方法，用于估计模型的参数。在分类问题中，MLE可以被用于估计分类模型的参数。它通过最大化对数似然函数来估计模型参数，从而使得模型预测的概率分布与真实概率分布的差距最小。交叉熵（CrossEntropy）是一种常用的分类问题中的损失函数，用于衡量模型输出概率分布与真实标签之间的差异。它在深度学
