苹果/安卓/wp
积分 81, 距离下一级还需 4 积分
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡下一级可获得
权限: 自定义头衔
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 3 天连续签到: 1 天[LV.2]偶尔看看I
如下是题干:
考虑如下二元非线性函数
Z=-aX^2-bY^2& && &&&,XY范围都是-3~3
分析表2-1和表2-2中的数据（区间步长为0.1），是否存在数据异常现象？若存在，请判断是数据丢失还是随机噪声干扰，并给出丢失数据补全或噪声数据恢复方法。然后在此基础上，根据处理后的数据估计出 的值，建立数据模型。
数模纯小白,以前做的都是很简单的题目,学校教的也比较浅,这道题的思路一点也没提及.关于里面的噪声干扰是指什么?还有如果拟合的图像是噪声干扰引起数据异常的话,我该如何恢复数据呢?问过一些朋友说是要先去噪再重新拟合,我百度了下去噪表示不能理解,说是用小波变换,那个又是什么?跪谢大牛解答!
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
这是数据,还有个问题就是,如果我只知道一个二元函数,但不知道是什么函数形式,是线性还是非线性,只有这些数据的话,又该如何进行数据补全或者处理噪声呢?
18:17:27 上传
18:16:05 上传
经事还谙事，阅人如阅川
噪声，一般来说应该是白噪声
高端的小波变换，那是数学研究生才会接触的内容
你可以考虑最简单的高斯白噪声
也就是说Z=-aX^2-bY^2 + ε
其中ε服从独立同分布的正态随机变量
如果说是噪声，那么偏离值不应该太大
比如说ε ~ N(0, σ^2)的话，那么|Z - (-aX^2-bY^2)| 超过3σ的那些数据点就可能有问题。
因为概率太小
对于模型设定，可以参考RESET设定检验
如果你学过计量，还可以考虑使用VIF先排除异常值，然后再用非参估计
这样就不用设定函数形式了。
热心帮助其他会员
总评分:&经验 + 60&
论坛币 + 100&
学术水平 + 2&
热心指数 + 2&
信用等级 + 1&
Benlaron 发表于
噪声，一般来说应该是白噪声
高端的小波变换，那是数学研究生才会接触的内容非常感谢！顺便再问下，这个情况下那用matlab实现去噪的程序该怎么写呢？去噪过程是不是就是通过此程序去除白噪声的值然后重新拟合出来一个新的模型？那噪声修复又是什么意思呢？话说模型检验的话用f检验和t检验也可以吧？
思维有点混乱请见谅－ －！
Benlaron 发表于
噪声，一般来说应该是白噪声
高端的小波变换，那是数学研究生才会接触的内容非常感谢！顺便再问下，这个情况下那用matlab实现去噪的程序该怎么写呢？去噪过程是不是就是通过此程序去除白噪声的值然后重新拟合出来一个新的模型？那噪声修复又是什么意思呢？话说模型检验的话用f检验和t检验也可以吧？
思维有点混乱请见谅－ －！
经事还谙事，阅人如阅川
我先说模型检验的问题。你所说的F和t，是对于模型参数约束的检验
我说的RESET，是指模型形式的检验。
就以你的例子来说吧
你给Z设定了一个二次函数，这个是你事先设定好的
（请不要告诉我你二楼里写的二元函数实际上是想说二次函数……）
那么RESET的原假设是说二次函数设定是正确的（因为是这是本质线性模型）
而备择假设是说二次函数设定是错误的
如果你不能拒绝原假设，说明你的设定是对的，这才是我想说的模型设定
至于在模型中，b是不是该取0，或者这个拟合够不够好，这就是F检验和t检验的范畴了
经事还谙事，阅人如阅川
本帖最后由 Benlaron 于
22:00 编辑
去噪的过程，我个人认为，把Z中能用X解释的部分和不能用X解释的部分分离开
然后，噪声部分（或者更准确滴说，是扰动项）看是不是服从一个白噪声过程
如果服从，那么我们就认为这个不是异常值，这个数据点是值得信赖的
如果不服从，就可能是异常值了。
基于以上思路，就可以写出个算法啦
Step 1：regress函数，对Z和X回归（具体参数什么的还请自己help啦）
Step 2：从regress函数里提取出残差，采用残差平方和的值作为统计量，检验是不是服从白噪声
（关于检验白噪声过程，可以参考一些计量教材。我只学过时序的检验，不知道适不适合这里）
Step 3：如果某个数据点对应的残差经过检验后，结论为不服从白噪声，那么认为是异常值点
至于噪声修复，我想应该就是提取出Z的拟合值即可而对于那些缺失值，倒是可以用相应的拟合值或者说直接用样本的均值来代替。
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师点上方超级数学建模可加关注用理性的方式去思考问题，是数学带给你的礼物最优化，就是：1. 构造一个合适的目标函数，使得这个目标函数取到极值的解就是你所要求的东西；2. 找到一个能让这个目标函数取到极值的解的方法。下面通过两个例子进行解释。一、图像去噪假设你手头有一张照片《沙尘暴下依然坚持工作的摄像师》：你打算让计算机帮你去个噪，把图像变清晰。你对计算机说：你看，计算机的回复往往是“你丫能不能说机话！”这是因为计算机是无法进行抽象思维的，它不懂重建、去噪、清晰这些复杂的概念，它唯一会的东西就是加减乘除这样的基本运算，你只能使用正确的计算机语句让它去执行对应的基本运算，因此就需要首先把去噪问题转化成一个数学问题，一个函数的求解问题。比如可以试着这样想，去噪，就是要把图像变平滑，于是你对计算机说：给爷来张图片，无比光滑。计算机的回答是：真的是好光滑，但是且慢！摄像师哪去了？你是想光滑图像，但是也需要保留图像中的有用细节。这就说明你设计的目标不合理。一个好的去噪的目标，应该兼顾两个要求：与原始图像尽量接近，并且尽量光滑。一个合适的目标可以是：寻找一幅图像A，让下面这个目标函数J最小：J(A) = (A与原始图像尽量接近) + r * (A尽量平滑)我们要寻找的，就是能让目标函数J最小的图像A，能够兼顾相似和平滑两个要求。因子r用来权衡二者的重要程度。当r取0时，我们得到的最优目标图像就是原始图像自己！因为我们的目标只是相似，而原始图像自己和自己最像，但是这样就没有任何平滑效果；当r取无穷大的时候，为了让整个目标函数J不至于无穷大，我们必须保证A无比平滑，这样就得到上面那张过度平滑，与原始图像毫不相似的无意义图片。因此，为了兼顾两个目标，我们需要把r的值取得不大不小。有了一个合适的目标函数，下面就需要构造一种获得它的极小值的算法。在图像去噪领域有一大堆算法：卷积去噪、中值去噪、双边滤波、偏微分方程、小波去噪、随机场去噪......它们的作用或多或少都是相同的——求上面那个混合目标函数的最小值。计算机运算获得的去噪图像是：从这个成功去噪的例子中我们可以看出：合理的目标函数是最优化第一个需要精心考虑的问题，需要直觉和理性；而如何求解目标函数，则是一个数学算法问题。二者都是数学家们和工程师们大显身手的地方。二、机器学习若你困惑机器学习和最优化之间为什么联系紧密，是因为对机器学习这个领域不太了解，实际上研究最优化方法最多的人都在这个领域。机器学习的目的，就是为了让计算机代替人来发现数据之间隐藏的关系。之所以要使用计算机，是因为数据量太大，远远超过人脑的处理能力。比如我们需要从一堆人脸图片里给每个人标上正确的名字，一幅32像素见方的人脸图像有1024颗像素点，你能想象出一百万张这样的照片和1万个人名字之间的关系是什么样吗。再比如给你1万个患者的DNA序列，每个患者的序列由百万级的碱基对构成，你能找到这些天文数字量级的序列和是否患某种疾病之间的联系吗？答案是不能！所以研究者退而求其次，建立很多学习模型，这些模型输入是一个样本的数据（头像图片、一个人的DNA序列），输出是样本的标签（人名、是否患病）。模型里有大量可以调整的参数，这些参数通过训练，能够学习到数据和标签之间人类无法直接理解的、复杂的关系。科学家期望当模型训练完成后，再拿来一个样本，喂给这个训练好的机器，它能够吐出一个标签，这个标签恰好就是样本对应的那个正确的标签。目前人们已经研究出一大堆学习模型：神经网络、支持向量机、AdaBoost、随机森林、隐马尔科夫链、卷积神经网络等等。它们的结构差异很大，但是共同点都是拥有一大堆参数，就等着你喂给它数据供它学习。这些模型的学习也需要一个目标函数：让模型的分类错误率尽量小。为了达到目的，模型的训练往往首先给参数赋上随机初值，然后用各种下降法来寻找能让分类错误率更小的参数设置，梯度下降、牛顿法、共轭梯度法和Levenberg—Marquard法都是常见的方法。随着研究的深入，问题也越来越多，比如下降法往往只能保证找到目标函数的局部最小值，找不到全局最小值，怎么办呢？答案是不一味下降、也适当爬爬山，说不定能跳出小水沟（局部极小值）找到真正的深井（全局极小值），这种算法叫模拟退火。也可以增大搜索范围，让一群蚂蚁（蚁群算法）或者鸟儿（粒子群算法）一齐搜索，或者让参数巧妙地随机改变（遗传算法）。那么多模型，到底该选哪个？研究者又发现了一个定理“天下没有免费的午餐”定理，意思是没有一个模型能一直比其他模型好，对于不同类型的数据，必须要通过实验才能发现哪种学习模型更适合。机器学习领域也就成了学界灌水严重的领域之一——换模型、调参数就能发文章哎。下面说到了调参数，问题又来了，到底是参数多了好还是少了好？参数少了模型太笨学不到数据内的复杂关系，参数多了模型太精明又可能会把数据中的随机噪声当作某种关系进行认真学习（过拟合）。最后大家一致认为，确定模型的复杂度时，要保证模型能力足够强，能够学会数据之间的关系，能力又不能太强，以至于耍小聪明乱学习。这种选择模型的思想被称为奥卡姆剃刀：选择有能力的模型中最简单的那个。此外，训练模型的目标并不是为了使训练样本能够被尽量正确分类，更需要对未知新样本有好的分类效果，这样模型才有实用价值，这种能力被称为泛化能力。除了奥卡姆剃刀原理外，训练时引入随机性的模型比确定的模型（比如BP神经网络）具有更好的泛化能力。模型的更新也是问题。如果引入了新数据，全部模型都需要重新训练是一笔很大的开销，在线学习模型采用来一个样本学一点的模式，能够不断自我更新；半监督学习利用少量带标签的样本训练一个原始模型，然后利用大量无标签数据再学习。咱们来看看一些经典的学习模型能做成啥样。首先随便画点散点图，红色和白色是两类不同的数据，分类器需要对整个空间做分割，让平均分类错误率尽量小。你可以先想想如果让你来分要如何划分。首先是神经网络，使用了6个神经元把空间分成了奇怪的形状：如果神经元数目变成10个，学到的模式将会十分怪异，说明模型过于复杂了：下面是支持向量机的分类结果，这是这几十年机器学习最重要的成果之一，它的发明是基于结构最小化准则，通俗地讲就是把目标函数设为：J=模型分类正确率 + r * 模型复杂度使得模型能够自动选择分类效果好，并且尽量简单的参数。接下来是随机树，它把空间划分为一系列矩形区域（叶子），所有的叶子区域由一颗树形结构从根节点不断划分而成，随机的意思是树的生长每次划分第一维还是第二维是随机的：支持向量机对于小样本数据和非线性结构数据的分类有十分优秀的表现：在机器学习领域，还有很多重要问题被不断讨论，优秀的模型也不断在涌现。这个领域的开山模型是神经元，由其组成的多层神经网络由于训练速度慢、分类效果不佳，在支持向量机出现后很快就失去了热度。大家卯着劲研究怎么面对训练样本不足的窘境，PCA和核方法大行其道，前者致力于减少数据维数，后者致力于从低维数据中学习高维结构。但是近几年随着卷积神经网络的流行，神经网络又焕发出了第二春，研究者发现只要样本量足够大（百万级甚至亿级样本量），网络参数足够多（百万级参数），加上巧妙的防过拟合技术，利用现代并行计算带来的强大计算能力，神经网络能够学得和人类的判别能力一样好。机器学习领域发展了几十年，似乎又回到了出发的地方。via:王小龙（知乎）或许数学对于你来说只是一个分数，其实你的思维已经改变了！如果觉得不错，欢迎赞赏，欢迎分享！超级数学建模平台，期待您的来稿！▌超级数学建模
超级数学建模，属于大家的自媒体，尊重原创，欢迎来稿！注：记得附上你的打赏二维码！！！投稿邮箱：精彩好文推荐（点击即可阅读）：【4】【8】【9】广告：你每一次的点击，都是对我们的支持！超级数学建模(supermodeling)　
　文章为作者独立观点，不代表大不六文章网立场
supermodeling全国首家专业数学建模自媒体，提供数模学习的第一手资料。该平台由多名企业资深DM专家及国际、国家数模竞赛一等奖得主维护，敬请关注！热门文章最新文章supermodeling全国首家专业数学建模自媒体，提供数模学习的第一手资料。该平台由多名企业资深DM专家及国际、国家数模竞赛一等奖得主维护，敬请关注！&&&&违法和不良信息举报电话：183-
举报邮箱：
Copyright(C)2016 大不六文章网
京公网安备78君，已阅读到文档的结尾了呢~~
一个数学建模问题的简单解法一个数学建模
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
一个数学建模问题的简单解法
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口数学建模――一个有趣的风险处理问题_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
数学建模――一个有趣的风险处理问题
上传于||文档简介
&&全​国​大​学​生​数​学​建​模​大​赛​论​文​范​例​之​风​险​投​资​~
阅读已结束，如果下载本文需要使用3下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩6页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢