灰色理论分析+预测结果分析.docxVIP

问题三（灰色系统理论——优势分析法）问题分析：我们考虑到参赛队伍的数量、指导教师以及各个学校的招生计划这三个因素均会对比赛结果产生一定的影响，因此利用灰色系统理论对数据进行分析，以理论中的优势分析法来分析三者与获奖成绩的关联度，判断出哪些因素起主要影响。但由于所给数据有限，我们只搜索到北邮历年的参赛队伍数量，且部分学校指导老师的形式没有变化，其波动可以忽略不计，而清华大学指导老师的信息最为全面，因此我们以北邮为例分析参赛队数目、招生计划与参赛成绩的关联度，以清华大学为例分析参赛队数目、指导老师情况与获奖成绩的关联度，进而分析这个学校的相关课程教学的具体实施情况。模型建立：（1）清华模型分析：为保证建模的质量与系统分析的正确结果，对02年~13年的清华招生数据、指导老师人数进行变换和处理，使其消除量纲和具有可比性。定义=((1), (2),,(n)), ( i=1,2)，代表清华各年招生人数，代表指导老师人数作区间值化变换，i=1,2,将取值对应变换到[0,1]上,其中为问题二中清华大学得到的02~13年的成绩评分.则得(1)为比较数列对参考数列在k 时刻的关联系数，其中[0,1]为分辨系数。称（1）式中分别为两级最小差及两级最大差。（1）式定义的关联系数是描述比较数列与参考数列在某时刻关联程度的一种指标，由于各个时刻都有一个关联数，因此信息显得过于分散，不便于比较，为此我们给出为数列对参考数列的关联度。鉴于有两个比较数列，故可构造关联度矩阵=，矩阵R 的各个元素的大小，可分析判断出哪些因素起主要影响，哪些因素起次要影响,起主要影响的因素称之为优势因素。（2）北邮模式建立参照清华优势因素分析的方法，定义比较数列=( (1), (2),, (n)), ( i=1,2)，、分别代表北邮02~13招生数目、参赛队伍数目。 ,其中为问题二中得到的北邮02~13年的参赛成绩评分，同样计算出关联度矩阵，判断其中的优势因素。模型求解与分析1 清华大学清华大学02~13年招生人数为:=[1950,2245,2541,2131,2341,1993,1882,1367,1527,1407,1675,1732]指导老师数目为： [1,1,2,2,2,0,0,0,2,0,0,0]，其中1代表单个指导老师，2代表指导小组，0代表无指导老师利用Matlab编程，利用问题一中得到的清华大学历年的参赛评分，可计算得关联度矩阵为R=[ 0.4781 ,0.3169],R(1)、R(2)分别代表指导老师、招生人数与获奖评分之间的关联度, 显然R(1)R(2), 可以得出（1）指导老师与获奖评分之间的关联相对较大，是优势因素，即一个学校指导老师的情况对参赛队伍的获奖情况有着重要的影响，因此学校应该增强指导老师队伍的建设，指导老师人数越多，每个参赛队得到的指导就越多，参赛成绩相对会越好。（2）每年学校的招生人数也对学校整体的参赛成绩的影响比指导老师的影响要略小，总的来说，招生人数越多，学生参与竞赛并且获奖的可能性就越大。2、北邮北邮02~13年招生人数为=[2700,2712,2739,2710,2667,2708,2768,2757,2726,2789,2865,3086]参赛队伍数目为=[12,18,20,28,37,54,68,80,108,115,149,145]利用问题一中得到的北邮历年的参赛评分，可计算得关联度矩阵为R=[0.4459 ,0.3944]R(1)、R(2)分别代表参赛队伍、招生人数与获奖评分之间的关联度, 显然R(1)R(2), 可以得出参赛队伍与获奖评分之间的关联略大，是主要因素。但因为招生人数的增加对参赛队伍的数目也有一定的正影响，所以容易看出其实这两个因素的关联度的差距并不大。预测模型：取定神经网络模型的网络目标误差 goal=0.1，神经元最大个数为MN=7,以典型学校北邮为例，根据统计出来的数据，利用灰色神经网络方法通过Matlab软件（程序见附录程序二）预测出2002~2013年的数学建模成绩，将测试的输出数据与实际数学建模成绩比较如表3所示，说明BP神经网络预测是可行的，得出的预测结果为：国赛一等奖数目预测年份实际值预测值误差值200244.04-097370.0263200455.0134-0.0134200510.99460.00542006220200755.0055-0.0055200832.98640.0136200911.0285-0.0285201043.9430.057201100.1085-0.1085201210.82640.1736201333.0801-0.0801国赛二等奖数目预测年份实际值预测误差200266.0241-00.06430.0643200477.