灰色关联分析好的.doc

《灰色关联分析好的.doc》由会员分享，可在线阅读，更多相关《灰色关联分析好的.doc（7页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流灰色关联分析好的.精品文档.灰色关联分析用途：考虑到影响*因素的指标个数之多，并且彼此之间存在着一定的相关性，因此上海市就业是一个多因素复杂的系统，我们采用灰色关联理论对各因素与城镇就业人数之间的关系进行分析研究。灰色关联分析反映了曲线间的关联程度，反映了各相关因素对体统特征行为的接近次序，其中关联度最大的为最优因素，因此灰色关联分析对于一个系统发展变化态势提供了量化的度量，非常适合动态历程分析。1） 建立原始数列的因变量参考数列和自变量比较数列因变量参考数列又称母序列，记作，自变量参考数列又称母序列，记作，2）将原始序列进行初始化法、均值化

2、法的无法量纲处理，目的是消除数量级大小不同的影响，以便于进行计算和比较分析，我们采用了这两种方法对数据进行了处理。3）计算每个时刻点上母序列与各子序列差的绝对值，并从中取得最大差和最小差序列： ，则差序列为： ， （21）其中，最大差：；最小差：。4）计算灰色关联度系数利用公式计算灰色关联度系数，其中是第个点的子因素与母因素的相对差值，为分辨系数，一般在0与1之间选取，通常取为0.5。5）计算灰色关联度为求总的关联度，需要考虑不同的观测点在总体观测中的重要性程度，则需要确定各点的权重，我们采用算数平均的方法计算灰色关联度，公式为6）关联度排序根据的大小安排关联序的先后顺序，关联度越接近于1，说

3、明关联程度越大，根据经验，当时，两因素的关联度大于0.6，便认为其关联性显著13。我们利用MATLAB14软件编程（代码详见附录3）计算可得，各指标的关联度如小表所示，从结果来看，所有的因素关联度均大于0.6，则说明选取的指标均对上海的就业有影响。表6 各指标灰色关联度对照表指标关联度0.810.790.930.750.710.750.710.890.73难点：样本数据和方阵数据的含义及其使用方法（未解决）定义：对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较

4、低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。年份就业人数（万人）受高等教育比例（%）上海GDP（万亿）第一产业占GDP比例（%）城市居民消费价格指数平均货币工资（元）恩格尔系数城镇固定资产投资（万亿）进出口差额（万亿）城市化水平1978698.320.00272.810.044.616725627.9127.600.591979712.590.01286.430.044.717845635.5834.720.611980730.770.01311.890.034.7487356.0045.4340.260.61198

5、1750.220.01324.760.034.7887056.8054.6034.640.611982764.030.01337.070.044.7888358.9071.3433.170.621983768.900.01351.810.044.8189758.5075.9431.560.621984769.790.01390.850.044.92111056.5092.3027.740.631985775.530.01466.750.045.03141652.10118.5617.300.641986782.990.01490.830.045.12168952.70146.9319.600.

6、651987788.120.01545.460.045.16189354.40186.3023.240.661988792.130.01648.300.045.27227752.70245.2719.650.661989784.960.01696.540.045.27260855.80214.7622.160.671990787.720.01781.660.045.27291756.50227.0832.110.671991798.130.01893.770.045.33337556.90258.3034.360.681992806.910.011114.320.035.39427355.90

7、357.3833.530.681993853.110.011519.230.025.54565053.10653.9119.320.691994850.040.011990.860.025.66740153.501123.2922.870.701995855.720.012499.430.025.81927953.401601.7941.290.711996851.210.012957.550.025.901066350.701952.0542.130.711997847.250.013438.790.025.971142551.701977.5946.840.721998836.210.01

8、3801.090.026.031205950.601964.8366.100.731999812.090.014188.730.026.101414745.201856.72-10.340.742000828.350.014771.170.026.181542044.501869.67-40.020.752001752.260.025210.120.016.261776443.401994.73-56.420.752002792.040.025741.030.016.371947339.402187.06-85.540.762003813.050.026694.230.016.42221603

9、7.202452.11-154.330.782004836.870.028072.830.016.542439836.373084.66-129.860.812005863.320.029247.660.016.622682335.903542.55-48.810.842006885.510.0310572.240.016.742956935.603925.09-3.430.8620071024.330.0312494.010.016.863470735.504458.6148.830.8720081053.240.0314069.870.016.953950236.604829.45165.

10、620.8720091064.420.0315046.450.017.024278935.005273.3360.970.88clear;clc;yangben=load(yangben.txt);fangzhen=load(fangzhen.txt); %待判数据rows,cols=size(fangzhen);p=0.5; %分辨系数m,n=size(yangben);yangben=(yangben./max(yangben);for i=1:cols % 因素3/9越小越好 if (i=9 | i=3) clear Value;clear minValue; Value = fangz

11、hen(:,i); minValue=min( Value ); for j=1:rows fangzhen(j,i) = minValue / fangzhen(j,i); end elseif(i=6) clear Value;clear minValue;clear maxValue; Value = fangzhen(:,i); minValue=min( Value ); maxValue=max( Value ); for j=1:rows fangzhen(j,i) = ( fangzhen(j,i) - minValue ) / ( maxValue - minValue );

12、 end else clear Value;clear minValue; Value = fangzhen(:,i); maxValue=max( Value ); for j=1:rows fangzhen(j,i) = fangzhen(j,i) / maxValue; end endendfangzhen=fangzhen;% 方阵的列行数据发生值发生交换for i=1:cols for j=1:rows fangzhen(i,j)=abs( yangben(1,j)-fangzhen(i,j) ); endendmatrixMax=max(max(fangzhen);matrixMi

13、n=min(min(fangzhen);totalValue=matrixMin + matrixMax;for i=1:cols for j=1:rows fangzhen(i,j)=totalValue/(fangzhen(i,j)+matrixMax); endendR = sum(fangzhen,2)/rows或灰色关联度matlab源程序最近几天一直在写算法，其实网上可以下到这些算法的源程序的，但是为了搞懂，搞清楚，还是自己一个一个的看了，写了，作为自身的积累，而且自己的的矩阵计算类库也迅速得到补充，以后关于算法方面，基本的矩阵运算不用再重复写了，挺好的，是种积累，下面把灰关联的m

14、atlab程序与大家分享。灰色关联度分析法是将研究对象及影响因素的因子值视为一条线上的点,与待识别对象及影响因素的因子值所绘制的曲线进行比较,比较它们之间的贴近度,并分别量化,计算出研究对象与待识别对象各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断待识别对象对研究对象的影响程度。关联度计算的预处理，一般初值化或者均值化，根据我的实际需要，本程序中使用的是比较序列与参考序列组成的矩阵除以参考序列的列均值等到的，当然也可以是其他方法。%注意：由于需要，均值化方法采用各组值除以样本的各列平均值clear;clc;yangben=47.924375 25.168125 827.4105

15、438 330.08875 1045.164375 261.37437516.3372 6.62 940.2824 709.2752 962.1284 84.87455.69666667 30.80333333 885.21 275.8066667 1052.42 435.81; %样本数据fangzhen=36.27 14.59 836.15 420.41 1011.83 189.54 64.73 35.63 755.45 331.32 978.5 257.87 42.44 23.07 846 348.05 1025.4 296.69 59.34 39.7 794.31 334.63 101

16、6.4 317.27 52.91 17.14 821.79 306.92 1141.94 122.04 4.21 4.86 1815.52 2584.68 963.61 0.00 6.01 2.43 1791.61 2338.17 1278.08 30.87 3.01 1.58 1220.54 956.14 1244.75 3.91 25.65 7.42 790.17 328.88 1026.01 92.82 115.80 27 926.5 350.93 1079.49 544.38 12.63 8.75 1055.50 1379.00 875.10 1.65 ; %待判数据rows,cols

17、=size(fangzhen);p=0.5; %分辨系数m,n=size(yangben);R=;for irow=1:rows yy=fangzhen(irow,:); data=yy;yangben; data_gyh1=mean(yangben) for i=1:m+1 for j=1:n data_gyh(i,j)=data(i,j)/data_gyh1(j); end end for i=2:m+1 for j=1:n Dij(i-1,j)=abs(data_gyh(1,j)-data_gyh(i,j); end end Dijmax=max(max(Dij); Dijmin=min(min(Dij); for i=1:m for j=1:n Lij(i,j)=(Dijmin+p*Dijmax)/(Dij(i,j)+p*Dijmax); end end LijRowSum=sum(Lij); for i=1:m Rij(i)=LijRowSum(i)/n; end R=R;Rij;endR