在日常生活中照片的表现形式有很多,我们偶尔也会使用错位的技巧拍出一些诙谐幽默的照片,而明星因为经常出现在公共场合所以就会被抓拍到各种令人意想不到的错位照片,产生的错位效果更是令人哭笑不得。
接下来我们看到的第1张照片是女星迪丽热巴在《创造营》中被抓拍到的照片“悬空无腿照”,可以看出照片中的迪丽热巴在错位的拍摄技巧中没有了双腿看起来就很诡异。
而在这一张是在《极限挑战》中抓拍到的照片,照片的主角是岳云鹏。照片中的岳云鹏的头仿佛和背景里的山融合在了一起,看起来岳云鹏的头就像消失了一样。
说起王大陆,我们都知道他那张有名的“大嘴巴”,在这张照片中,他的嘴巴没有夺他的风头,相反在照片中他看起来成了一个200斤的胖子,对镜头笑的样子憨极了。
这张照片的何炅被抓拍得真是活灵活现,仿佛他的耳朵上真的带了一个耳环,本人还亲自发了一篇微博解释这件事,也是很可爱啦。
而过了一段时间何炅又再次因为错位照片登上了热搜,可以看出照片中的何炅看起来似乎是被孟美岐扶着,这事儿吓的何炅赶紧发微博澄清,摄影老师真是很调皮呢!
这张照片是在某个节目上的拔河环节,何炅站在蝴蝶结的后面,碰巧又被摄影老师抓拍了下来,这张照片看起来他仿佛穿了一个红裙子。
而这一张照片的主角是周杰伦,平时看起来很男人的周杰伦在这张抓拍照片中,摄影老师利用着错位技巧给周杰伦装上了一对穿高跟鞋的美腿,被网友纷纷调侃:“杰伦,你变了!”最为搞笑的是这一张,在摄影老师的抓拍技术下,周杰伦秀起了大长腿,这让照片上的周杰伦看起来十分的滑稽。
错位图不但会带来滑稽的效果,还会让某位明星的发型直接发生改变,这张照片中的黄磊的似乎直接拥有了爆炸头。
也有一些错位图会让人误会,比如下面的这一张郭敬明跟杨幂的错位图,看起来,郭敬明的手似乎放在了不该放的地方。但后来遭到了澄清,这只手其实是谢依霖的,这样做不过是为了炒作一下话题,照片也只是摆拍的。在这场《小时代4》的首映礼上,安排了不少的擦边球话题,显然郭敬明为了这个电影下了不少心思。
而接下来的这组图是被误解的”范冰冰图中的范冰冰似乎真的坐在了这个人身上陪酒,还有这几张看起来像是范冰冰被“调戏”和“调戏”别人的照片。这些照片可以看出是用错位手法拍出的,但是要仔细看,如果只是晃得那么一眼,确实是看不出任何破绽。
这组照片发生的地点是在06年的华谊集团生日庆典,包括成龙,刘德华这一系列的大咖纷纷过来捧场。
而在这张照片中,也是将错位技术发挥得很棒,图片中的赵薇看起来就像坐在王俊凯腿上一样,但仔细看就可以看出破绽。
这张照片中的Angelababy似乎在对黄晓明做一些不可言喻的事情,可以拍出这样的照片,也是全靠着错位技术高超。
不过最让我们佩服的还是下面的这张照片,照片中的Angelababy通过错位吃东西,这精湛的演技确实让人佩服!有了这一项技能,大多数的女明星再也不用担心拍戏的时候需要吃一些高热量的东西了,这要多亏于Angelababy的自主创新。
明星的错拍照片还有很多,大多数都令人哭笑不得,你还有没有见过其他更有趣的照片呢?
接下来我们看到的第1张照片是女星迪丽热巴在《创造营》中被抓拍到的照片“悬空无腿照”,可以看出照片中的迪丽热巴在错位的拍摄技巧中没有了双腿看起来就很诡异。
而在这一张是在《极限挑战》中抓拍到的照片,照片的主角是岳云鹏。照片中的岳云鹏的头仿佛和背景里的山融合在了一起,看起来岳云鹏的头就像消失了一样。
说起王大陆,我们都知道他那张有名的“大嘴巴”,在这张照片中,他的嘴巴没有夺他的风头,相反在照片中他看起来成了一个200斤的胖子,对镜头笑的样子憨极了。
这张照片的何炅被抓拍得真是活灵活现,仿佛他的耳朵上真的带了一个耳环,本人还亲自发了一篇微博解释这件事,也是很可爱啦。
而过了一段时间何炅又再次因为错位照片登上了热搜,可以看出照片中的何炅看起来似乎是被孟美岐扶着,这事儿吓的何炅赶紧发微博澄清,摄影老师真是很调皮呢!
这张照片是在某个节目上的拔河环节,何炅站在蝴蝶结的后面,碰巧又被摄影老师抓拍了下来,这张照片看起来他仿佛穿了一个红裙子。
而这一张照片的主角是周杰伦,平时看起来很男人的周杰伦在这张抓拍照片中,摄影老师利用着错位技巧给周杰伦装上了一对穿高跟鞋的美腿,被网友纷纷调侃:“杰伦,你变了!”最为搞笑的是这一张,在摄影老师的抓拍技术下,周杰伦秀起了大长腿,这让照片上的周杰伦看起来十分的滑稽。
错位图不但会带来滑稽的效果,还会让某位明星的发型直接发生改变,这张照片中的黄磊的似乎直接拥有了爆炸头。
也有一些错位图会让人误会,比如下面的这一张郭敬明跟杨幂的错位图,看起来,郭敬明的手似乎放在了不该放的地方。但后来遭到了澄清,这只手其实是谢依霖的,这样做不过是为了炒作一下话题,照片也只是摆拍的。在这场《小时代4》的首映礼上,安排了不少的擦边球话题,显然郭敬明为了这个电影下了不少心思。
而接下来的这组图是被误解的”范冰冰图中的范冰冰似乎真的坐在了这个人身上陪酒,还有这几张看起来像是范冰冰被“调戏”和“调戏”别人的照片。这些照片可以看出是用错位手法拍出的,但是要仔细看,如果只是晃得那么一眼,确实是看不出任何破绽。
这组照片发生的地点是在06年的华谊集团生日庆典,包括成龙,刘德华这一系列的大咖纷纷过来捧场。
而在这张照片中,也是将错位技术发挥得很棒,图片中的赵薇看起来就像坐在王俊凯腿上一样,但仔细看就可以看出破绽。
这张照片中的Angelababy似乎在对黄晓明做一些不可言喻的事情,可以拍出这样的照片,也是全靠着错位技术高超。
不过最让我们佩服的还是下面的这张照片,照片中的Angelababy通过错位吃东西,这精湛的演技确实让人佩服!有了这一项技能,大多数的女明星再也不用担心拍戏的时候需要吃一些高热量的东西了,这要多亏于Angelababy的自主创新。
明星的错拍照片还有很多,大多数都令人哭笑不得,你还有没有见过其他更有趣的照片呢?
建模四大模型
优化模型
1.1 数学规划模型线性规划、整数线性规划、非线性规划、多目标规划、动态规划。1.2 微分方程组模型阻滞增长模型、SARS传播模型。
1.3 图论与网络优化问题
最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。
1.4 概率模型
决策模型、随机存储模型、随机人口模型、报童问题、Markov链模型。
1.5 组合优化经典问题
1.5.1 多维背包问题(MKP)
背包问题:个物品,对物品,体积为,背包容量为。如何将尽可能多的物品装入背包。
多维背包问题:个物品,对物品,价值为,体积为,背包容量为。如何选取物品装入背包,是背包中物品的总价值最大。
多维背包问题在实际中的应用有:资源分配、货物装载和存储分配等问题。该问题属于难问题。
1.5.2 二维指派问题(QAP)
工作指派问题:个工作可以由个工人分别完成。工人完成工作的时间为。如何安排使总工作时间最小。
二维指派问题(常以机器布局问题为例):台机器要布置在个地方,机器与之间的物流量为,位置与之间的距离为,如何布置使费用最小。
二维指派问题在实际中的应用有:校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。
1.5.3 旅行商问题(TSP)
旅行商问题:有个城市,城市与之间的距离为,找一条经过个城市的巡回(每个城市经过且只经过一次,最后回到出发点),使得总路程最小。
1.5.4 车辆路径问题(VRP)
车辆路径问题(也称车辆计划):已知个客户的位置坐标和货物需求,在可供使用车辆数量及运载能力条件的约束下,每辆车都从起点出发,完成若干客户点的运送任务后再回到起点,要求以最少的车辆数、最小的车辆总行程完成货物的派送任务。
TSP问题是VRP问题的特例。
1.5.5 车间作业调度问题(JSP)
车间调度问题:存在个工作和台机器,每个工作由一系列操作组成,操作的执行次序遵循严格的串行顺序,在特定的时间每个操作需要一台特定的机器完成,每台机器在同一时刻不能同时完成不同的工作,同一时刻同一工作的各个操作不能并发执行。如何求得从第一个操作开始到最后一个操作结束的最小时间间隔。
分类模型
判别分析是在已知研究对象分成若干类型并已经取得各种类型的一批已知样本的观测数据,在此基础上根据某些准则建立判别式,然后对未知类型的样品进行判别分析。
聚类分析则是给定的一批样品,要划分的类型实现并不知道,正需要通过局内分析来给以确定类型的。
2.1 判别分析
2.1.1 距离判别法
基本思想:首先根据已知分类的数据,分别计算各类的重心即分组(类)的均值,判别准则是对任给的一次观测,若它与第类的重心距离最近,就认为它来自第类。
至于距离的测定,可以根据实际需要采用欧氏距离、马氏距离、明科夫距离等。
2.1.2 Fisher判别法
基本思想:从两个总体中抽取具有个指标的样品观测数据,借助方差分析的思想构造一个判别函数或称判别式。其中系数确定的原则是使两组间的区别最大,而使每个组内部的离差最小。
对于一个新的样品,将它的p个指标值代人判别式中求出 y 值,然后与判别临界值(或称分界点(后面给出)进行比较,就可以判别它应属于哪一个总体。在两个总体先验概率相等的假设下,判别临界值一般取:最后,用统计量来检验判别效果,若则认为判别有效,否则判别无效。
以上描述的是两总体判别,至于多总体判别方法则需要加以扩展。
Fisher判别法随着总体数的增加,建立的判别式也增加,因而计算比较复杂。
2.1.3 Bayes判别法
基本思想:假定对所研究的对象有一定的认识,即假设个总体中,第个总体的先验概率为,概率密度函数为。利用bayes公式计算观测样品来自第个总体的后验概率,当时,将样本判为总体。
2.1.4 逐步判别法
基本思想与逐步回归法类似,采用“有进有出”的算法,逐步引入变量,每次引入一个变量进入判别式,则同时考虑在较早引入判别式的某些作用不显著的变量剔除出去。
2.2 聚类分析
聚类分析是一种无监督的分类方法,即不预先指定类别。
根据分类对象不同,聚类分析可以分为样本聚类(Q型)和变量聚类(R型)。样本聚类是针对观测样本进行分类,而变量聚类则是试图找出彼此独立且有代表性的自变量,而又不丢失大部分信息。变量聚类是一种降维的方法。
2.2.1 系统聚类法(分层聚类法)
基本思想:开始将每个样本自成一类;然后求两两之间的距离,将距离最近的两类合成一类;如此重复,直到所有样本都合为一类为止。
适用范围:既适用于样本聚类,也适用于变量聚类。并且距离分类准则和距离计算方法都有多种,可以依据具体情形选择。
2.2.2 快速聚类法(K-均值聚类法)
基本思想:按照指定分类数目,选择个初始聚类中心;计算每个观测量(样本)到各个聚类中心的距离,按照就近原则将其分别分到放入各类中;重新计算聚类中心,继续以上步骤;满足停止条件时(如最大迭代次数等)则停止。
使用范围:要求用户给定分类数目,只适用于样本聚类(Q型),不适用于变量聚类(R型)。
2.2.3 两步聚类法(智能聚类方法)
基本思想:先进行预聚类,然后再进行正式聚类。
适用范围:属于智能聚类方法,用于解决海量数据或者具有复杂类别结构的聚类分析问题。可以同时处理离散和连续变量,自动选择聚类数,可以处理超大样本量的数据。
2.2.4 模糊聚类分析
2.2.5 与遗传算法、神经网络或灰色理论联合的聚类方法
2.3 神经网络分类方法
评价模型
3.1 层次分析法(AHP)
基本思想:是定性与定量相结合的多准则决策、评价方法。将决策的有关元素分解成目标层、准则层和方案层,并通过人们的判断对决策方案的优劣进行排序,在此基础上进行定性和定量分析。它把人的思维过程层次化、数量化,并用数学为分析、决策、评价、预报和控制提供定量的依据。
基本步骤:构建层次结构模型;构建成对比较矩阵;层次单排序及一致性检验(即判断主观构建的成对比较矩阵在整体上是否有较好的一致性);层次总排序及一致性检验(检验层次之间的一致性)。
优点:它完全依靠主观评价做出方案的优劣排序,所需数据量少,决策花费的时间很短。从整体上看,AHP在复杂决策过程中引入定量分析,并充分利用决策者在两两比较中给出的偏好信息进行分析与决策支持,既有效地吸收了定性分析的结果,又发挥了定量分析的优势,从而使决策过程具有很强的条理性和科学性,特别适合在社会经济系统的决策分析中使用。
缺点:用AHP进行决策主观成分很大。当决策者的判断过多地受其主观偏好影响,而产生某种对客观规律的歪曲时,AHP的结果显然就靠不住了。
适用范围:尤其适合于人的定性判断起重要作用的、对决策结果难于直接准确计量的场合。要使AHP的决策结论尽可能符合客观规律,决策者必须对所面临的问题有比较深入和全面的认识。另外,当遇到因素众多,规模较大的评价问题时,该模型容易出现问题,它要求评价者对问题的本质、包含的要素及其相互之间的逻辑关系能掌握得十分透彻,否则评价结果就不可靠和准确。
改进方法:
(1) 成对比较矩阵可以采用德尔菲法获得。
(2) 如果评价指标个数过多(一般超过9个),利用层次分析法所得到的权重就有一定的偏差,继而组合评价模型的结果就不再可靠。可以根据评价对象的实际情况和特点,利用一定的方法,将各原始指标分层和归类,使得每层各类中的指标数少于9个。
3.2 灰色综合评价法(灰色关联度分析)
基本思想:灰色关联分析的实质就是,可利用各方案与最优方案之间关联度大小对评价对象进行比较、排序。关联度越大,说明比较序列与参考序列变化的态势越一致,反之,变化态势则相悖。由此可得出评价结果。
基本步骤:建立原始指标矩阵;确定最优指标序列;进行指标标准化或无量纲化处理;求差序列、最大差和最小差;计算关联系数;计算关联度。 优点:是一种评价具有大量未知信息的系统的有效模型,是定性分析和定量分析相结合的综合评价模型,该模型可以较好地解决评价指标难以准确量化和统计的问题,可以排除人为因素带来的影响,使评价结果更加客观准确。整个计算过程简单,通俗易懂,易于为人们所掌握;数据不必进行归一化处理,可用原始数据进行直接计算,可靠性强;评价指标体系可以根据具体情况增减;无需大量样本,只要有代表性的少量样本即可。 缺点:要求样本数据且具有时间序列特性;只是对评判对象的优劣做出鉴别,并不反映绝对水平,故基于灰色关联分析综合评价具有“相对评价”的全部缺点。
适用范围:对样本量没有严格要求,不要求服从任何分布,适合只有少量观测数据的问题;应用该种方法进行评价时,指标体系及权重分配是一个关键的问题,选择的恰当与否直接影响最终评价结果。 改进方法: (1) 采用组合赋权法:根据客观赋权法和主观赋权法综合而得权系数。 (2) 结合TOPSIS法:不仅关注序列与正理想序列的关联度,而且关注序列与负理想序列的关联度,依据公式计算最后的关联度。
优化模型
1.1 数学规划模型线性规划、整数线性规划、非线性规划、多目标规划、动态规划。1.2 微分方程组模型阻滞增长模型、SARS传播模型。
1.3 图论与网络优化问题
最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。
1.4 概率模型
决策模型、随机存储模型、随机人口模型、报童问题、Markov链模型。
1.5 组合优化经典问题
1.5.1 多维背包问题(MKP)
背包问题:个物品,对物品,体积为,背包容量为。如何将尽可能多的物品装入背包。
多维背包问题:个物品,对物品,价值为,体积为,背包容量为。如何选取物品装入背包,是背包中物品的总价值最大。
多维背包问题在实际中的应用有:资源分配、货物装载和存储分配等问题。该问题属于难问题。
1.5.2 二维指派问题(QAP)
工作指派问题:个工作可以由个工人分别完成。工人完成工作的时间为。如何安排使总工作时间最小。
二维指派问题(常以机器布局问题为例):台机器要布置在个地方,机器与之间的物流量为,位置与之间的距离为,如何布置使费用最小。
二维指派问题在实际中的应用有:校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。
1.5.3 旅行商问题(TSP)
旅行商问题:有个城市,城市与之间的距离为,找一条经过个城市的巡回(每个城市经过且只经过一次,最后回到出发点),使得总路程最小。
1.5.4 车辆路径问题(VRP)
车辆路径问题(也称车辆计划):已知个客户的位置坐标和货物需求,在可供使用车辆数量及运载能力条件的约束下,每辆车都从起点出发,完成若干客户点的运送任务后再回到起点,要求以最少的车辆数、最小的车辆总行程完成货物的派送任务。
TSP问题是VRP问题的特例。
1.5.5 车间作业调度问题(JSP)
车间调度问题:存在个工作和台机器,每个工作由一系列操作组成,操作的执行次序遵循严格的串行顺序,在特定的时间每个操作需要一台特定的机器完成,每台机器在同一时刻不能同时完成不同的工作,同一时刻同一工作的各个操作不能并发执行。如何求得从第一个操作开始到最后一个操作结束的最小时间间隔。
分类模型
判别分析是在已知研究对象分成若干类型并已经取得各种类型的一批已知样本的观测数据,在此基础上根据某些准则建立判别式,然后对未知类型的样品进行判别分析。
聚类分析则是给定的一批样品,要划分的类型实现并不知道,正需要通过局内分析来给以确定类型的。
2.1 判别分析
2.1.1 距离判别法
基本思想:首先根据已知分类的数据,分别计算各类的重心即分组(类)的均值,判别准则是对任给的一次观测,若它与第类的重心距离最近,就认为它来自第类。
至于距离的测定,可以根据实际需要采用欧氏距离、马氏距离、明科夫距离等。
2.1.2 Fisher判别法
基本思想:从两个总体中抽取具有个指标的样品观测数据,借助方差分析的思想构造一个判别函数或称判别式。其中系数确定的原则是使两组间的区别最大,而使每个组内部的离差最小。
对于一个新的样品,将它的p个指标值代人判别式中求出 y 值,然后与判别临界值(或称分界点(后面给出)进行比较,就可以判别它应属于哪一个总体。在两个总体先验概率相等的假设下,判别临界值一般取:最后,用统计量来检验判别效果,若则认为判别有效,否则判别无效。
以上描述的是两总体判别,至于多总体判别方法则需要加以扩展。
Fisher判别法随着总体数的增加,建立的判别式也增加,因而计算比较复杂。
2.1.3 Bayes判别法
基本思想:假定对所研究的对象有一定的认识,即假设个总体中,第个总体的先验概率为,概率密度函数为。利用bayes公式计算观测样品来自第个总体的后验概率,当时,将样本判为总体。
2.1.4 逐步判别法
基本思想与逐步回归法类似,采用“有进有出”的算法,逐步引入变量,每次引入一个变量进入判别式,则同时考虑在较早引入判别式的某些作用不显著的变量剔除出去。
2.2 聚类分析
聚类分析是一种无监督的分类方法,即不预先指定类别。
根据分类对象不同,聚类分析可以分为样本聚类(Q型)和变量聚类(R型)。样本聚类是针对观测样本进行分类,而变量聚类则是试图找出彼此独立且有代表性的自变量,而又不丢失大部分信息。变量聚类是一种降维的方法。
2.2.1 系统聚类法(分层聚类法)
基本思想:开始将每个样本自成一类;然后求两两之间的距离,将距离最近的两类合成一类;如此重复,直到所有样本都合为一类为止。
适用范围:既适用于样本聚类,也适用于变量聚类。并且距离分类准则和距离计算方法都有多种,可以依据具体情形选择。
2.2.2 快速聚类法(K-均值聚类法)
基本思想:按照指定分类数目,选择个初始聚类中心;计算每个观测量(样本)到各个聚类中心的距离,按照就近原则将其分别分到放入各类中;重新计算聚类中心,继续以上步骤;满足停止条件时(如最大迭代次数等)则停止。
使用范围:要求用户给定分类数目,只适用于样本聚类(Q型),不适用于变量聚类(R型)。
2.2.3 两步聚类法(智能聚类方法)
基本思想:先进行预聚类,然后再进行正式聚类。
适用范围:属于智能聚类方法,用于解决海量数据或者具有复杂类别结构的聚类分析问题。可以同时处理离散和连续变量,自动选择聚类数,可以处理超大样本量的数据。
2.2.4 模糊聚类分析
2.2.5 与遗传算法、神经网络或灰色理论联合的聚类方法
2.3 神经网络分类方法
评价模型
3.1 层次分析法(AHP)
基本思想:是定性与定量相结合的多准则决策、评价方法。将决策的有关元素分解成目标层、准则层和方案层,并通过人们的判断对决策方案的优劣进行排序,在此基础上进行定性和定量分析。它把人的思维过程层次化、数量化,并用数学为分析、决策、评价、预报和控制提供定量的依据。
基本步骤:构建层次结构模型;构建成对比较矩阵;层次单排序及一致性检验(即判断主观构建的成对比较矩阵在整体上是否有较好的一致性);层次总排序及一致性检验(检验层次之间的一致性)。
优点:它完全依靠主观评价做出方案的优劣排序,所需数据量少,决策花费的时间很短。从整体上看,AHP在复杂决策过程中引入定量分析,并充分利用决策者在两两比较中给出的偏好信息进行分析与决策支持,既有效地吸收了定性分析的结果,又发挥了定量分析的优势,从而使决策过程具有很强的条理性和科学性,特别适合在社会经济系统的决策分析中使用。
缺点:用AHP进行决策主观成分很大。当决策者的判断过多地受其主观偏好影响,而产生某种对客观规律的歪曲时,AHP的结果显然就靠不住了。
适用范围:尤其适合于人的定性判断起重要作用的、对决策结果难于直接准确计量的场合。要使AHP的决策结论尽可能符合客观规律,决策者必须对所面临的问题有比较深入和全面的认识。另外,当遇到因素众多,规模较大的评价问题时,该模型容易出现问题,它要求评价者对问题的本质、包含的要素及其相互之间的逻辑关系能掌握得十分透彻,否则评价结果就不可靠和准确。
改进方法:
(1) 成对比较矩阵可以采用德尔菲法获得。
(2) 如果评价指标个数过多(一般超过9个),利用层次分析法所得到的权重就有一定的偏差,继而组合评价模型的结果就不再可靠。可以根据评价对象的实际情况和特点,利用一定的方法,将各原始指标分层和归类,使得每层各类中的指标数少于9个。
3.2 灰色综合评价法(灰色关联度分析)
基本思想:灰色关联分析的实质就是,可利用各方案与最优方案之间关联度大小对评价对象进行比较、排序。关联度越大,说明比较序列与参考序列变化的态势越一致,反之,变化态势则相悖。由此可得出评价结果。
基本步骤:建立原始指标矩阵;确定最优指标序列;进行指标标准化或无量纲化处理;求差序列、最大差和最小差;计算关联系数;计算关联度。 优点:是一种评价具有大量未知信息的系统的有效模型,是定性分析和定量分析相结合的综合评价模型,该模型可以较好地解决评价指标难以准确量化和统计的问题,可以排除人为因素带来的影响,使评价结果更加客观准确。整个计算过程简单,通俗易懂,易于为人们所掌握;数据不必进行归一化处理,可用原始数据进行直接计算,可靠性强;评价指标体系可以根据具体情况增减;无需大量样本,只要有代表性的少量样本即可。 缺点:要求样本数据且具有时间序列特性;只是对评判对象的优劣做出鉴别,并不反映绝对水平,故基于灰色关联分析综合评价具有“相对评价”的全部缺点。
适用范围:对样本量没有严格要求,不要求服从任何分布,适合只有少量观测数据的问题;应用该种方法进行评价时,指标体系及权重分配是一个关键的问题,选择的恰当与否直接影响最终评价结果。 改进方法: (1) 采用组合赋权法:根据客观赋权法和主观赋权法综合而得权系数。 (2) 结合TOPSIS法:不仅关注序列与正理想序列的关联度,而且关注序列与负理想序列的关联度,依据公式计算最后的关联度。
分享自安德鲁网站 - 【《古挪威神话》OLD NORSE MYTHOLOGY】我们当今对中世纪的先贤亏欠甚多。正是他们将那些上古神话故事以全新的形式展现出来,帮助这些故事得以进入全新的时代体系,而不至于消逝在历史长河里。本作讲述了从维京时代到21世纪,各种场合对神话故事使用的各种形式,包括广为人知的电影等娱乐行业。https://t.cn/A6tHvujv
✋热门推荐