- 博客(48)
- 收藏
- 关注
RSS订阅
原创 PAS 2050 英文/中文版PDF
1. 资源名称PAS 2050中文版.pdf2. 联系方式[email protected]或[email protected]. 资源说明中文全称《PAS 2050:2008 商品和服务在生命周期内的温室气体排放评价规范》为全球首个产品碳足迹方法标准。于2008年10月由英国标准协会就发布。该规范是由英国碳信托（Carbon Trust）和英国环境、食品和乡村事务部（Defra）联合发起，英国标准协会(BSI)为评价产品生命周期内温室气体排放而编制的一套公众可获取的规范。P
2022-04-27 20:55:30
2131
2
原创 模糊层次分析法(FAHP)Python实现
是一种广泛应用于各种多准则决策问题的决策工具,它将不同的备选方案与不同的标准进行成对比较，并为多标准决策问题提供了决策支持工具。在一般的AHP模型中，目标在第一层，标准和子标准分别在第二层和第三层，第四个层次为备选方案。在FAHP中，通过语言变量对标准和备选方案进行成对比较，语言变量由三角模糊数等表示。然后，通过将每个备选权重与相关标准相乘，计算每个备选的分数。S4. 根据Buckley，计算每个标准的模糊比较值的几何平均值。S3. 根据平均偏好，更新成对比较矩阵。S5. 计算每个标准的模糊权重：求每个。
2023-04-17 17:29:47
3134
1
原创 层次分析法（AHP)Python实现
案例参考[https://zhuanlan.zhihu.com/p/448412538]根据CI和RI值求解CR值，判断其一致性是否通过。的一致性程度被认为在容忍范围内，此时可用。6.2 按照上述操作，计算各个方案的权重。越大，判断矩阵的不一致性程度越严重。6.3 进行层次总排序一致性判断。的特征向量开展权向量计算；最终得到方案到指标的权重矩阵。构建判断(成对比较)矩阵。计算方案层到指标层的权重。层次单排序与一致性检验。表示判断矩阵完全一致，，则应考虑对判断矩阵。
2023-04-11 21:25:39
1883
原创 2006国家温室气体清单指南 中文PDF
1. 主要内容2. 联系方式[email protected]. 特别说明翻译和整理此资料耗费大量精力，因此本资料为付费资料，如有需要，请邮箱联系！
2022-04-27 20:10:32
2194
3
原创 Part V.S4.Sub-part2. 动态直觉模糊信息下的VIKOR方法
4.2 区间直觉模糊信息下的动态VIKOR方法4.2.1 问题描述 设某多阶段动态多属性决策问题有ppp个不同时段tk(k=1,2,⋯ ,p)t_k\left(k=1,2,\cdots,p\right)tk(k=1,2,⋯,p)，mmm个方案Yi(i=1,2,⋯ ,m)Y_{i}\left(i=1,2,\cdots,m\right)Yi(i=1,2,⋯,m)组成方案集Y={Y1,Y2,⋯ ,Ym}Y=\{Y_1,Y_2,\cdots,Y_m\}Y={Y1,Y2,⋯,Ym}，评价每个方案的属性
2022-02-28 09:41:02
269
原创 Part V.S4.Sub-part1. 动态直觉模糊信息下的VIKOR方法
4.1 动态直觉模糊信息的VIKOR方法4.1.1 问题描述 设某多阶段动态多属性决策问题有ppp个不同时段tk(k=1,2,⋯ ,p)t_k\left(k=1,2,\cdots,p\right)tk(k=1,2,⋯,p)，mmm个方案Yi(i=1,2,⋯ ,m)Y_{i}\left(i=1,2,\cdots,m\right)Yi(i=1,2,⋯,m)组成方案集Y={Y1,Y2,⋯ ,Ym}Y=\{Y_1,Y_2,\cdots,Y_m\}Y={Y1,Y2,⋯,Ym}，评价每个方案的属性（或指
2022-02-28 09:40:45
182
原创 Part V.S3. 区间直觉模糊信息下的VIKOR方法
3.1 基于模糊熵的区间直觉模糊VIKOR方法3.1.1 问题描述 设某多属性决策问题有mmm个方案Yi(i=1,2,⋯ ,m)Y_{i}\left(i=1,2,\cdots,m\right)Yi(i=1,2,⋯,m)，组成方案集Y=(Y1,Y2,⋯ ,Ym)Y=\left(Y_{1},Y_{2},\cdots,Y_{m}\right)Y=(Y1,Y2,⋯,Ym)，评价每个方案的属性（或指标）为Gj(j=1,2,⋯ ,n)G_{j}\left(j=1,2,\cdots,n\right)Gj(
2022-02-28 09:39:47
325
原创 Part V.S2. 直觉模糊信息下的VIKOR方法
2.1 基于模糊熵的直觉模糊VIKOR方法2.1.1 问题描述 设某多属性决策问题有mmm个方案Yi(i=1,2,⋯ ,m)Y_{i}\left(i=1,2,\cdots,m\right)Yi(i=1,2,⋯,m)，组成方案集Y=(Y1,Y2,⋯ ,Ym)Y=\left(Y_{1},Y_{2},\cdots,Y_{m}\right)Y=(Y1,Y2,⋯,Ym)，评价每个方案的属性（或指标）为Gj(j=1,2,⋯ ,n)G_{j}\left(j=1,2,\cdots,n\right)Gj(j=
2022-02-27 16:22:41
277
原创 Part V.S1. VIKOR方法基本理论
1.1 VIKOR方法的基本思想 VIKOR\operatorname{VIKOR}VIKOR(VIseKriterijumska Optimizacija I Kompromisno Resenje)方法是由OpricovicOpricovicOpricovic于1998年针对复杂系统而提出的一种基于理想解的多属性决策方法。VIKOR\operatorname{VIKOR}VIKOR方法的基本原理是首先确定正理想解(positive ideal solution，PIS)和负理想解(negativ
2022-02-27 16:14:38
3584
1
原创 Part IV.S4. 基于理想解的动态直觉模糊多属性决策方法
4.1 动态直觉模糊多属性决策TOPSIS方法4.1.1 动态直觉模糊集成算子 设A~(tk)=⟨μk,νk⟩(k=1,2,⋯ ,p)\tilde{A}\left(t_{k}\right) = \left\langle \mu_{k},\nu_{k} \right\rangle \left(k=1,2,\cdots,p\right)A~(tk)=⟨μk,νk⟩(k=1,2,⋯,p)是ppp个不同时段tk(k=1,2,⋯ ,p)t_k\left(k=1,2,\cdots,p\right)tk(k
2022-02-27 16:06:14
198
原创 Part IV.S3. 基于模糊熵的区间直觉模糊多属性决策方法
3.1 基于模糊熵的区间直觉模糊多属性TOPSIS方法3.1.1 区间直觉模糊熵的度量 定义3.1 设A~={⟨xi,[μAL(x1),μAU(x1)],[νAL(x1),νAU(x1)]⟩∣x1∈X,i=1,2,⋯ ,n}\tilde{A} = \left\{ \left\langle x_{i},\left[\mu_{AL}\left(x_{1}\right),\mu_{AU}\left(x_{1}\right)\right],\left[\nu_{AL}\left(x_{1}\right),\n
2022-02-27 15:56:08
272
原创 Part IV.S2. 基于理想解的直觉多属性决策方法
2.1 基于信息熵的直觉模糊多属性决策TOPSIS方法2.1.1 直觉模糊熵的度量 定义1.5 设A~={⟨xi,μA(xi),νA(xi)⟩∣xi∈X,i=1,2,⋯ ,n}\tilde{A} = \left\{ \left\langle x_{i},\mu_{A}\left(x_{i}\right),\nu_{A}\left(x_{i}\right) \right\rangle | x_{i} \in X, i=1,2,\cdots,n\right\}A~={⟨xi,μA(xi),νA(x
2022-02-27 15:41:06
150
原创 Part IV.S1. 基于理想解的直觉模糊多属性决策方法基本概念
1.1 信息熵及其在多属性决策中的应用1.1.1 信息熵与熵权 定义1.1 设有一离散型随机变量XXX，其可能的取值为α1,α2,⋯ ,αn\alpha_{1},\alpha_{2},\cdots,\alpha_{n}α1,α2,⋯,αn，记XXX取到αi\alpha_{i}αi的概率为pi=p{X=αi}=P(αi),i=1,2,⋯ ,np_{i}=p\left\{X=\alpha_{i}\right\}=P\left(\alpha_{i}\right), i=1,2, \cdots, n
2022-02-27 15:32:28
441
原创 Part III.S4. 对方案有偏好的区间直觉模糊多属性决策方法
4.1 问题描述 设某多属性决策问题有mmm个方案Yi(i=1,2,⋯ ,m)Y_{i}\left(i=1,2,\cdots,m\right)Yi(i=1,2,⋯,m)，组成方案集Y={Y1,Y2,⋯ ,Ym}Y=\left\{Y_{1},Y_{2},\cdots,Y_{m}\right\}Y={Y1,Y2,⋯,Ym}评价每个方案的属性(或指标)为Gj(j=1,2,⋯ ,n)G_{j}\left(j=1,2,\cdots,n\right)Gj(j=1,2,⋯,n)，记属性集为G={G1,G2,
2022-02-27 14:54:55
215
原创 Part III.S3. 对方案有偏好的直觉模糊多属性决策方法
3.1 问题描述 设某多属性决策问题有mmm个方案Yi(i=1,2,⋯ ,m)Y_{i}\left(i=1,2,\cdots,m\right)Yi(i=1,2,⋯,m)，组成方案集Y={Y1,Y2,⋯ ,Ym}Y=\left\{Y_{1},Y_{2},\cdots,Y_{m}\right\}Y={Y1,Y2,⋯,Ym}评价每个方案的属性(或指标)为Gj(j=1,2,⋯ ,n)G_{j}\left(j=1,2,\cdots,n\right)Gj(j=1,2,⋯,n)，记属性集为G={G1,G2,
2022-02-27 14:48:37
266
原创 Part III.S2. 基于离差最大化的区间直觉模糊多属性决策方法
2.1 属性权重完全未知情形下区间直觉模糊多属性决策2.1.1 问题描述 设某多属性决策问题有mmm个方案Yi(i=1,2,⋯ ,m)Y_{i}\left(i=1,2,\cdots,m\right)Yi(i=1,2,⋯,m)，组成方案集Y={Y1,Y2,⋯ ,Ym}Y = \left\{Y_{1},Y_{2},\cdots,Y_{m}\right\}Y={Y1,Y2,⋯,Ym}评价每个方案的属性(或指标)为Gj(j=1,2,⋯ ,n)G_{j}\left(j=1,2,\cdots,n\righ
2022-02-27 14:14:38
344
原创 Part III.S1. 基于离差最大化的直觉模糊多属性决策方法
1.1 属性权重完全未知情形下的直觉模糊多属性决策方法1.1.1 问题描述 设某多属性决策问题有mmm个方案Yi(i=1,2,…m)Y_{i}\left(i=1,2,…m\right)Yi(i=1,2,…m)，组成方案集Y={Y1,Y2,⋯ ,Ym}Y = \left\{Y_{1},Y_{2},\cdots,Y_{m}\right\}Y={Y1,Y2,⋯,Ym}评价每个方案的属性(或指标)为Gj(j=1,2,⋯ ,n)G_{j}\left(j=1,2,\cdots,n\right)Gj(j=
2022-02-27 13:53:18
477
原创 Part II. S4. Sub-part2. 基于区间直觉模糊混合平均（几何）算子的多属性决策方法
4.2 基于区间直觉模糊混合几何算子的多属性决策方法 1.区间直觉模糊加权几何算子 定义4.4 设A~j=⟨[μjL,μjU],[νjL,νjU]⟩(j=1,2,⋯ ,n)\tilde{A}_{j} = \left\langle\left[\mu_{jL},\mu_{jU}\right],\left[\nu_{jL},\nu_{jU}\right]\right\rangle\left(j=1,2,\cdots,n\right)A~j=⟨[μjL,μjU],[νjL,νjU]⟩(j=1,.
2022-02-26 12:00:28
222
原创 Part II. S4. Sub-part1. 基于区间直觉模糊混合平均（几何）算子的多属性决策方法
4.1 基于区间直觉模糊混合平均算子的多属性决策方法 1. 区间直觉模糊加权平均算子 定义4.1 设A~j=⟨[μjL,μjU],[νjL,νjU]⟩(j=1,2,...,n)\tilde{A}_{j} = \left\langle\left[\mu_{jL},\mu_{jU}\right],\left[\nu_{jL},\nu_{jU}\right]\right\rangle\left(j=1,2,...,n\right)A~j=⟨[μjL,μjU],[νjL,νjU]⟩(j=1,2,
2022-02-26 11:59:38
327
原创 Part II. S3. 属性权重为直觉模糊数情形下的直觉模糊多属性决策方法
3.1 属性权重为直觉模糊数的加权直觉模糊数 属性Gj∈GG_{j}\in GGj∈G的权重为直觉模糊数ω~j=⟨ρj,τj⟩(j=1,2,...,n)\tilde{\omega}_{j} = \left\langle\rho_{j},\tau_{j}\right\rangle(j=1,2,...,n)ω~j=⟨ρj,τj⟩(j=1,2,...,n)满足条件ρj∈[0,1]\rho_{j}\in[0,1]ρj∈[0,1]、τj∈[0,1]\tau_{j}\in[0,1]τj∈[0,1]，且0
2022-02-26 11:39:13
247
原创 Part II. S2. 基于直觉模糊混合几何算子的多属性决策方法
2.1 直觉模糊加权几何算子定义2.1 设A~j=⟨μj,νj⟩(j=1,2,...,n){\tilde{A}_{j}} = \left\langle\mu_{j},\nu_{j}\right\rangle\left(j = 1,2,...,n\right)A~j=⟨μj,νj⟩(j=1,2,...,n)是一组直觉模糊数，若IFWG\operatorname{IFWG}IFWG是一个映射：Fn→FF_{n} \rightarrow FFn→F，使得：IFWGω(A~1,A~2,...,A
2022-02-26 10:38:10
456
原创 Part II. S1. 基于直觉模糊混合平均算子的多属性决策方法
1.1 直觉模糊加权平均算子 记论域X上所有直觉模糊数为F(X)F\left(X\right)F(X)定义1.1 设A~j=⟨μj,νj⟩(j=1,2,...,n){\tilde{A}_{j}} = \left\langle\mu_{j},\nu_{j}\right\rangle\left(j = 1,2,...,n\right)A~j=⟨μj,νj⟩(j=1,2,...,n)是一组直觉模糊数，若IFWA\operatorname{IFWA}IFWA是一个映射：Fn→FF_{n} \ri
2022-02-26 10:18:40
810
原创 Part I. S3. 区间直觉模糊集理论
3.1 区间直觉模糊集的概念定义1.14 设X是一个非空经典集合，I[0,1]I_{[0,1]}I[0,1]表示[0,1][0,1][0,1]区间上的所有闭子区间的集合，则称A~={⟨x,μA~(x),νA~(x)⟩∣x∈X}(3.1)\color{red}{ \tilde{A}=\left\{\left\langle x,\mu_{\tilde{A}}(x),\nu_{\tilde{A}}(x)\right\rangle|x \in X\right\} \tag{3.1}.
2022-02-25 10:50:18
1424
1
原创 Part I. S2. 直觉模糊集理论
2.1 直觉模糊集定义定义1.7 设XXX是一个非空经典集合，则称A~={⟨x,μA~(x),νA~(x)⟩∣x∈X}(2.1)\tilde {A} = \left\{ \left\langle x,\mu_{\tilde{A}}(x), \nu_{\tilde{A}}(x) \right\rangle | x\in X \right\}\tag{2.1}A~={⟨x,μA~(x),νA~(x)⟩∣x∈X}(2.1) 为XXX上的一个直觉模糊集，其中μA~(x)\mu_{\tilde{.
2022-02-25 10:34:51
2583
原创 Part I. S1. 模糊集及其运算
1.1 模糊集定义 设U为论域， μA~\mu_{\tilde{A}}μA~是论域U到闭区间[0,1][0,1][0,1]的一个映射，即μA~:U→[0,1],u↦μA~(u)∈[0,1]\mu_{\tilde{A}}:U\rightarrow[0,1],u\mapsto\mu_{\tilde{A}}(u)\in[0,1]μA~:U→[0,1],u↦μA~(u)∈[0,1] 则称此映射确定了U的一个模糊子集A~\tilde{A}A~，称μA~\mu_{\tilde{A}}μA~为A~\
2022-02-25 09:43:03
1248
原创 Part.0模糊集表示方法
一、表示方法1. Zadeh 表示法A=A(x1)x1+A(x2)x2+⋯+A(xn)xnA=\frac{A\left(x_{1}\right)}{x_{1}}+\frac{A\left(x_{2}\right)}{x_{2}}+\cdots+\frac{A\left(x_{n}\right)}{x_{n}}A=x1A(x1)+x2A(x2)+⋯+xnA(xn) 这里A(xi)xi\frac{A\left(x_{i}\right)}{x_{i}}xiA(xi)表示xi
2022-02-25 08:49:05
1002
原创 关于Anaconda+PyCharm环境下安装wordcloud的问题
安装方法Python的版本要与所下载的whl文件的版本相匹配。首先查看Python的版本python -V确定版本后，再根据情况判断是否需要下载whl文件。根据PyPI官网所给出的信息，可以看出python3.7及其以下可以直接使用pip命令安装。针对Python的版本大于3.8，可以通过whl或源码的方式进行安装（链接：https://pypi.org/project/wordcloud/#files）方法一. whl文件安装查看系统位数，并下载相应版本的whl文件
2021-03-27 12:51:52
544
原创 通过计算两个句子的相似度进行文件命批量修改
问题背景批量下载文档的时候未能自动的命名，导致文件整理比较麻烦；除了文档外，还下载了文档索引文件，如下所示：索引信息文档信息问题需求通过利用索引信息，匹配索引文档中与文档库中题目最相似的字符串，并利用最相似的字符串对文档库中的文档进行重命名。测试环境|----PyCharm Python3.8|----系统：Windows匹配算法为了快速计算两句话的相似度，且不考虑训练模型；通过资料查找，确定采用余弦匹配算法，代码如下：文件命名为 compute_sim.pyimport mat
2020-10-27 16:37:45
289
原创 yolact模型DCNv2模块编译错误解决方法
配置环境1. Ubuntu 18.042. Anaconda3.Cuda10.2+cudnn7.6.5问题描述按照yolact(https://github.com/dbolya/yolact)给的DNCv2链接https://github.com/CharlesShang/DCNv2/tree/pytorch_1.0对DNCv2进行编译时出现以下错误:error: identifier "THCState_getCurrentStream" is undefined解决方法
2020-06-17 10:53:54
5151
14
原创 Windows10+Anaconda配置pycocotools
在Anaconda的终端执行下述命令即可：pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI
2020-06-10 11:14:11
264
原创 PascalVOC Dataset下载链接
https://pjreddie.com/projects/pascal-voc-dataset-mirror/
2020-05-05 11:35:09
301
原创 关于调用labelme批量转换json文件时出现找不到draw_label函数的解决办法
描述随着labelme的版本不断更新，在4.x或3.x较高版本中draw_label函数被省略，因而无法调用draw_label函数绘制标签。解决办法降低labelme的版本至3.16.2及以下pip install labelme==3.16.2然后可以检测版本是否正确import labelmeprint(labelme.__version__)...
2020-05-05 09:54:23
759
2
原创 关于使用MkDocs编译时出现错误： Config value: 'theme'. Error: The path set in theme.custom_dir ...不存在的解决方法
最近在使用Keras离线文档时，按照别人的博客下载进行编译时出现主题配置错误问题，现将解决措施记录如下：问题描述：ERROR - Config value: 'theme'. Error: The path set in theme.custom_dir ('C:\Users\xxxxx\....\....\keras-docs-zh\theme') does not exist....
2020-05-01 22:46:07
943
转载 Python笔记－－04: 将VOC标定数据转换为COCO数据
此代码为参考代码：Github#!/usr/bin/python# pip install lxmlimport sysimport osimport jsonimport xml.etree.ElementTree as ETimport globSTART_BOUNDING_BOX_ID = 1PRE_DEFINE_CATEGORIES = None# If ne...
2019-11-13 21:01:49
470
原创 Jetson Nano官方预训练模型百度网盘下载链接分享
在做Jetson Nano开发板测试的时候，很多预训练模型需要下载，当运行官方给的教程下载时，发现即使使用了外网也没办法下载。官方下载方式（方式一）$ cd jetson-inference/tools$ ./download-models.sh下载方式二在查找了各种资料后，发现也有小伙伴给出了其他下载链接，但是模型并不全，链接为：https://github.com/dust...
2019-10-30 20:14:49
5246
6
原创 Jetson Nano配置NoMachine
第一步：下载NoMachine的安装包下载链接：https://www.nomachine.com/download/download&id=112&s=ARM第二步：解压安装包$ cd Download$ sudo copy nomachine_6.8.1_1_aarch64.tar.gz$ sudo tar zxvf nomachine_6.8.1...
2019-10-23 15:35:33
1637
2
原创 [资源]ResNet caffemodel[百度网盘]
1、均值文件下载链接链接：https://pan.baidu.com/s/1YerXs0WK0TH1v0Eo70A9ZA提取码：l6wl 2、ResNet-50-model.caffemodel下载链接链接：https://pan.baidu.com/s/10j_czd9D4lUZpK5uW2iV9g提取码：womr 3、ResNet-50-model.prototxt下载...
2018-11-25 14:30:46
6558
15
转载 [问题] RuntimeError: the PyQt4.QtCore and PyQt5.QtCore modules both wrap the QObject class
系统环境系统：ubuntu16.04 Python：2.7.12 Qt环境：qt4、qt5 安装内容：labelImg问题描述配置完成labelImg后，启动labelImg时显示以下错误：Traceback (most recent call last): File "labelImg.py", line 29, in <module> import ...
2018-11-23 16:08:54
2395
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人