一、散列类型散列类型用来表示无序集合。1. 集合python中集合(set)类型与数学中的集合类型一致，用来表示无序不重复元素的集合。1.1 集合定义集合使用一对大括号{}进行定义，元素直接使用逗号隔开。集合中的元素必须是不可变类型。a = {1, 2, 3, 4, 5, 6}
b = {1,2,'a',('a',),1.5} # 集合中元素必须是不可变类型
print('a的类型为：
# 模糊散布熵及其在Python中的实现
在信息论中，熵是用来度量随机变量不确定性的一个重要概念。而模糊散布熵（Fuzzy Entropy, FE）则是对传统熵的一种扩展，它不仅考虑了数据的不确定性，也引入了模糊性。这使得模糊散布熵在复杂系统分析、信号处理等领域得到了广泛应用。
## 一、模糊散布熵的概念
模糊散布熵用于量化一个系统的混沌程度和复杂度。与经典熵相比，模糊散布熵可以更好地处理模
原创
2024-10-28 04:52:19
156阅读
模糊散布熵Fuzzy dispersion entropy，多尺度模糊散布熵，层次模糊散布熵，时移多尺度模糊散布熵，复合多尺度模糊散布熵，精细复合多尺度模糊散布熵.熵或复杂性度量区分时间序列类别和理解潜在动态的能力是众所周知的。模糊散布熵(Fuzzy dispersion entropy)是采用一种新颖编码方法来保持子序列的符号表示。该算法非常简单，易于实现，作为特征提取方法可以与机器学习、深度学
原创
2023-06-26 21:53:50
236阅读
熵或复杂性度量区分时间序列类别和理解潜在动态的能力是众所周知的。模糊散布熵(Fuzzy dispersion entropy，python代码：https://www.jianshu.com/p/1f2542dd8fc1)是采用一种新颖编码方法来保持子序列的符号表示。该算法非常简单，易于实现，作为特征提取方法可以与机器学习、深度学习结合，解决复杂的分类或预测问题，可用于生物医学、神经科学、电气、交
原创
2023-07-10 22:32:00
260阅读
文章1.1 层次分析法层次分析法介绍：问题引入： 评价类模型是最基础的模型之一，往往对应着生活中一些很实际的问题。例如，高考结束了，你是选择南大还是武大呢？已知今天空气中几种污染气体的浓度，如何确定空气质量等级呢？放假想要出去旅游，有好几个备选目的地，如果只能选一个，该去哪里呢？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（层次的来源），并通过
转载
2024-08-14 20:08:34
151阅读
一、原理1.引例从下图可以看到，越可能发生的事情信息量越少。而我们使用概率来衡量事情发生的可能性。2.定义熵权法是一种可以用于多对象、多指标的综合评价方法，其评价结果主要依据客观资料，几乎不受主观因素的影响，可以在很大程度上避免人为因素的干扰。熵值计算公式如下：二、步骤1.什么是度量信息量的大小信息量与概率的函数图与ln(x)函数图类似，因此在衡量信息量时，我们选用的是ln(x)函数。2.正向化和
转载
2023-08-07 20:02:35
651阅读
文章目录1.简单理解 信息熵2.编制指标 （学术情景应用）3.python实现3.1 数据准备3.2 数据预处理3.3 熵值、权重计算3.4 编制综合评价指标 熵值法也称熵权法，是学术研究，及实际应用中的一种常用且有效的编制指标的方法。 1.简单理解 信息熵机器学习中的决策树算法是对信息熵的一种典型的应用。 在信息论中，使用 熵 (Entropy)来描述随机变量分布的不
转载
2023-09-13 23:34:59
555阅读
这次主要实现日期转化成星期几的函数的编写，并对于每周几的VWAP的值进行计算，并对于AAPL三周以内周股价进行汇总。并对于之前的代码进行优化。第一部分：历史以星期为标准的VWAP的计算首先，将csv文件中的数据读取，我的样例来自雅虎财经提供数据，格式为2017/07/20。所以转化函数应该编写成：from datetime import *
def datestr2num(s):
ret
转载
2024-05-30 12:34:59
9阅读
最近这一个月有三在知识星球里分享GAN在底层的图像处理中的相关应用，预计会再持续一个月，下面我们对其中的各个方向简单做一些介绍。作者&编辑 | 言有三1 GAN与图像降噪图像在产生和传输过程中都会受到噪声的干扰，因此图像降噪是一个非常基础的问题，生成式模型GAN在捕捉噪声的分布上有天然的优势。基于深度学习的图像降噪面临的一大难题就是没有成对的真实噪声和无噪声数据，GCBD(GAN-CNN
熵（统计物理与信息论术语） 熵的概念 [1] 是由德国物理学家克劳修斯于1865年所提出。最初是用来描述“能量退化”的物质状态参数之一，在热力学中有广泛的应用。但那时熵仅仅是一个可以通过热量改变来测定的物理量，其本质仍没有很好的解释，直到统计物理、信息论等一系列科学理论发展，熵的本质才逐渐被解释清楚，即，熵的本质是一个系统“内在的混乱程度”。它在控制论、概率论、数论、天体物理
转载
2023-12-27 14:04:24
87阅读
摘 要：目的 将熵权法与灰色关联度法相结合进行羌活饮片质量多指标综合评价研究。方法 测定42批不同来源的羌活饮片样品中羌活醇、异欧前胡素、挥发油、醇浸出物和水浸出物5个主要指标的含量，采用灰色关联度法，以熵权法所得权重作为分辨系数(ρ)，构建羌活饮片质量评价模型。结果 不同来源的42批羌活饮片的相对关联度值的范围为0.241 1～0.679 5，不同
//2014年6月20日入“未完成”//2015年1月14日//这还是当年校赛的题目，就是对比实验组和对照组，但只给出了时间序列//时间序列的指标是什么呢，当时只会时间序列的预测（ARMA之类）和信号处理。//于是就去看动力学、混沌理论，虽然这些理论都很不实用。//但是时间序列作为一种普遍的数据形式，很值得研究。（像股票价格）//我现在学的数据挖掘里好像也没有这方面知识，不过这应该算是从时间序列里
自信息量I(x)=-log(p(x))，其他依次类推。离散变量x的熵H(x)=E(I(x))=-$\sum\limits_{x}{p(x)lnp(x)}$
连续变量x的微分熵H(x)=E(I(x))=-$\int{p(x)lnp(x)dx} $
条件熵H(y|x)=-$\int\int{p(x,y)lnp(y|x)dydx}$
两个变量X和 Y 的联合熵定义为：
H(X,
转载
2024-08-03 16:05:55
77阅读
一、主成分分析法背景在许多领域的研究与应用中，通常需要对含有多个变量的数据进行观测，收集大量数据后进行分析寻找规律。多变量大数据集无疑会为研究和应用提供丰富的信息，但是也在一定程度上增加了数据采集的工作量。更重要的是在很多情形下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性。如果分别对每个指标进行分析，分析往往是孤立的，不能完全利用数据中的信息，因此盲目减少指标会损失很多有用的信息，从而
转载
2024-09-23 18:54:19
112阅读
# Python计算图片信息熵的科普文章
## 1. 什么是信息熵？
信息熵是信息论中的一个核心概念，用于量化信息的不确定性。在图像处理中，信息熵是一个重要指标，用于衡量图像的复杂度和信息量。一个高熵的图像通常包含更多的细节，而低熵图像则可能比较单调或简单。
在实际应用中，信息熵可以用来：
- 评价图像的质量
- 辅助图像压缩
- 辅助图像分类等
## 2. 如何计算信息熵？
信息熵的计
# 条件熵与交叉熵的科普及其在Python中的实现
在信息论和机器学习中，条件熵和交叉熵是两个非常重要的概念。它们在评估概率分布之间的差异时，发挥着关键作用，尤其是在分类任务中。本文将介绍这两个概念，并提供相应的Python代码示例，帮助大家理解它们的应用。
## 条件熵
条件熵是指在已知随机变量 \(Y\) 的情况下，随机变量 \(X\) 的不确定性。可以用以下公式表示：
\[
H(X|
这里是根据清风数学建模视频课程整理的笔记，我不是清风本人。想系统学习数学建模的可以移步B站搜索相关视频 文章目录熵权法原理如何度量信息量的大小信息熵的定义熵权法计算步骤 TOPSIS方法此前以及写过博文，因此这里主要讲熵权法确定权重 熵权法原理指标的变异程度越小（即方差越小），所反映的信息量也越少，其对应的权值也应该越低。例如：对于所有的样本而言，这个指标都是相同的数值， 那么我们可认为这个指标的
转载
2024-04-19 13:23:25
105阅读
python基础python是一种高级编程语言，而编程语言分为3种编程语言 编程语言是一种人与计算机沟通的工具。 编程就是就将人的需求通过攥写编程语言命令计算机完成指令。 编程的意义在于将人类的生产力从简单的重复劳动中解放出来。编程语言的发展史：1.机器语言：以二进制为基础的，能够直接与计算机交流的语言，特点是能够直接操作硬件。 优点：计算机能够直接读懂，执行速度最快。
转载
2024-06-19 05:25:55
66阅读
程序名称##改进熵权法计算(matlab版+python版)程序功能(对象)适用于对两个及以上的对象进行综合评估；客观赋权法：改进熵权法(输入各评估对象的指标原始值)输出：评估对象的客观权重以及综合评分值对比改进需求：传统熵权法在所有熵值趋近于1时熵值微小的差距将引发熵权成倍变化!!!应用领域：根据需求而定，博主研究领域是配电网评估以下均在该领域计算改进熵权法的理论分析在编程之前首先需要学习相关内
转载
2024-04-19 20:09:23
40阅读
补一下上次文章的坑,有关标准化和归一化的问题.标准化:(X-E(x))/D(x) 归一化: (X-min)/(max-min)两个的具体差别我的感受不是特别深刻,用的比较多的是归一化.from sklearn.preprocessing import MinMaxScaler
mm = MinMaxScaler()
mm_data = mm.fit_transform(X)
origin_data
转载
2023-09-05 08:09:37
73阅读
