权重

AHP（层次分析法）用于指标权重确定，涉及方法、概念和规则。可帮助为建模做准备。

AHP权重计算指南 本指南详细介绍了层次分析法(AHP)中权重计算的步骤，包括： 层次单排序及其一致性检验 层次总排序及其一致性检验 权重的最终计算方法

使用遗传算法在 MATLAB 中优化权重，同时满足等式约束。

本研究基于Jaccard相似度度量，提出一种考虑权重的实体识别方法，并应用于社会网络分析。该方法通过计算实体属性权重，提高实体识别精度。

PyTorch 平台上的深度学习模型，用于图像超分辨率：FSRCNN 包含网络模型、训练代码、测试代码、评估代码和预训练权重 评估代码可计算 RGB 和 YCrCb 空间下的 PSNR 和 SSIM

矿工不安全行为影响因素权重研究 本研究深入探讨了影响矿工不安全行为的因素，并对其重要性进行了量化分析。首先，通过文献综述，从内在和外在两个层面，梳理出28个可能的影响因素。随后，基于这些因素设计了调查问卷，并运用因子分析法对收集的数据进行统计分析，构建了不安全行为影响因素指标体系。最后，通过计算各层级指标的权重值，明确了不同因素对矿工不安全行为的影响程度，为控制和预防此类行为提供了理论依据。

该方法利用粗糙集理论处理不确定信息，通过计算条件信息熵来量化属性重要性，进而确定权重。

Pegasos 算法通过迭代优化目标函数来计算权重向量 W。在每次迭代中，算法会根据选择的样本数据和当前的权重向量计算损失函数的梯度，并根据梯度更新权重向量。 具体来说，Pegasos 算法的权重向量更新规则如下： 初始化: 将权重向量 W 初始化为零向量或随机向量。 迭代更新: 对于每次迭代 t，执行以下步骤： 从训练数据集中随机选择一个样本 (x, y)。 计算预测值：ŷ = sign(Wᵀ * x)。 如果预测错误 (ŷ ≠ y)，则更新权重向量：W = (1 - λ/t) * W + (η * y * x)。 λ 是正则化参数，用于控制模型的复杂度。 η 是学习率，用于控制每次更新的步长。 如果预测正确 (ŷ = y)，则更新权重向量：W = (1 - λ/t) * W。 重复步骤 2 直到达到预设的迭代次数或损失函数收敛。 最终得到的权重向量 W 即为 Pegasos 算法学习到的模型参数。

Matlab平台Critic神经网络修正前后权重对比结果显示，修正后的Critic网络权重分布更加均匀，极差显著减小。这一现象与Matlab默认采用的梅森随机数生成算法及原始数据的随机性密切相关。

利用输入的x和y坐标，生成基于距离和时间条件的空间权重矩阵，适用于空间计量经济学中的回归分析。特别适用于考虑时间条件的享乐回归，如对几年内的销售数据集进行房屋销售额评估。例如，排除一年前的交易作为邻居，模拟可比销售额评估方法。