管理决策实验报告.docx
《管理决策实验报告.docx》由会员分享,可在线阅读,更多相关《管理决策实验报告.docx(12页珍藏版)》请在冰豆网上搜索。
管理决策实验报告
管理与决策系统
实验一:
安装joomla
1.首先安装xampp。
2.选择next。
3.选择安装路径,再选择next。
4.选择next:
5.选择next:
6.安装成功:
7.打开浏览器:
输入http;//localhost,选择中文。
8.下载Joomla,把下载的压缩包解压后的所有文件夹和文件上传到网站根目录C:
\xampp\htdocs\joomla。
9.现在开始安装joomla,在网页浏览其中键入地址http:
//localhost/joomla。
10. 在“选择语言”窗口中选择安装的语言版本,博客吧这里选择“简体中文”,然后点击右上角的“下一步”。
11.进入安装前检查界面检查服务器环境是否符合joomla的安装要求,符合则直接点击“下一步”。
12.进入软件许可证界面,直接点“下一步”。
13.进入“数据库设置”界面,在“基础配置”中,数据库类型选择MySQL,主机名为数据库的主机名localhost;如图配置,点击“下一步”。
14.FTP设置直接下一步。
15.设置网站配置如图,点击下一步。
16.点击删除安装目录,安装成功。
实验二:
利用matlab做数据的分类
一个经过训练的2输入神经元对5个输入向量进行分类(2类)。
1.两个长度为5的向量构成输入样本矩阵P,行向量T为指导向量。
利用PLOTPV画出这个向量的图像。
例如:
P=[-0.5-0.5+0.3-0.1-4;-0.5+0.5-0.5+1.05];
T=[11001];
plotpv(P,T);//plotpv函数利用感知器的输入向量和目标向量来画输入向量的图像
2.建立神经网络
MATLAB提供函数newp来创建一个指定的感知器。
第一个参数指定了期望的两个输入向量的取值范围,第二个参数指定了只有一个神经元。
net=newp([-401;-150],1);
3.添加神经元的初始化值到分类图
初始化的权值被设为0,因此任何输入都会给出同样的输出,并且分类线不会出现在这个图中,继续训练这个神经网。
holdon
linehandle=plotpc(net.IW{1},net.b{1});//plotpc函数用来画神经网络的分类线
4.训练感知器
Matlab提供了adapt函数来训练感知器,adapt函数返回一个新的能更好的执行分类、网络的输出、和误差的神经网络,这个划线函数允许网络从3个角度去调整,画分类线一直到误差为0为止。
E=1;//E为误差
net.adaptParam.passes=3;
while(sse(E))//sse函数是用来判定误差E的函数
[net,Y,E]=adapt(net,P,T);//利用输入样本调节神经网net
linehandle=plotpc(net.IW{1},net.b{1},linehandle);//画出调整以后的分类线
drawnow;//延迟一段时间
end
5.模拟sim
SIM函数能被用来划分任何别的输入向量,例如划分一个输入向量[0.7;1.2].这个新点的图像为红色,他将用来显示这个感知器如何把这个新点从最初的训练集取分开来。
p=[0.7;1.2];
a=sim(net,p);//利用模拟函数sim计算出新输入p的神经网络的输出
plotpv(p,a);
circle=findobj(gca,'type','line');
set(circle,'Color','red');
holdon;
plotpv(P,T);
plotpc(net.IW{1},net.b{1});
holdoff;
axis([-22-22]);
个感知器正确的区分了我们的新点(用红色表示)作为”zero”类(用圆圈表示),而不是”one”类(用+号表示),尽管需要比较长的训练时间,这个感知器仍然适当的进行了学习。
实验三:
利用matlab做数据的聚类
设某地区有八个观测点的数据,样本距离矩阵如程序中X矩阵所示,根据最短距离法聚类分析。
程序源代码:
%最短距离法系统聚类分析
X=[7.9039.778.4912.9419.2711.052.0413.29;
7.6850.3711.3513.319.2514.592.7514.87;
9.4227.938.208.1416.179.421.559.76;
9.1637.989.019.3215.999.101.8211.35;
10.0628.6410.5210.0516.188.391.9610.81];
BX=zscore(X);% 标准化数据矩阵
Y=pdist(X)% 用欧氏距离计算两两之间的距离
D=squareform(Y)% 欧氏距离矩阵
Z=linkage(Y)% 最短距离法
T=cluster(Z,3)
find(T==3)% 第3类集合中的元素
[H,T]=dendrogram(Z)% 画聚类图
运行结果(如下图):
聚类谱系图如下图所示: