本科毕业论文矩阵在决策中

随着现代科学的发展，数学中的矩阵也有更广泛而深入的应用，下面列举几项矩阵在现实生活中的应用：

这种文体一般是先指出对方错误的实质，或直接批驳（驳论点），或间接批驳（驳论据、驳论证）；继而，针锋相对地提出自己的观点并加以论证。驳论是跟立论紧密联系着的，因为反驳对方的错误论点，往往要针锋相对地提出自己的正确论点，以便彻底驳倒错误论点。侧重于驳论的议论文是驳论文.驳论文往往破中有立,边破边立,即在反驳对方错误论点的同时,针锋相对地提出自己的正确观点.批驳错误论点的方法有三种:1.驳论点2.驳论据3.驳论证.但归根结底是为了驳论点。 驳论文是议论文常见的论证文体，在对一些社会丑陋现象的批判与揭露上价值尤为突出，但学生在写作中往往感到不知从何驳起，无从下笔。其实，这类文章写作有一个思路，那就是：1、列现象，2、示弊端，3、探根源，4、指出路。本文适宜高中课文，鲁迅先生的名篇《拿来主义》为例，对驳论文的这一特征予以探析。列现象对现实中不合道德、有碍社会健康发展的现象进行列举。事例选取的典型性，以求警醒人们；罗列的丰富性，以求引起读者共鸣；修辞的多样性，以求彰显行文文采，增强气势。例：单是学艺上的东西，近来就先送一批古董到巴黎去展览，但终“不知后事如何”；还有几位“大师”们捧着几张古画和新画，在欧洲各国一路的挂过去，叫作“发扬国光”。听说不远还要送梅兰芳博士到苏联去，以催进“象征主义”，此后是顺便到欧洲传道。示弊端每一种（类）丑陋的现象都会或多或少造成社会的损失。有些损失是明显的，人们不齿、唾弃；但一些损失在较长的时间段后才会出现，许多人看不到这种想象的危害，那就要揭示，这要求写作者既具有深邃的目光，透过现象看本质，又具有先知先觉的本领。（这种一味的送去，造成物质的枯竭。）虽然有人说，掘起地下的煤来，就足够全世界几百年之用。但是，几百年之后呢？几百年之后，我们当然是化为魂灵，或上天堂，或落了地狱，但我们的子孙是在的，所以还应该给他们留下一点礼品。要不然，则当佳节大典之际，他们拿不出东西来，只好磕头贺喜，讨一点残羹冷炙做奖赏。这种奖赏，不要误解为“抛来”的东西，这是“抛给”的，说得冠冕些，可以称之为“送来”，我在这里不想举出实例。

矩阵的研究历史悠久，拉丁方阵和幻方在史前年代已有人研究。

矩阵是高等代数学中的常见工具，也常见于统计分析等应用数学学科中。 在物理学中，矩阵于电路学、力学、光学和量子物理中都有应用；计算机科学中，三维动画制作也需要用到矩阵。 矩阵的运算是数值分析领域的重要问题。将矩阵分解为简单矩阵的组合可以在理论和实际应用上简化矩阵的运算。对一些应用广泛而形式特殊的矩阵，例如稀疏矩阵和准对角矩阵，有特定的快速运算算法。关于矩阵相关理论的发展和应用，请参考矩阵理论。在天体物理、量子力学等领域，也会出现无穷维的矩阵，是矩阵的一种推广。

随着现代科学的发展，数学中的矩阵也有更广泛而深入的应用，下面列举几项矩阵在现实生活中的应用：（1）矩阵在经济生活中的应用‍可“活用”行列式求花费总和最少等类似的问题；可“借用”特征值和特征向量预测若干年后的污染水平等问题。（2）在人口流动问题方面的应用这是矩阵高次幂的应用，比如预测未来的人口数数、人口的发展趋势。（3）矩阵在密码学中的应用可用可逆矩阵及其逆矩阵对需发送的秘密消息加密和译密。（4）矩阵在文献管理中的应用比如现代搜索中往往包括几百万个文件和成千的关键词，但可以利用矩阵和向量的稀疏性，节省计算机的存储空间和搜索时间。

收益矩阵法，实际上就是计算每一个决策方案的期望值，并取期望值最大的方案作为最优决策方案。期望值的计算，是用方案的自然状态的收益值，与对应的概率相乘后再相加。等概率法，是假定每一种自然状态的概率是相等的，即，如果有n个自然状态，那么，每一种状态出现的概率都相等，都为1/n。其计算方法很简单：把每一种自然状态的收益相加，除以自然状态的个数（即，乘以概率1/n）即可。即得出该决策的期望收益（又称平均收益），选择期望收益最大的那个决策方案即可。概率矩阵分解简单而言就是：R矩阵（用户-产品评分矩阵）是本身已有推荐数据，矩阵稀疏，我们需要填补这些稀疏的部分作为推荐结果。此时我们假定R矩阵等于U、V的内积，U、V分别为用户特征矩阵和产品特征矩阵。U、V的内积得到的矩阵具有以下特性；1、最大限度地满足：本身已有矩阵R，在不稀疏、有评分数据的位置上，与UV的内积对应位置评分数据相近。 2、在本身已有矩阵R的稀疏位置，UV的内积作为预测结果用来推荐。 此时可以根据条件1来计算U、V，再根据计算结果的U、V来填补R的稀疏部分，达成推荐。 3、以上两点是矩阵分解(MF)的特性，PMF相比与MF，引入了与概率、统计学相关的概念与方法，实际上与MF并无太大差异。怎么计算的 核心思想：推荐系统用来学习的矩阵为R，其中Rij代表了用户i对物品j的评分。一般而言矩阵R是稀疏矩阵，有很多评分数据为0。此时通过引入用户特征矩阵和物品特征矩阵，使得R=UV（内积）。（涉及先验后验似然知识）。假设在U、V情况下，得到现有用户-物品矩阵R的概率服从正态分布，且假设U、V服从某一形式的正态分布。此时可以得到后验概率P(U,V|R)。需要通过得到的最大化目标函数，使后验概率最大，此时得到的U、V即为所求的特征矩阵。 根据U、V特征矩阵可以得到完整评分推荐矩阵。

matlab两个矩阵的相关性的分析方法：用corrcoef(X,Y) 函数实现两个矩阵的相关性的分析。函数格式 ： corrcoef(X,Y) ；函数功能：其中%返回列向量X,Y的相关系数，等同于corrcoef([X Y])；函数举例：在命令窗口产生两个10×3阶的随机数组x和y，计算关于x和y的相关系数矩阵：x=rand(10,3);y=rand(10,3);cx=cov(x)cy=cov(y)cxy=cov(x,y)px=corrcoef(x)pxy= corrcoef(x,y)