简介：

简介：

简介：

简介：

简介：突发事件的实时数据是应急决策的依据,提高对数据的处理能力,确定突发事件属性的熵权,筛选出反映事件发展趋势的重要属性,是提高决策效率和准确性的关键问题。利用共性知识模型结构化表示突发事件和属性,参考区间型多属性决策方法,把事件属性监测值转换为区间数型,在保持时序信息的同时降低数据维数,并通过定义精确数与区间的距离,使突发事件属性集均转化为成本型属性;继而利用基于熵权的区间型多属性决策方法计算事件的属性熵权值,权值越大,表示包含事件演化趋势的信息越多,在决策时就应被重点关注。最后,通过实例说明此方法的有效性和实用性。

简介：

简介：考点一：质量1．质量是物体的一种属性．任何物体都具有一定的质量，即含有物质的多少,它不会因为形状、状态、位置的改变而改变．

简介：

简介：

简介：在多属性群决策中,决策者的决策结果有两种表现形式,即决策方案的优先序和决策方案的排序权向量.本文研究基于决策方案优先序的群排序方法,提出了加权偏差平方和最小化方法及基于测度函数的0-1规划方法.

简介：本章的主要内容有质量、天平的使用、密度和物质的物理属性，在中考试卷中常见的题型有选择、填空、计算和实验探究，所占比例大约在8％左右，其中天平的使用和密度公式的应用是各地中考的热点．分析全国各地的中考试卷，

简介：针对同时包含可线性补偿和不可线性补偿两种属性且属性值为确实数、区间数、语言信息的风险型多属性决策问题，提出一种基于消错理论的决策方法。首先，在消错理论的基础上将属性分为关键型、重要型和冗余型三类，结合属性值的类型分别给出对应的错误函数和极限损失值；接着，对关键型属性赋予极小权重，在保留关键型属性“一票否决”功能的同时又突出重要属性的作用；最后，根据对待错误损失的不同态度，建立计算错误损失值的三种方法，通过计算期望错误损失值对备选方案进行排序。通过新市民信息服务项目的例子，说明该方法的有效性和可行性。

简介：多属性决策也可称为多准则决策,是现代决策科学的一个重要组成部分,它的理论和方法在工程、技术、经济、管理等诸多领域中都有广泛的应用。本文在一些专著和文献的基础上,简要介绍多属性决策的一般步骤,着重讨论在应用过程中几种主要方法的比较。

简介：十八届三中全会指出：＂财政是国家治理的基础和重要支柱＂,财政部门担负着资源配置、收入分配、稳定经济及经济发展四大职能。科学的财政体制是优化资源配置、维护市场统一、促进社会公平、实现国家长治久安的制度保障。2012年财政部颁布的《行政事业单位内部控制规范（试行）》（以下简称＂规范＂）于2014年1月1日起在全国范围内正式实施,各级财政部门如何建立并实施内部控制已经成为一项刻不容缓的重要任务,从客观上讲,财政内部控制相关理论探讨也变的尤为重要。

简介：财政票据是非税收入的源头,是非税收入的法定凭证,是财政部门控制和监管非税收入的重要手段,也是行政事业单位健全财务制度、强化内部监管的重要保障,管好用好财政票据对于规范收费行为、加强非税收入管理起着关键性作用。但从近几年的实践情况来看,票据管理还存在着一些问题。笔者就票据存在的问题以及如何加强票据管理谈谈自己的看法。

简介：权系数的确定是多属性决策中的一个关键问题，目前常用的方法都要利用专家判断矩阵。然而在实际操作中矩阵的元素往往受到各种因素的影响，产生一定的不确定性。本文利用区间方法来研究这种影响，对原有的模型进行推广，并提出一种有效的算法。对类似问题的解决，提供了一种新的思路。

简介：研究了区间粗糙直觉模糊多属性决策。探讨了区间粗糙直觉模糊数的运算法则及其性质;定义了区间粗糙直觉模糊数的得分函数和精确函数,进而给出其排序方法;给出了区间粗糙直觉模糊数的变权算术平均和变权几何平均算子,并且建立了区间粗糙直觉模糊数的多属性决策模型;实例验证了所提出决策方法的有效性。

简介：建立试卷质量综合评价的多级评价指标体系，利用属性数学模型提出试卷质量综合评价的多级属性综合评价方法．与一般评价方法相比，属性综合评价方法严谨、精细，克服了模糊评价法的不足，评价结果更合理、更可靠．应用实例的评价结果与实际相吻合，表明了方法的科学有效性．

简介：财政体制通常指的是国家预算管理体制,是划分中央与地方各级政府之间的财政预算收支范围和管理权责的一项基本制度,所以国家历次发布的财政管理体制,其内容都是讲中央财政与地方财政管理中的权利与义务关系。一、理顺财政体制的必要性我国现行的"分税制"财政体制,

简介：针对采用经典划分思想的聚类算法以一个点来代表类的局限，提出一种基于泛化中心的分类属性数据聚类算法。该算法通过定义包含多个点的泛化中心来代表类，能够体现出类的数据分布特征，并进一步提出泛化中心距离及类间距离度量的新方法，给出泛化中心的确定方法及基于泛化中心进行对象到类分配的聚类策略，一般只需一次划分迭代就能得到最终聚类结果。将泛化中心算法应用到四个基准数据集，并与著名的划分聚类算法K-modes及其两种改进算法进行比较，结果表明泛化中心算法聚类正确率更高，迭代次数更少，是有效可行的。