3Dmax高级建模方法总结

第一篇：3Dmax高级建模方法总结

3Dmax高级建模方法总结

3Dmax有三种高级建模技术：网格MESH建模、多边形POLYGON建模、面片PATCH建模、NURBS（非均匀有理B样条曲线）建模。

01多边形建模

多边形建模是最为传统和经典的一种建模方式。3Dmax多边形建模方法比较容易理解，非常适合初学者学习，并且在建模的过程中用者有更多的想象空间和可修改余地。3Dmax中的多边形建模主要有两个命令：Editable Mesh（可编辑网格）和Editable Poly（可编辑多边形），几乎所有的几何体类型都可以塌陷为可编辑多边形网格，曲线也可以塌陷，封闭的曲线可以塌陷为曲面，这样我们就得到了多边形建模的原料多边形曲面。如果你不想使用塌陷操作的话(因为这样被塌陷物体的修改历史就没了)，还可以给它指定一个Edit Poly修改，这是3Dmax7中新增加的功能。编辑网格方式建模兼容性极好，优点是制作的模型占用系统资源最少，运行速度最快，在较少的面数下也可制作较复杂的模型。它将多边形划分为三角面，可以使用编辑网格修改器或直接把物体塌陷成可编辑网格。其中涉及的技术主要是推拉表面构建基本模型，最后增加平滑网格修改器，进行表面的平滑和提高精度。这种技法大量使用点、线、面的编辑操作，对空间控制能力要求比较高。适合创建复杂的模型。

编辑多边形是后来在网格编辑基础上发展起来的一种多边形编辑技术，与编辑网格非常相似，它将多边形划分为四边形的面，实质上和编辑网格的操作方法相同，只是换了另一种模式。在3DMAX7的时候新加入了对应的编辑多边形修改器，进一步提高了编辑效率。

编辑多边形和编辑网格的面板参数大都相同，但是编辑多边形更适合模型的构建。3DMAX几乎每一次升级都会对可编辑多边形进行技术上的提升，将它打造得更为完美，使它的很多功能都超越了编辑网格成为多边形建模的主要工具。

02面片建模

面片建模是在多边形的基础上发展而来的，但它是一种独立的模型类型，面片建模解决了多边形表面不易进行弹性编辑的难题，可以使用类似编辑BEZIER曲线的方法来编辑曲面。面片与样条曲线的原理相同，同属BEZIER方式，并可通过调整表面的控制句柄来改变面片的曲率。面片与样条曲线的不同之处在于：面片是三维的，因此控制句柄有X、Y、Z三个方向。

面片建模的优点是编辑顶点较少，可用较少的细节制作出光滑的物体表面和表皮的褶皱。它适合创建生物模型。

面片建模的两种方法：一种是雕塑法，利用编辑面片修改器调整面片的次对象，通过拉扯节点，调整节点的控制柄，将一块四边形面片塑造成模型；另一种是蒙皮法(就是我们常用的POLYLINE + SURFACE)，类似民间的糊灯笼、扎风筝的手工制作，即绘制模型的基本线框，然后进入其次对象层级中编辑次对象，最后添加一个曲面修改器而成三维模型。面片的创建——可由系统提供的四边形面片或三边形面片直接创建，或将创建好的几何模型塌陷为面片物体，但塌陷得到的面片物体结构过于复杂，而且会导致出错。

03NURBS建模

NURBS（非均匀有理B样条曲线）是建立在数学原理的公式基础上的一种建模方法。它基于控制节点调节表面曲度，自动计算出表面精度，相对面片建模，NURBS可使用更少的控制点来表现相同的曲线，但由于曲面的表现是由曲面的算法来决顶的，而NURBS曲线函数相对高级，因此对PC的要求也最高。（如果想学习NURBS建模系统，建议把精力花在更专业的NURBS建模系统软件上，如RHINO等等，但是如果只是做一些简单的模型，使用NURBS还是很方便的。）

NURBS与曲线一样是样条曲线。但NURBS是一种非一致性有理基本曲线，可以说是一种特殊的样条曲线，其控制更为方便，创建的物体更为平滑。若配合放样、挤压和车削操作，可以创建各种形状的曲面物体。NURBS建模特别适合描述复杂的有机曲面对象，适用于创建复杂的生物表面和呈流线型的工业产品的外观，如汽车、动物等等，而不适合创建规则的机械或建筑模型。

NURBS建模思路：先创建若干个NURBS曲线，然后将这些曲线连接起来形成所需要的曲面物体。或是利用NURBS创建工具对一些简单的NURBS曲面进行修改而得到较为复杂的曲面物体。

NURBS曲面有两种类型：点曲面和可控制点曲面。两者分别是以点控制或可控制点来控制线段的曲度。最大区别是：“点”是附着在物体上，调整曲线上的点的位置使曲线形状得到调整；而“可控制点”则没有附着在曲线上，而是曲线周围，类似磁铁一样控制曲线的变化，该方式精度较高。

创建NURBS曲线有两种方法：一种是先创建样条曲线再转为NURBS曲线；另一种是直接创建NURBS曲线。

在NURBS建模中，应用最多的有U轴放样技术和CV曲线车削技术。U轴放样与样条曲线的曲线放样相似，先绘制物体的若干横截面的NURBS曲线，再用U轴放样工具给曲线包上表皮而成模型；CV曲线车削与样条曲线的车削相似，先绘制物体的CV曲线，再车削而形成模型。

最后是特殊建模 01置换贴图建模

在三维建模方法中，置换贴图建模是最特别的，它可在物体或物体的某一面上进行置换贴图，它以图片的灰度为依据，白凸黑不凸(好像可以影响模型,但目前我没有尝试过)。

第二篇：数学建模各种分析方法

现代统计学

1.因子分析(Factor Analysis)

因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。

运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。

2.主成分分析

主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。

主成分分析和因子分析的区别

1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。

2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。

3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。

4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。

5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。

和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。

总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。

在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方差矩阵的对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）。

3.聚类分析(Cluster Analysis)

聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类的分析技术。

在市场研究领域，聚类分析主要应用方面是帮助我们寻找目标消费群体，运用这项研究技术，我们可以划分出产品的细分市场，并且可以描述出各细分市场的人群特征，以便于客户可以有针对性的对目标消费群体施加影响，合理地开展工作。

4.判别分析(Discriminatory Analysis)

判别分析(Discriminatory Analysis)的任务是根据已掌握的1批分类明确的样品，建立较好的判别函数，使产生错判的事例最少，进而对给定的1个新样品，判断它来自哪个总体。

根据资料的性质，分为定性资料的判别分析和定量资料的判别分析；采用不同的判别准则，又有费歇、贝叶斯、距离等判别方法。

费歇（FISHER）判别思想是投影，使多维问题简化为一维问题来处理。选择一个适当的投影轴,使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是：使每一类内的投影值所形成的类内离差尽可能小，而不同类间的投影值所形成的类间离差尽可能大。

贝叶斯（BAYES）判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。所谓先验概率,就是用概率来描述人们事先对所研究的对象的认识的程度；所谓后验概率，就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。

距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式，将各样品数据逐一代入计算，得出各样品与各母体之间的距离值，判样品属于距离值最小的那个母体。5.对应分析(Correspondence Analysis)

对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。

运用这种研究技术，我们可以获取有关消费者对产品品牌定位方面的图形，从而帮助您及时调整营销策略，以便使产品品牌在消费者中能树立起正确的形象。

这种研究技术还可以用于检验广告或市场推广活动的效果，我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。

6.典型相关分析

典型相关分析是分析两组随机变量间线性密切程度的统计方法，是两变量间线性相关分析的拓广。各组随机变量中既可有定量随机变量，也可有定性随机变

量(分析时须F6说明为定性变量)。本法还可以用于分析高维列联表各边际变量的线性关系。注意：

1．严格地说，一个典型相关系数描述的只是一对典型变量之间的相关，而不是两个变量组之间的相关。而各对典型变量之间构成的多维典型相关才共同揭示了两个观测变量组之间的相关形式。

2．典型相关模型的基本假设和数据要求

要求两组变量之间为线性关系，即每对典型变量之间为线性关系；

每个典型变量与本组所有观测变量的关系也是线性关系。如果不是线性关系，可先线性化：如经济水平和收入水平与其他一些社会发展水之间并不是线性关系，可先取对数。即log经济水平，log收入水平。3．典型相关模型的基本假设和数据要求

所有观测变量为定量数据。同时也可将定性数据按照一定形式设为虚拟变量后，再放入典型相关模型中进行分析。

7.多维尺度分析(Multi-dimension Analysis)

多维尺度分析(Multi-dimension Analysis)是市场研究的一种有力手段，它可以通过低维空间（通常是二维空间）展示多个研究对象（比如品牌）之间的联系，利用平面距离来反映研究对象之间的相似程度。由于多维尺度分析法通常是基于研究对象之间的相似性（距离）的，只要获得了两个研究对象之间的距离矩阵，我们就可以通过相应统计软件做出他们的相似性知觉图。

在实际应用中，距离矩阵的获得主要有两种方法：一种是采用直接的相似性评价，先所有评价对象进行两两组合，然后要求被访者所有的这些组合间进行直接相似性评价，这种方法我们称之为直接评价法；另一种为间接评价法，由研究人员根据事先经验，找出影响人们评价研究对象相似性的主要属性，然后对每个研究对象，让被访者对这些属性进行逐一评价，最后将所有属性作为多维空间的坐标，通过距离变换计算对象之间的距离。

多维尺度分析的主要思路是利用对被访者对研究对象的分组，来反映被访者对研究对象相似性的感知，这种方法具有一定直观合理性。同时该方法实施方便，调查中被访者负担较小，很容易得到理解接受。当然，该方法的不足之处是牺牲了个体距离矩阵，由于每个被访者个体的距离矩阵只包含1与0两种取值，相对较为粗糙，个体距离矩阵的分析显得比较勉强。但这一点是完全可以接受的，因为对大多数研究而言，我们并不需要知道每一个体的空间知觉图。

多元统计分析是统计学中内容十分丰富、应用范围极为广泛的一个分支。在自然科学和社会科学的许多学科中，研究者都有可能需要分析处理有多个变量的数据的问题。能否从表面上看起来杂乱无章的数据中发现和提炼出规律性的结论，不仅对所研究的专业领域要有很好的训练，而且要掌握必要的统计分析工具。对实际领域中的研究者和高等院校的研究生来说，要学习掌握多元统计分析的各种模型和方法，手头有一本好的、有长久价值的参考书是非常必要的。这样一本书应该满足以下条件：首先，它应该是“浅入深出”的，也就是说，既可供初学者入门，又能使有较深基础的人受益。其次，它应该是既侧重于应用，又兼顾必要的推理论证，使学习者既能学到“如何”做，而且在一定程度上了解“为什么”这样做。

最后，它应该是内涵丰富、全面的，不仅要基本包括各种在实际中常用的多元统计分析方法，而且还要对现代统计学的最新思想和进展有所介绍、交代。因子分析

主成分分析通过线性组合将原变量综合成几个主成分，用较少的综合指标来代替原来较多的指标(变量)。在多变量分析中，某些变量间往往存在相关性。是什么原因使变量间有关联呢？是否存在不能直接观测到的、但影响可观测变量变化的公共因子？因子分析(Factor Analysis)就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。

例如，随着年龄的增长，儿童的身高、体重会随着变化，具有一定的相关性，身高和体重之间为何会有相关性呢？因为存在着一个同时支配或影响着身高与体重的生长因子。那么，我们能否通过对多个变量的相关系数矩阵的研究，找出同时影响或支配所有变量的共性因子呢？因子分析就是从大量的数据中“由表及里”、“去粗取精”，寻找影响或支配变量的多变量统计方法。

可以说，因子分析是主成分分析的推广，也是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。

因子分析主要用于：

1、减少分析变量个数；

2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。

1.因子分析模型

因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。

因子分析模型描述如下：

（1）X =(x1，x2，…，xp)￠是可观测随机向量，均值向量E(X)=0，协方差阵Cov(X)=∑，且协方差阵∑与相关矩阵R相等（只要将变量标准化即可实现）。

（2）F =(F1，F2，…，Fm)￠（m

（3）e =(e1，e2，…，ep)￠与F相互独立,且E(e)=0, e的协方差阵∑是对角阵，即各分量e之间是相互独立的，则模型：

x1 = a11F1+ a12F2 +…+a1mFm + e1

x2 = a21F1+a22F2 +…+a2mFm + e2

………

xp = ap1F1+ ap2F2 +…+apmFm + ep

称为因子分析模型，由于该模型是针对变量进行的，各因子又是正交的，所以也称为R型正交因子模型。

其矩阵形式为:

x =AF + e.其中：

x=，A=，F=，e=

这里，（1）m ￡ p；

（2）Cov(F,e)=0，即F和e是不相关的；

（3）D(F)= Im，即F1,F2,…,Fm不相关且方差均为1；

D(e)=，即e1,e2,…,ep不相关，且方差不同。

我们把F称为X的公共因子或潜因子，矩阵A称为因子载荷矩阵，e 称为X的特殊因子。

A =(aij)，aij为因子载荷。数学上可以证明，因子载荷aij就是第i变量与第j因子的相关系数，反映了第i变量在第j因子上的重要性。

2.模型的统计意义

模型中F1，F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。e1，e2，…，ep叫做特殊因子，是向量x的分量xi(i=1,2,…,p)所特有的因子，各特殊因子之间以及特殊因子与所有

公共因子之间都是相互独立的。模型中载荷矩阵A中的元素(aij)是为因子载荷。因子载荷aij是xi与Fj的协方差，也是xi与Fj的相关系数，它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权，aij的绝对值越大(|aij|￡1)，表明xi与Fj的相依程度越大，或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。

因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1，F2，…，Fm的共同依赖程度大。

将因子载荷矩阵A的第j列(j =1,2,…,m)的各元素的平方和记为gj2，称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i=1,2,…,p)所提供方差的总和，它是衡量公共因子相对重要性的指标。gj2越大，表明公共因子Fj对x的贡献越大,或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2(j =1,2,…,m)都计算出来，使其按照大小排序，就可以依此提炼出最有影响力的公共因子。

3.因子旋转

建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。

旋转的方法有很多，正交旋转(orthogonal rotation)和斜交旋转(oblique rotation)是因子旋转的两类方法。最常用的方法是最大方差正交旋转法(Varimax)。进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。常用的斜交旋转方法有Promax法等。

4.因子得分

因子分析模型建立后，还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。例如地区经济发展的因子分析模型建立后，我们希望知道每个地区经济发展的情况，把区域经济划分归类，哪些地区发展较快，哪些中等发达，哪些较慢等。这时需要将公共因子用变量的线性组合来表示，也即由地区经济的各项指标值来估计它的因子得分。

设公共因子F由变量x表示的线性组合为:

Fj = uj1 xj1+ uj2 xj2+…+ujpxjp

j=1,2,…,m

该式称为因子得分函数，由它来计算每个样品的公共因子得分。若取m=2，则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2，并将其在平面上做因子得分散点图，进而对样品进行分类或对原始数据进行更深入的研究。

但因子得分函数中方程的个数m小于变量的个数p，所以并不能精确计算出因子得分，只能对因子得分进行估计。估计因子得分的方法较多，常用的有回归估计法，Bartlett估计法，Thomson估计法。

（1）回归估计法

F = X b = X(X ￠X)-1A￠ = XR-1A￠

(这里R为相关阵，且R = X ￠X)。

（2）Bartlett估计法

Bartlett估计因子得分可由最小二乘法或极大似然法导出。

F = [(W-1/2A)￠ W-1/2A]-1(W-1/2A)￠ W-1/2X =(A￠W-1A)-1A￠W-1X

（3）Thomson估计法

在回归估计法中，实际上是忽略特殊因子的作用，取R = X ￠X，若考虑特殊因子的作，此时R = X ￠X＋W，于是有：

F = XR-1A￠ = X(X ￠X＋W)-1A￠

这就是Thomson估计的因子得分，使用矩阵求逆算法(参考线性代数文献)可以将其转换为：

F = XR-1A￠ = X(I+A￠W-1A)-1W-1A￠

5.因子分析的步骤

因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。

（i）因子分析常常有以下四个基本步骤：

（1）确认待分析的原变量是否适合作因子分析。

（2）构造因子变量。

（3）利用旋转方法使因子变量更具有可解释性。

（4）计算因子变量得分。

（ii）因子分析的计算过程：

（1）将原始数据标准化，以消除变量间在数量级和量纲上的不同。

（2）求标准化数据的相关矩阵；

（3）求相关矩阵的特征值和特征向量；

（4）计算方差贡献率与累积方差贡献率；

（5）确定因子：

设F1，F2，…, Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；

（6）因子旋转：

若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。

（7）用原指标的线性组合来求各因子得分：

采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。

（8）综合得分

以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。

F =(w1F1+w2F2+…+wmFm)／(w1+w2+…+wm)

此处wi为旋转前或旋转后因子的方差贡献率。

（9）得分排序：利用综合得分可以得到得分名次。

在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：

· 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子集合，从子集合所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。

· 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。

· 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。

如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法(如相关分析、逐步回归分析、主成分分析等)研究各个变量之间的相关性，选择最佳的变量子集合；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。

第三篇：建模总结

1.summary 理想状态是10小时左右来写。包含全文的全部主要观点，创造性的工作一定要在这里得到体现，用数字来表示自己结果的优越，这样明显，吸引眼球。每个人花一小时左右的时间来写，独立地写，写完后大家一块儿分析，改正。

2.Introduction.在这里要清楚的表明自己是如何理解题目的，以及自己关注问题的哪一方面，打算对此做什么。即明白问题是什么，做什么，同时可以指导队员的行为。在这里可以写一些背景知识以及资料里面已有的工作。教授会感到生气如果你不知道已有的工作。第一天就审题完后就应该写出这部分。

3.Model.论文正文的第一个大部分。模型的目的是预测。好论文包括好几个模型，由简单的开始，向复杂的现实的模型改进。第一个模型简单的在纸上就可以解决。一般复杂的模型会用计算机实现并不断改进，这就要求把计算机实现的过程在论文上表达清楚。对于连续问题，微分方程很有用。对于离散问题，生成一些有特定分布或者具有特定性质的数据进行分析得到结果并以此来检验模拟已建模型。

4.the solutions.正文的第二大部分。一定要有很多解决算法，并和最简单的结果比较。对于离散问题，最简单的是随机模拟，把复杂模型的结果与此比较。即使最后结果很好，写论文时要从最基本的写起，逐步改善。对于更加复杂但是结果并不好的模型，我们也要写进去，这样会显示我们考虑周全。

5.解的比较方法。这是一个需要时刻去想 的部分，制定一个比较标准。

6.结果.这里会 展示很多模型的结果，我们目的就是为了显示我们找到了一个好模型。数据的细节展示比较麻烦，在此能使用图形一定要用。分析结果，把其反应的现象和趋势，例外等等叙述出来。一定要对每一种模型多次模拟看其是否稳健或者不好，尝试改变参数和里面的一些因素。这里要深入探讨各个模型的优劣，客观全面而论。7.conclusion.首先表明各模型的优劣，多数字化表达。在这里只需总体上表明哪个好与不好。这也要写进summary里。还要写上优势与劣势，这是结论的主要部分。写出算法和假设的优劣处。要提出怎么样还可以再改进。

8.reference.不仅要写参考字面的书籍，还要写上对自己有启发的书籍。可以尽量多的写参考书籍，即使没有怎么用，这样事阅卷老师对你找到的某些好资源加分。9.要使文章很美，表格，图像，罗列的东西，题目等等。10.每一部分要有标题，这样使文章清晰。11.清楚的罗列逻辑思想。

12.如果模型较好，易于求解，我们应该彻底求解，现实我们确实了解模型及过程。13.图标可以显示结果，还可以表现我们是怎样发现展开问题的，图像确实反映了很多信息，比我们写n多字都要表达的清楚。

14.可以先在整体上规划文章应该包括哪些内容，然后去填补。这样可以从全局上把握文章，不会因为一处的困难失去信心。

15.文章写的要有活力，当自己对某一部分的表述表示感觉不是很清楚的时候，应该问自己这里面发生了什么，有什么动词来形容，斟酌词汇。还要自己去读她，这样可以使自己去明白文章到底怎样，自己如果感觉有一点含糊，就一定要改，因为阅卷老师不如自己理解问题清楚，可能更难看懂。写作要有一个领导者，大家都要参与。看往年论文及评委意见，看他们是怎么想的，这些可以指导自己写作。

16.第三者，去寻找尽量多的与之相关的资料。

17.要注意调动气氛，使得大家的想法得到讨论，这是目的。

18.在建模过程中，当发现自己在做一些没有很大价值的工作的时候，一定要参与到大神那里，向他提出自己的想法或者问自己能够做什么。

19.当别人做出来一个好的模型或者方法的时候，自己不懂，但是一定发要让他们给你解释清楚，自己很可能会使得方法更清楚，自己也很可能提出他们没有考虑到的东西。

20.气氛的调节，目的是使得每个人的想法得到注意，实施办法就是自己要问清楚他们是怎么想的，一点都不能放过，只有这样才能使得文章写清楚。

21.赛前，在一起读很多问题，在一起动脑筋想方法。要使得在一起很舒服。要在一起写作，看是否每个人都可以参与进来。22.What needs to be modeled to generate data? What will your solution algorithm need to do? How can you compare algorithms?make sure you all agree on precisely what the three parts involve.23.当问题非常宽泛的时候，里面会有成百个问题，我们找其中几个自己感兴趣的就可以。对于比较狭窄的题目，我们应该细细身体，看清楚问题给我们的选择。

24.美赛的试题一般代表一个方法类型，当想到其可以用什么方法的时候，我们可以去查用了这个方法是文章，看是怎么使用的。去找与之相关的方法，并且使其完美契合的使用真的很好。

25.尽早写论文。

26.要使得论文写作者和程序员良好沟通，完整表现在纸上。问清楚所有人做的事情，记录下来写作。

27.时间行动规划，即行动步骤要清楚。每一步该怎么做，在获奖论文里是怎么体现的。28.模型建立这一块以及有关分析的部分，只有做细致了，才有足够的东西去写。精致分析。29.结果比较标准的建立，题目要求一般比较明确，我们可以以此作为基本的检验方法。另外要注意，不同方法得到的结果之间的比较。改变那些不确定的参数的值得到不同的结果进行比较。可以使用多种方法来评估得到的结果。

30.在结论里面，要明确提出哪个模型最好，数字表示。另外要客观说出各个模型的优缺点及假设对结果的好坏影响。用条列出。在这里可以列出未来改进模型，体现自己全面的考虑了问题。

31.只要有分析的地方一般都会有写出自己的怎么想到的，当这个要突出表现的时候，我们可以单独一段，写出我们的想法。同理，也可以把对某个东西的解释，理由单独一段。

参考文献:建模的秘密

第四篇：数学建模常用模型方法总结

运筹学模型（优化模型）

数学建模常用模型方法总结

无约束优化 线性规划 连续优化 非线性规划 整数规划 离散优化 组合优化 多目标规划 目标规划 动态规划 从其他角度分类 网络规划 多层规划等… 数学规划模型

图论模型存储论模型排队论模型博弈论模型

可靠性理论模型等…

运筹学应用重点: ①市场销售 ②生产计划 ③库存管理 ④运输问题 ⑤财政和会计 ⑥人事管理 ⑦设备维修、更新和可靠度、项目选择和评价 ⑧工程的最佳化设计 ⑨计算器和讯息系统 ⑩城市管理

优化模型四要素：①目标函数 ②决策变量 ③约束条件

④求解方法(MATLAB--通用软件 LINGO--专业软件)

聚类分析、主成分分析因子分析

多元分析模型 判别分析

典型相关性分析 对应分析 多维标度法

概率论与数理统计模型

假设检验模型 相关分析 回归分析 方差分析

贝叶斯统计模型 时间序列分析模型 决策树 逻辑回归

微分方程模型

传染病模型 马尔萨斯人口预测模型

人口预测控制模型

经济增长模型 Logistic 人口预测模型 战争模型等等。

灰色预测模型 回归分析预测模型

预测分析模型 差分方程模型

马尔可夫预测模型 时间序列模型 插值拟合模型 神经网络模型

系统动力学模型(SD)

综合评价与决策方法 灰色关联度

主成分分析

秩和比综合评价法理想解读法等

旅行商(TSP)问题模型背包问题模型车辆路径问题模型

物流中心选址问题模型经典 NP 问题模型 路径规划问题模型

着色图问题模型多目标优化问题模型

车间生产调度问题模型最优树问题模型二次分配问题模型

模拟退火算法(SA)

遗传算法(GA)智能算法

蚁群算法(ACA)

(启发式)常用算法模型 神经网络算法

蒙特卡罗算法元胞自动机算法穷

模糊综合评判法模型数据包络分析

举搜索算法小波分析算法

确定性数学模型

三类数学模型 随机性数学模型

模糊性数学模型

第五篇：数学建模常用的十种方法

数学建模常用的十种方法

时可以通过模拟来检验自己模型的正确性，是比赛时必用的方法）

2、数据拟合、参数估计、插值等数据处理算法（比赛中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用Matlab作为工具）

3、线性规划、整数规划、多元规划、二次规划等规划类问题（建模竞赛大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用Lindo、Lingo软件实现）

4、图论算法（这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决，需要认真准备）

5、动态规划、回溯搜索、分支定界等计算机算法（这些算法是算法设计中比较常用的方法，很多场合可以用到竞赛中）

6、最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法（这些问题是用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用）

7、网格算法和穷举法（网格算法和穷举法都是暴力搜索最优点的算法，在很多竞赛题中有应用，当重点讨论模型本身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具）

8、一些连续离散化方法（很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的）

9、数值分析算法（如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用）

10、图象处理算法（赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用Matlab进行处理）