创建操作和研究复杂网络的Python库，提供了丰富的功能，可以帮助创建、分析和可视化各种类型的网络，例如社交网络、Web图、生物网络等。NetworkX 可以用来创建各种类型的网络，包括有向图和无向图。它提供了各种方法来添加、删除和修改网络中的节点和边。你可以使用节点和边的属性来进一步描述网络的特性。
NetworkX 还提供了许多图的算法和分析工具。你可以使用这些工具来计算各种网络指标，比如节点的度、网络的直径、最短路径等。你还可以使用它来发现社区结构、进行图的聚类分析等。
除了功能强大的操作和分析工具，NetworkX还提供了多种方式来可视化网络，可以使用它来绘制网络的节点和边，设置节点的颜色、尺寸和标签等。
Matplotlib通常与NumPy 和SciPy（Scientific Python）一起使用，这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过Python学习数据科学或者机器学习。
SciPy是一个开源的Python算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
NumPy 官网： http://www.numpy.org/
NumPy 源代码：https://github.com/numpy/numpy
SciPy 官网：https://www.scipy.org/
SciPy 源代码：https://github.com/scipy/scipy
Matplotlib 官网：https://matplotlib.org/
Matplotlib 源代码：https://github.com/matplotlib/matplotlib
pandas visualization官方文档：Chart visualization — pandas 2.1.4 documentation
充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。（区别于层次分析法）
- 先将原始数据矩阵统一指标类型（一般正向化处理，把不同类型的指标转化为极大型指标）得到正向化的矩阵
- 再对正向化的矩阵进行标准化处理以消除各指标量纲的影响，并找到有限方案中的最优方案和最劣方案
- 分别计算各评价对象与最优方案（优解）和最劣方案（劣解）间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。
- 极大型指标（效益型指标）：数据是越大越好
- 极小值指标（成本型指标）：数据是越小越好（min=max-x）
- 区间性指标：数据在某一个区间最好（体温）
M=maxa-minxi,maxxi-b,xi=1-a-xiM,xi<a1 ,a≤xi≤b1-xi-bM,xi>b
- 中间型指标：数据在一个最优值的附近最好（PH值）
介绍网站：浙江能源政策模拟模型(EPS)的方法介绍及结果示例-世界资源研究所 - 道客巴巴
浙江EPS模型：Zhejiang | Energy Policy Solutions
EPS模型可以理清政策间的相互作用，防止重复计算，更加准确地评估不同政策组合的效果，从而实现节能减排的目标。实现网页展示，可视化好。
代码参考网站：https://zhuanlan.zhihu.com/p/
指国民经济各部门每增加一个单位最终使用时，某一部门由此而受到的需求感应程度，也就是需要该部门为其他部门生产而提供的产出量。
指国民经济某一个产品部门增加一个单位最终产品时，对国民经济各部门所产生的生产需求波及程度。影响力系数越大，该部门对其他部门的拉动作用也越大。
它提供了一种表示决策因素测度的基本方法。这种方法采用相对标度的形式，并充分利用了人的经验和判断力。在递阶层次结构下，它根据所规定的相对标度—比例标度，依靠决策者的判断，对同一层次有关元素的相对重要性进行两两比较，并按层次从上到下合成方案对于决策目标的测度。
ANP首先将系统元素划分为两大部分：
第一部分称为控制因素层，包括问题目标及决策准则。所有的决策准则均被认为是彼此独立的，且只受目标元素支配。控制因素中可以没有决策准则，但至少有一个目标。控制层中每个准则的权重均可用AHP方法获得。
第二部分为网络层，它是由所有受控制层支配的元素组组成的C其内部是互相影响的网络结构，它是由所有受控制层支配的元素组成的，元素之间互相依存、互相支配，元素和层次间内部不独立，递阶层次结构中的每个准则支配的不是一个简单的内部独立的元素，而是一个互相依存，反馈的网络结构。控制层和网络层组成为典型ANP层次结构。
代码介绍展示网站：LM神经网络模型代码-CSDN博客
语言模型（Language Model，LM）能够提供词的向量表示和词序列的联合概率。
代码参考网站：网络上的SIS模型-matlab代码分析 - 简书
SIS模型，是一种传播模型，是传播过程的抽象描述，被应用于传染病传播、信息传播等研究领域。
代码参考网站：https://www.jianshu.com/p/4dc31334eec6
论文地址：https://arxiv.org/pdf/1904.01355.pdf
源码地址：https://github.com/tianzhi0549/FCOS
目标检测算法FCOS(FCOS: Fully Convolutional One-Stage Object Detection)，该算法是一种基于FCN的逐像素目标检测算法，实现了无锚点（anchor-free）、无提议（proposal free）的解决方案，并且提出了中心度（Center—ness）的思想，同时在召回率等方面表现接近甚至超过目前很多先进主流的基于锚框目标检测算法。
（目标检测模型，例如RetinaNet、SSD、YOLOv3、Faster R-CNN都依赖于预先定义的锚框）
代码介绍展示网站：Memcached源码分析 - 网络模型（1） - 简书
Memcached网络模型_memcache数据结构-CSDN博客
代码介绍展示网站：三维点云网络PointNet——模型及代码分析_pointnet模型-CSDN博客
模型介绍网站：https://blog.csdn.net/ArchyLi/article/details/
它可以直接对点云进行处理的，对输入点云中的每一个点，学习其对应的空间编码，之后再利用所有点的特征得到一个全局的点云特征。Pointnet提取的全局特征能够很好地完成分类任务，但局部特征提取能力较差，这使得它很难对复杂场景进行分析。
F-PointNet将PointNet的应用拓展到了3D目标检测上，可以使用PointNet或PointNet++进行点云处理。它在进行点云处理之前，先使用图像信息得到一些先验搜索范围，这样既能提高效率，又能增加准确率。
代码介绍展示网站：BP神经网络代码示例_神经网络模型代码-CSDN博客
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/37196.html