數學建模怎麼插圖像

⑴ 數學建模的方法有哪些

1. 預測模塊：灰色預測、時間序列預測、神經網路預測、曲線擬合（線性回歸）；
   

2. 歸類判別：歐氏距離判別、fisher判別等 ；
   

3. 圖論：最短路徑求法 ；
   

4. 最優化：列方程組 用lindo 或 lingo軟體解 ；
   

5. 其他方法：層次分析法 馬爾可夫鏈 主成分析法 等 。

建模常用演算法，僅供參考：

1. 蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決 問題的演算法，同時間=可以通過模擬可以來檢驗自己模型的正確性，是比賽時必 用的方法） 。
   

2. 數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數 據需要處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab 作為工具） 。
   

3. 線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多 數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通 常使用Lindo、Lingo 軟體實現） 。
   

4. 圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等算 法，涉及到圖論的問題可以用這些方法解決，需要認真准備） 。
   

5. 動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是算 法設計中比較常用的方法，很多場合可以用到競賽中） 。
   

6. 最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些 問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助， 但是演算法的實現比較困難，需慎重使用） 。
   

7. 網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很 多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種 暴力方案，最好使用一些高級語言作為編程工具） 。
   

8. 一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計 算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替 積分等思想是非常重要的） 。
   

9. 數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分 析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編 寫庫函數進行調用） 。
   

10. 圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文 中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問 題，通常使用Matlab 進行處理）。
    

⑵ 1.什麼是數學模型數學建模的一般步驟是什麼 2.數學建模需要具備哪些能力和知識 答的好懸賞加

數學建模是利用數學方法解決實際問題的一種實踐.即通過抽象、簡化、假設、引進變數等處理過程後,將實際問題用數學方式表達,建立起數學模型,然後運用先進的數學方法及計算機技術進行求解.
數學建模將各種知識綜合應用於解決實際問題中,是培養和提高學生應用所學知識分析問題、解決問題的能力的必備手段之一.
數學建模的一般方法和步驟
建立數學模型的方法和步驟並沒有一定的模式,但一個理想的模型應能反映系統的全部重要特徵：模型的可靠性和模型的使用性.建模的一般方法：
機理分析：根據對現實對象特性的認識,分析其因果關系,找出反映內部機理的規律,所建立的模型常有明確的物理或現實意義.
測試分析方法：將研究對象視為一個「黑箱」系統,內部機理無法直接尋求,通過測量系統的輸入輸出數據,並以此為基礎運用統計分析方法,按照事先確定的准則在某一類模型中選出一個數據擬合得最好的模型.測試分析方法也叫做系統辯識.
將這兩種方法結合起來使用,即用機理分析方法建立模型的結構,用系統測試方法來確定模型的參數,也是常用的建模方法.
在實際過程中用那一種方法建模主要是根據我們對研究對象的了解程度和建模目的來決定.機理分析法建模的具體步驟大致如下：
1、 實際問題通過抽象、簡化、假設,確定變數、參數；
2、 建立數學模型並數學、數值地求解、確定參數；
3、 用實際問題的實測數據等來檢驗該數學模型；
4、 符合實際,交付使用,從而可產生經濟、社會效益；不符合實際,重新建模.
數學模型的分類：
1、 按研究方法和對象的數學特徵分：初等模型、幾何模型、優化模型、微分方程模型、圖論模型、邏輯模型、穩定性模型、統計模型等.
2、 按研究對象的實際領域（或所屬學科）分：人口模型、交通模型、環境模型、生態模型、生理模型、城鎮規劃模型、水資源模型、污染模型、經濟模型、社會模型等.
數學建模需要豐富的數學知識,涉及到高等數學,離散數學,線性代數,概率統計,復變函數等等基本的數學知識.同時,還要有廣泛的興趣,較強的邏輯思維能力,以及語言表達能力等等.

參加數學建模競賽需知道的內容
一、全國大學生數學建模競賽
二、數學建模的方法及一般步驟
三、重要的數學模型及相應案例分析
1、線性規劃模型及經濟模型案例分析
2、層次分析模型及管理模型案例分析
3、統計回歸模型及案例分析
4、圖論模型及案例分析
5、微分方程模型及案例分析
四、相關軟體
1、Matlab軟體及編程；2、Lingo軟體；3、Lindo軟體。
五、數模十大常用演算法
1. 蒙特卡羅演算法。2. 數據擬合、參數估計、插值等數據處理演算法。3. 線性規劃、整數規劃、多元規劃、二次規劃等規劃類演算法。4. 圖論演算法。5. 動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法。6. 最優化理論的三大非經典演算法。7. 網格演算法和窮舉法。8. 一些連續數據離散化方法。9. 數值分析演算法。10. 圖象處理演算法。
六、如何查閱資料
七、如何寫作論文
八、如何組織隊伍：團隊精神，配合良好，不斷的提出問題和解決問題。
九、如何才能獲獎：比較完整，有幾處創新點。
十、如何信息處理：WORD、LaTeX，飛秋、QQ。
其實主要看下例子就可以了，知道一些基本的模型，我這里也有很多例子，各個學校的講座都有要的話直接向我要

⑶ 數學建模怎麼插入圖片到word好看

通過插入圖片的方式好些。當然也可以直接復制進去。

⑷ 這個數學模型怎麼建

我去年參加過數學建模，稍微有點了解！這個要用到概率，最好按百分製表示，你多統計點數據，每組數據先把圖像畫出來，先按平均值算一次，然後再建立個模型，按照比重分一定的比例，比如0.1，0.2，0.3，0.1，0.3，這是個比方。如果你有時間，你還可以用更多的時間去建立更多的模型。將建立的模型，與現實世界比較，你看是否合理，不合理找出原因，應該在概率方面出錯了。這個建模不是太難，好好做，幾天就做出來了！

⑸ 數學建模問題

用在matlab中輸入cftool，同時在錄入數據，這樣就可以擬合了。網上有相關視屏的，這個還能直接看到擬合後的圖像，或者用datafit這個就類似於excel，x變數唯一咧，y為一列。然後點運行就好了。

⑹ matlab 圖像插值問題

我修改了你的第二個程序，你的程序寫的真是不認真，想到什麼寫什麼，顧頭不顧尾。我只是將程序調試對，就不優化了。
%find the boundary and interpolation
clear all;clc
%input data
a=[1 2 3 4 4 4 2 1 1 2 4 5];b=[1 1 4 1 2 3 3 3 4 4 4 1];
x=a;y=b;
%set the initial state
x1=x(1);y1=y(1);
xt=x1;yt=y1;
ind=1;
len=length(x);
%organise
while(length(x1)<len)%當x1新序列的值個數小於x的個數時，就是說還沒有重新排完
d=inf*ones(1,length(x));
for j=1:length(x)
if j==ind%自己與自己距離不判斷了
continue
end
d(j)=sqrt((xt-x(j))^2+(yt-y(j))^2);%把ind到第j點的距離存進d(j)
end
[c,ind]=min(d);%找出ind到各個點的最短距離
xt=x(ind);
yt=y(ind);
x1=[x1,x(ind)];%把ind的點放到序列的後面
y1=[y1,y(ind)];
x(ind)=[];%刪掉已經找過的點
y(ind)=[];
end
%interpolation
t=1:length(x1);
tc=1:0.1:length(x1);
xc=interp1(t,x1,tc);%插值
yc=interp1(t,y1,tc);
plot(xc,yc,'r*');
hold on
plot(x1,y1,'b',x1,y1,'o');

⑺ 數學建模的幾種方法

1、蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的算
法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必用的方法）
2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數據需要
處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab作為工具）
3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多數問題
屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通常使用Lindo、
Lingo軟體實現）
4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，涉
及到圖論的問題可以用這些方法解決，需要認真准備）
5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是演算法設計
中比較常用的方法，很多場合可以用到競賽中）
6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些問題是
用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，但是演算法的實
現比較困難，需慎重使用）
7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很多競賽
題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種暴力方案，最好
使用一些高級語言作為編程工具）
8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計算機只
認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非常重要的）
9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分析中常
用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調用）
10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文中也應該
應用數學去解決各類實際問題時，建立數學模型是十分關鍵的一步，同時也是十分困難的一步。建立教學模型的過程，是把錯綜復雜的實際問題簡化、抽象為合理的數學結構的過程。要通過調查、收集數據資料，觀察和研究實際對象的固有特徵和內在規律，抓住問題的主要矛盾，建立起反映實際問題的數量關系，然後利用數學的理論和方法去分析和解決問題。這就需要深厚扎實的數學基礎，敏銳的洞察力和想像力，對實際問題的濃厚興趣和廣博的知識面。數學建模是聯系數學與實際問題的橋梁，是數學在各個領械廣泛應用的媒介，是數學科學技術轉化的主要途徑，數學建模在科學技術發展中的重要作用越來越受到數學界和工程界的普遍重視，它已成為現代科技工作者必備的重要能力之。

⑻ 數學建模

數學模型 數學模型（Mathematical Model）
是近些年發展起來的新學科，是數學理論與實際問題相結合的一門科學。它將現實問題歸結為相應的數學問題，並在此基礎上利用數學的概念、方法和理論進行深入的分析和研究，從而從定性或定量的角度來刻畫實際問題，並為解決現實問題提供精確的數據或可靠的指導。
[編輯本段]一、建立數學模型的要求：
1、真實完整。
1）真實的、系統的、完整的,形象的映客觀現象；
2）必須具有代表性；
3）具有外推性，即能得到原型客體的信息，在模型的研究實驗時，能得到關於原型客體的原因；
4）必須反映完成基本任務所達到的各種業績，而且要與實際情況相符合。
2、簡明實用。在建模過程中，要把本質的東西及其關系反映進去，把非本質的、對反映客觀真實程度影響不大的東西去掉，使模型在保證一定精確度的條件下，盡可能的簡單和可操作，數據易於採集。
3、適應變化。隨著有關條件的變化和人們認識的發展，通過相關變數及參數的調整，能很好的適應新情況。
根據研究目的，對所研究的過程和現象(稱為現實原型或原型)的主要特徵、主要關系、採用形式化的數學語言，概括地、近似地表達出來的一種結構，所謂「數學化」，指的就是構造數學模型．通過研究事物的數學模型來認識事物的方法，稱為數學模型方法．簡稱為MM方法。
數學模型是數學抽象的概括的產物，其原型可以是具體對象及其性質、關系，也可以是數學對象及其性質、關系。數學模型有廣義和狹義兩種解釋．廣義地說，數學概念、如數、集合、向量、方程都可稱為數學模型，狹義地說，只有反映特定問題和特定的具體事物系統的數學關系結構方數學模型大致可分為二類：(1)描述客體必然現象的確定性模型，其數學工具一般是代效方程、微分方程、積分方程和差分方程等，（2）描述客體或然現象的隨機性模型，其數學模型方法是科學研究相創新的重要方法之一。在體育實踐中常常提到優秀運動員的數學模型。如經調查統計．現代的世界級短跑運動健將模型為身高1.80米左右、體重70公斤左右，100米成績10秒左右或更好等。
用字母、數字和其他數學符號構成的等式或不等式，或用圖表、圖像、框圖、數理邏輯等來描述系統的特徵及其內部聯系或與外界聯系的模型。它是真實系統的一種抽象。數學模型是研究和掌握系統運動規律的有力工具，它是分析、設計、預報或預測、控制實際系統的基礎。數學模型的種類很多，而且有多種不同的分類方法。
靜態和動態模型 靜態模型是指要描述的系統各量之間的關系是不隨時間的變化而變化的，一般都用代數方程來表達。動態模型是指描述系統各量之間隨時間變化而變化的規律的數學表達式，一般用微分方程或差分方程來表示。經典控制理論中常用的系統的傳遞函數也是動態模型，因為它是從描述系統的微分方程變換而來的（見拉普拉斯變換）。
分布參數和集中參數模型 分布參數模型是用各類偏微分方程描述系統的動態特性，而集中參數模型是用線性或非線性常微分方程來描述系統的動態特性。在許多情況下，分布參數模型藉助於空間離散化的方法，可簡化為復雜程度較低的集中參數模型。
連續時間和離散時間模型 模型中的時間變數是在一定區間內變化的模型稱為連續時間模型，上述各類用微分方程描述的模型都是連續時間模型。在處理集中參數模型時，也可以將時間變數離散化，所獲得的模型稱為離散時間模型。離散時間模型是用差分方程描述的。
隨機性和確定性模型 隨機性模型中變數之間關系是以統計值或概率分布的形式給出的，而在確定性模型中變數間的關系是確定的。
參數與非參數模型 用代數方程、微分方程、微分方程組以及傳遞函數等描述的模型都是參數模型。建立參數模型就在於確定已知模型結構中的各個參數。通過理論分析總是得出參數模型。非參數模型是直接或間接地從實際系統的實驗分析中得到的響應，例如通過實驗記錄到的系統脈沖響應或階躍響應就是非參數模型。運用各種系統辨識的方法，可由非參數模型得到參數模型。如果實驗前可以決定系統的結構，則通過實驗辨識可以直接得到參數模型。
線性和非線性模型 線性模型中各量之間的關系是線性的，可以應用疊加原理，即幾個不同的輸入量同時作用於系統的響應，等於幾個輸入量單獨作用的響應之和。線性模型簡單，應用廣泛。非線性模型中各量之間的關系不是線性的，不滿足疊加原理。在允許的情況下，非線性模型往往可以線性化為線性模型，方法是把非線性模型在工作點鄰域內展成泰勒級數，保留一階項，略去高階項，就可得到近似的線性模型。
[編輯本段]二、數學模型的定義
現在數學模型還沒有一個統一的准確的定義，因為站在不同的角度可以有不同的定義。不過我們可以給出如下定義。"數學模型是關於部分現實世界和為一種特殊目的而作的一個抽象的、簡化的結構。"具體來說，數學模型就是為了某種目的，用字母、數學及其它數學符號建立起來的等式或不等式以及圖表、圖象、框圖等描述客觀事物的特徵及其內在聯系的數學結構表達式。
二．建立數學模型的方法和步驟
第一、 模型准備
首先要了解問題的實際背景，明確建模目的，搜集必需的各種信息，盡量弄清對象的特徵。 第二、 模型假設
根據對象的特徵和建模目的，對問題進行必要的、合理的簡化，用精確的語言作出假設，是建模至關重要的一步。如果對問題的所有因素一概考慮，無疑是一種有勇氣但方法欠佳的行為，所以高超的建模者能充分發揮想像力、洞察力和判斷力，善於辨別主次，而且為了使處理方法簡單，應盡量使問題線性化、均勻化。
第三、 模型構成
根據所作的假設分析對象的因果關系，利用對象的內在規律和適當的數學工具，構造各個量間的等式關系或其它數學結構。這時，我們便會進入一個廣闊的應用數學天地，這里在高數、概率老人的膝下，有許多可愛的孩子們，他們是圖論、排隊論、線性規劃、對策論等許多許多，真是泱泱大國，別有洞天。不過我們應當牢記，建立數學模型是為了讓更多的人明了並能加以應用，因此工具愈簡單愈有價值。
第四、模型求解
可以採用解方程、畫圖形、證明定理、邏輯運算、數值運算等各種傳統的和近代的數學方法，特別是計算機技術。一道實際問題的解決往往需要紛繁的計算，許多時候還得將系統運行情況用計算機模擬出來，因此編程和熟悉數學軟體包能力便舉足輕重。
第五、模型分析
對模型解答進行數學上的分析。"橫看成嶺側成峰，遠近高低各不"。能否對模型結果作出細致精當的分析，決定了你的模型能否達到更高的檔次。還要記住，不論那種情況都需進行誤差分析，數據穩定性分析。
第六數學模型分類:
按模型的應用領域分類：
生物數學模型
醫學數學模型
地質數學模型
數量經濟學模型
數學社會學模型
數學物理學模型
按是否考慮隨機因素分類：
確定性模型
隨機性模型
按是否考慮模型的變化分類：
靜態模型
動態模型
按應用離散方法或連續方法分類：
離散模型
連續模型
按建立模型的數學方法分類：
幾何模型
微分方程模型
圖論模型
規劃論模型
馬氏鏈模型
按人們對是物發展過程的了解程度分類：
白箱模型：
指那些內部規律比較清楚的模型。如力學、熱學、電學以及相關的工程技術問題。
灰箱模型：
指那些內部規律尚不十分清楚，在建立和改善模型方面都還不同程度地有許多工作要做的問題。如氣象學、生態學經濟學等領域的模型。
黑箱模型：
指一些其內部規律還很少為人們所知的現象。如生命科學、社會科學等方面的問題。但由於因素眾多、關系復雜，也可簡化為灰箱模型來研究。

⑼ 數學建模論文中對圖片格式有什麼要求嗎是否必須用某軟體畫，能否截圖

沒有要求，一般是matlab，截圖也可以。

⑽ 數學建模都有哪些方法

這些是以前在網上整理的：
要重點突破：
1 預測模塊：灰色預測、時間序列預測、神經網路預測、曲線擬合（線性回歸）；
2 歸類判別：歐氏距離判別、fisher判別等 ；
3 圖論：最短路徑求法 ；
4 最優化：列方程組 用lindo 或 lingo軟體解 ；
5 其他方法：層次分析法 馬爾可夫鏈 主成分析法 等 ；
6 用到軟體：matlab lindo （lingo） excel ；
7 比賽前寫幾篇數模論文。

這是每年參賽的賽提以及獲獎作品的解法，你自己估量著吧……

賽題 解法
93A非線性交調的頻率設計 擬合、規劃
93B足球隊排名 圖論、層次分析、整數規劃
94A逢山開路 圖論、插值、動態規劃
94B鎖具裝箱問題 圖論、組合數學
95A飛行管理問題 非線性規劃、線性規劃
95B天車與冶煉爐的作業調度 動態規劃、排隊論、圖論
96A最優捕魚策略 微分方程、優化
96B節水洗衣機 非線性規劃
97A零件的參數設計 非線性規劃
97B截斷切割的最優排列 隨機模擬、圖論
98A一類投資組合問題 多目標優化、非線性規劃
98B災情巡視的最佳路線 圖論、組合優化
99A自動化車床管理 隨機優化、計算機模擬
99B鑽井布局 0-1規劃、圖論
00A DNA序列分類 模式識別、Fisher判別、人工神經網路
00B鋼管訂購和運輸 組合優化、運輸問題
01A血管三維重建 曲線擬合、曲面重建
01B 工交車調度問題 多目標規劃
02A車燈線光源的優化 非線性規劃
02B彩票問題 單目標決策
03A SARS的傳播 微分方程、差分方程
03B 露天礦生產的車輛安排 整數規劃、運輸問題
04A奧運會臨時超市網點設計 統計分析、數據處理、優化
04B電力市場的輸電阻塞管理 數據擬合、優化
05A長江水質的評價和預測 預測評價、數據處理
05B DVD在線租賃 隨機規劃、整數規劃

演算法的設計的好壞將直接影響運算速度的快慢，建議多用數學軟體（
Mathematice,Matlab,Maple, Mathcad,Lindo,Lingo,SAS 等），這里提供十種數學
建模常用演算法，僅供參考：
1、 蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決
問題的演算法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必
用的方法）
2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數
據需要處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab 作為工具）
3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多
數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通
常使用Lindo、Lingo 軟體實現）
4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等算
法，涉及到圖論的問題可以用這些方法解決，需要認真准備）
5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是算
法設計中比較常用的方法，很多場合可以用到競賽中）
6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些
問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，
但是演算法的實現比較困難，需慎重使用）
7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很
多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種
暴力方案，最好使用一些高級語言作為編程工具）
8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計
算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替
積分等思想是非常重要的）
9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分
析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編
寫庫函數進行調用）
10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文
中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問
題，通常使用Matlab 進行處理）