数学建模将各种知识综合应用于解决实际问题中,是培养和提高学生应用所学知识分析问题、解决问题的能力的必备手段之一.今天，小编给大家带来数学建模数据处理方法。
第一步:提出问题.
大家可能会想,题目不是已经给出问题了吗? 是的,但是这里的提出问题是指:用数学语言去表达。首先，题目一定要通读若干遍，“看不懂，读题目;看不懂，读题目”，如此反复循环的同时查阅相关资料。这通常需要大量的工作，而且要根据题目的特点做一些假设。
第二步:选择建模方法.
在有了用数学语言表述的问题后，我们需要选择一个或者多个数学方法来获得解。 许多问题，尤其是运筹优化，微分方程的题目，一般都可以表述成一个已有有效的标准求解形式。这里可以通过查阅相关领域的文献，获得具体的方法。为什么不是查阅教材呢?基本上教材讲的都是基础的，针对特定问题的，教材上一般找不到现成的方法，但是教材依然是很重要的基础工具，有时候想不出思路，教材(比如姜启源那本)翻来翻去，会产生灵感，可以用什么模型。
第三步:回答问题.
也就是论文的讨论部分。这部分是对你整篇论文成果的总结，一定要写的有深度。除此之外，通常还要写上一些灵敏度分析，如果是统计模型的话，要有模型检验。论文通常会需要画一些图表，可以使用Matlab、R等软件来画跟数据有关的图，使用Visio或者PPT画流程图之类的图。
第四步:推导模型的公式.
我们要把第二步的方法实现出来，也就是论文的模型建立部分。我们要对建立的问题进行变形，推导，转化为可以运行标准方法解答的形式。这部分通常是借鉴参考文献的过程，做一些修改，以适应本题的情况。
[图片0]
2数学建模数据处理方法一
一、机理分析法 从基本物理定律以及系统的结构数据来推导出模型.
1.比例分析法--建立变量之间函数关系的最基本最常用的方法.
2.代数方法--求解离散问题(离散的数据、符号、图形)的主要方 法.
3.逻辑方法--是数学理论研究的重要方法,对社会学和经济学等领域的实际问题,在决策,对策等学科中得到广泛应用.
4.常微分方程--解决两个变量之间的变化规律,关键是建立"瞬时变化率"的表达式.
5.偏微分方程--解决因变量与两个以上自变量之间的变化规律.
二、数据分析法 从大量的观测数据利用统计方法建立数学模型.
1.回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2… n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.
2.时序分析法--处理的是动态的相关数据,又称为过程统计方法.
三、仿真和其他方法
1.计算机仿真(模拟)--实质上是统计估计方法,等效于抽样试验
① 离散系统仿真--有一组状态变量.
② 连续系统仿真--有解析表达式或系统结构图.
2.因子试验法--在系统上作局部试验,再根据试验结果进行不断分析修改,求得所需的模型结构.
3.人工现实法--基于对系统过去行为的了解和对未来希望达到的目标,并考虑到系统有关因素的可能变化,人为地组成一个系统.
3数学建模数据处理方法二
1.拟合与插值方法(给出一批数据点，确定满足特定要求的曲线或者曲面，从而反映对象整体的变化趋势): matlab可以实现一元函数，包括多项式和非线性函数的拟合以及多元函数的拟合，即回归分析，从而确定函数; 同时也可以用matlab实现分段线性、多项式、样条以及多维插值。
2.逐步回归分析:从一个自变量开始，视自变量作用的显著程度，从大到地依次逐个引入回归方程:当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉;引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步;
3. 聚类分析:所研究的样本或者变量之间存在程度不同的相似性，要求设法找出一些能够度量它们之间相似程度的统计量作为分类的依据，再利用这些量将样本或者变量进行分类。
4. 回归分析:对具有相关关系的现象，根据其关系形态，选择一个合适的数学模型，用来近似地表示变量间的平均变化关系的一种统计方法 (一元线性回归、多元线性回归、非线性回归)，回归分析在一组数据的基础上研究这样几个问题:建立因变量与自变量之间的回归模型(经验公式);
4数学建模数据处理方法三
1.蒙特卡罗算法。该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟来检验自己模型的正确性，几乎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、二次规划等规划类算法: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 软件求解。
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。
