1) G-C 2R model
G-C2R模型
2) C2R model
C2R模型
1.
According to the correlation data of 2005,the paper used the data envelopment analysis method-the C2R model-to carry on the valid appraisal analysis,and gives some suggestions to increase the land utilization efficiency.
采用数据包络分析方法的C2R模型,利用河南省18个城市2005年土地、经济数据,对河南省城市土地利用的经济效率进行有效性评价分析,并提出提高城市土地利用效率的建议。
2.
C2R model of DEA can t identify relative effective units one step further.
DEA方法的C2R模型难以解决相对有效单元进一步识别的问题,而超效率模型通过重新定义生产可能集,可以对决策单元进行充分排序和评价。
3.
This paper defines variables that describe properly economic growth,resources and ecological environment,builds a C2R model for the data envelopment analysis,and collects actual data of region environment and economics in 2005.
根据数据包络分析的原理,通过分析环境与经济之间的关系,界定了能够恰当反映经济增长及资源、生态环境的变量,构建了数据包络分析的C2R模型;搜集了2005年各地区环境和经济方面的实际数据,运用W inqsb软件,分别代入C2R模型,得出各地区生态环境经济效率值,并对结果进行了分析,可知:西部地区正处在规模收益递增的阶段,资源投入不足限制了当地的经济发展;西部的资源有效利用率普遍偏低,尤其是水资源和能源的利用率应引起有关部门关注;西部地区的工业三废已成为制约当地环境经济可持续发展的重要因素,生态环境治理工作有待加强。
3) C 2R model
C2R模型
4) the model of DEA-C2R
DEA-C2R模型
5) C~2R model
C2R模型
1.
In this paper,we introduce the theory and method of C~2R model in DEA method,and calculate the relative efficiencies of economic development in the 17 cities of Hubei Province,and analyze the development status of the cities from the angel of effectiveness.
介绍了数据包络分析(DEA)中的C2R模型的原理与方法,并用该方法计算湖北17个城市经济发展的相对效率值,从有效性的角度分析各个城市的发展状况·再结合各地实际情况提出了改进建议
2.
Some errors and deficiencies in the theory and application of basic C~2R model in Data Envelopment Analysis are pointed out and corrected.
指出和纠正了数据包络分析方法中基本的C2R模型在理论和应用中存在的错误和不足,并给出了相应的说明例子;还讨论了基于输出有效性的C2R模型及其应用。
6) C2R decision model
C2R决策模型
补充资料："泛魔"识别模型
一种以特征分析为基础的图像识别系统。1959年B.塞尔弗里吉把特征觉察原理应用于图像识别的过程，提出了"泛魔"识别模型。这个模型把图像识别过程分为不同的层次，每一层次都有承担不同职责的特征分析机制,它们依次进行工作,最终完成对图像的识别。塞尔弗里吉把每种特征分析机制形像地称作一种"小魔鬼"，由于有许许多多这样的机制在起作用，因此叫做"泛魔"识别模型。这一模型的特点在于它的层次的划分。
"泛魔"识别模型系统的图像识别共有4个层次(见图)。第一层是执行最简单任务的"映象鬼"，它们只是记录外界的原始形象,正像视网膜获得外界刺激的映象;然后由"特征鬼"进一步分析这个映象。在分析过程中，每个特征鬼都去寻找与自己有关的图像特征。例如，在识别英文字母时，每个特征鬼负责报告字母的一种特征及其数量，如垂直线、水平线、斜线、直角、锐角，不连续曲线和连续曲线等；再由"认知鬼"接受特征鬼的反应，每个认知鬼都从特征鬼的反应中寻找与自己负责识别的图像有关的特征,发现了这种特征时,它就"叫喊"，发现的特征越多，"叫喊"声越大;最后,"决策鬼"根据许多"认知鬼""叫喊"声的大小，选择叫喊声最大的"认知鬼"的反应作为所要识别的图像。
例如在识别字母R时,"映象鬼"先对R进行编码,把信息传递给"特征鬼"作进一步加工,这时会有5个"特征鬼"分别报告图像所包括的一条垂线、两条水平线，一条斜线,3个直角和一条不连续曲线。然后许多"认知鬼"则根据所报告的这些特征及其数量来识别是否是自己负责的字母。这时D、P、R鬼都会有反应，但P鬼只有 4个特征与其符合,并有一特征（斜线）与其不符合；D鬼只有3个特征与其符合,并有两个特征（斜线、直角）与其不符合；只有R鬼有5个特征与其符合,而且这5个特征又包括了R的全部特征，所以R鬼的叫喊声最大，因此"决策鬼"就很容易地作出选择R的决定。
"泛魔"识别模型对于相似的图形也可以分辨，不致混淆；对于失真的图形,如字母的大小发生变化时,识别也不致发生困难。以特征分析为基础的"泛魔"识别模型是一个比较灵活的图像识别系统。它可进行一定程度的学习，如"认知鬼"可逐渐学会怎样解释与它所负责的字母有关的各种特征；它还可以容纳具有其他功能的鬼。这个系统现在也被用来描述人的图像识别过程。
"泛魔"识别模型系统的图像识别共有4个层次(见图)。第一层是执行最简单任务的"映象鬼"，它们只是记录外界的原始形象,正像视网膜获得外界刺激的映象;然后由"特征鬼"进一步分析这个映象。在分析过程中，每个特征鬼都去寻找与自己有关的图像特征。例如，在识别英文字母时，每个特征鬼负责报告字母的一种特征及其数量，如垂直线、水平线、斜线、直角、锐角，不连续曲线和连续曲线等；再由"认知鬼"接受特征鬼的反应，每个认知鬼都从特征鬼的反应中寻找与自己负责识别的图像有关的特征,发现了这种特征时,它就"叫喊"，发现的特征越多，"叫喊"声越大;最后,"决策鬼"根据许多"认知鬼""叫喊"声的大小，选择叫喊声最大的"认知鬼"的反应作为所要识别的图像。
例如在识别字母R时,"映象鬼"先对R进行编码,把信息传递给"特征鬼"作进一步加工,这时会有5个"特征鬼"分别报告图像所包括的一条垂线、两条水平线，一条斜线,3个直角和一条不连续曲线。然后许多"认知鬼"则根据所报告的这些特征及其数量来识别是否是自己负责的字母。这时D、P、R鬼都会有反应，但P鬼只有 4个特征与其符合,并有一特征（斜线）与其不符合；D鬼只有3个特征与其符合,并有两个特征（斜线、直角）与其不符合；只有R鬼有5个特征与其符合,而且这5个特征又包括了R的全部特征，所以R鬼的叫喊声最大，因此"决策鬼"就很容易地作出选择R的决定。
"泛魔"识别模型对于相似的图形也可以分辨，不致混淆；对于失真的图形,如字母的大小发生变化时,识别也不致发生困难。以特征分析为基础的"泛魔"识别模型是一个比较灵活的图像识别系统。它可进行一定程度的学习，如"认知鬼"可逐渐学会怎样解释与它所负责的字母有关的各种特征；它还可以容纳具有其他功能的鬼。这个系统现在也被用来描述人的图像识别过程。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条