2024+五一杯数学建模竞赛C题完整文,完整代码,成品 代码Python和MATLAB两个版本,提供查重报告
第一问
该题分为两问,第一小问要求我们至少找出3个电磁辐射和声发射中的干扰信号数据的特征。从数据分析上,我们首先可以研究所有种类信号的平均值、方差、一段时间内信号值的类和、众数以及频方等,随后找出C类信号(干扰信号)与其他数据的显著差别,随后我们也可以对信号进行离散傅里叶变换,研究傅里叶变换后的各项统计数据,由此可以得到更深刻的结论。下图为傅里叶变换前C类信号电磁辐射的折线图
下图为傅里叶变换后C类信号电磁辐射的折线
我们可以发现在傅里叶变换后,C类信号产生了明显的周期性,所以我们分析相应的数据特征也可以从这里入手。所以我们最终可以采取以下三个指标:周期T(该值由傅里叶变换后计算得到)内的平均值、方差,以及该点的值与平均值的差作为指标,当然也可以加入更多的指标辅助判断。
对于声发射的干扰我们也可以采用类似方法进行分析。
该问题的第二小问要求我们建立模型找到最早的5个干扰信号,其实际只需要将我们第一小问构建的特征指标代入其中即可,随后采用机器学习模型进行训练即可。这里推荐使用逻辑斯蒂回归模型或者随机森林,这两者都能输出概率,方便我们计算其他几问。注意此处我们只有两类数据,即C类数据以及非C类数据。当然也可以采用其他的模型进行计算,最后我们将结果输入表中即可。
问题二
问题二与问题一大致相同,但问题二变成探索前兆数据即B类数据的特征,我们采用的方法与第一问类似,一样是研究平均值、方差、极差等,下图为B类数据的频方图
可以看到前兆数据大体分为两类,一类是低频辐射即电磁辐射小于150的,另外一类是高频辐射即电磁辐射大于300的,所以我们可以认为150-300之间的电磁辐射数据不属于前兆数据,这是我们发现的第一个特征。
下图是电磁辐射的离散傅里叶变换后的图:
我们也可以看到在傅里叶变换后数据具有明显的周期性,所以我们的分析方法与之前类似。关于声发射的情况分析也类似。
在第二小问中,我们采取与第一小题的第二小问的相同的方法计算,即仍然采用机器学习模型进行计算,随后输出结果即可。
问题三:
第三问仍然是一个预测问题,但该预测问题的要求与前两问不同,该题要求我们预测在该时间段后出现前兆信号的可能性,于是我们数据集判别对象就变成了前兆信号之前的那些数据。下图为附件1第一次出现B类信号的前一段时间的电磁辐射信号。
上图我们可以看到B类信号之前的很长一段时间,电磁辐射的变化的波动极大,且没有明确的规律,而越接近B类信号发射的时段其数据就越来越平稳,所以这是一个显著的特征。
下图为期傅里叶变换后的结果
我们可以看到在B类信号前电磁辐射变化较为稳定,变化不大,而其一段时间内的傅里叶变换的峰值较大。所以我们可以取周期T内的平均值,方差,该点与前点的数据差以及傅里叶变换后该点对应的值作为指标,随后采用能够输出概率的机器学习方法进行判断,逻辑斯蒂回归就是其中一种。注意声发射信号与电磁辐射信号总共8个指标。
参考文献:
[1]徐岩,张晓明,王瑜,等.基于离散傅里叶变换的频谱分析新方法[J].电力系统保护与控制,2011,39(11):38-43.
[2]胡方圆,李楠,伏金龙,等.压差传感器信号测量异常问题分析及改进[J].内燃机与配件,2024(08):78-80.DOI:10.19475/j.cnki.issn1674-957x.2024.08.026.
[3]周晓雅,石丹,张朋,等.一种基于GRNN模型的5G基站电磁辐射预测方法[J].太赫兹科学与电子信息学报,2023,21(11):1357-1363+1402.
2024+五一杯数学建模竞赛C题完整文,完整代码,成品 代码Python和MATLAB两个版本,提供查重报告