这所C9考数二英二!但409分被刷,387分直接放弃复试!

一、学校及专业介绍
西安交通大学简称“西安交大”,位于陕西省西安市,是中华人民共和国教育部直属的综合性研究型全国重点大学,由教育部、陕西省与国家国防科技工业局共建,国家“双一流”建设高校,首批进入国家“211工程”和“985工程”,九校联盟(C9)。西部地区综合性大学中的头部高校。

1.1 招生情况
西安交通大学考信号与系统的专业方向在信通院,学硕和专硕分别考815和909,但是考试科目相同,包含数字信号处理的内容。但815和909我对比过每一个字,考纲完全相同!代号不同,试卷不同,那估计就只是试卷难度有所差异!

图1:23年信通院招生专业情况表
在这里插入图片描述

高校定位:985 211 双一流

学科评级:信息与通信工程 B+

考试科目:815/909 信号与系统+数字信号处理

23年西安交通大学信通院公开统招总人数78人,学硕20人,专硕58人。(包括新一代信息通信技术国家急需高层次人才培养专项百千万工程 )。

1.2 初试书目
图2:初试参考书目
在这里插入图片描述

小马哥Tips:西安交通大学815/909给出的参考书有三本:

1.刘树棠译,奥本海姆著,《信号与系统-第二版》

2.王霞、侯兴松、阎鸿森,《信号与线性系统》。

3.程佩青编著,《数字信号处理教程(第五版)》。

另外我做了的重点知识勾画,可以下面链接自取:

【西交909】信号与系统考研重点知识点勾画

1.3 复试科目及参考书目
西安交通大学给出复试科目有三门,为通信原理,电磁场与电磁波,数字图像处理,参考教材分别是
1.现代通信原理(第三版)作者:罗新民
2.电磁场与电磁波(第四版)作者:冯恩信
3.数字图像处理(第四版)作者:冈萨雷斯

图3:复试参考书目

在这里插入图片描述

小马哥Tips:复试科目较多难度较大,而且有笔试,但是复试方案中笔试只需要选择一门,考虑到面试情况,希望同学依旧认真复习三本书。

1.4复试方案

①复试内容:

复试满分为100分,内容包括:

(1)笔试:专业考核,满分50分,现场闭卷考试,时间2小时。

(2)面试:综合考核,满分50分,每个考生面试总时间为20分钟,其中:英语听力及口语5分钟,综合面试(含思想政治素质及品德)15分钟英语听力及口语:2分钟英语自我介绍、3分钟英语问答(非专业性问题),英语听力和口语12.5%,综合面试37.5%。复试成绩不合格(低于60分)者不予录取。

②总成绩计算方式:

入学考试总成绩(100分)=(初试总成绩(500分)/5*0.6+复试总成绩(100分)*0.4。

小马哥Tips:西安交大初复比3:2,复试面试对上岸的影响为20%=(50/100)*40%,录取的方式是是按照加权总成绩进行排名,择优录取,学硕专硕分开排名。

二、23年招生录取分析
2.1 初试成绩分布
根据官网给出的数据,我为大家整理并分析了今年的考研成绩分布情况,各专业录取情况表。详细数据如下:

图4:23年招生录取情况表

在这里插入图片描述

小马哥Tips:西安交通大学作为C9院校之一,通信工程B+却出现了小爆冷,学硕招生人数少,但没有招满,仅仅淘汰了一个复试不及格的,学硕电科方向只有一人上线并录取。专硕却竞争激烈,复录比达到了1.46!

2.2 各专业分数段分布
以下是各专业初试分数分布段录取淘汰情况,红色为复试淘汰分数,括号中“复”代表复试不及格,括号中“百”代表百万人才计划。该计划是单独方向的专项招生计划,但是在统招名额中。具体公告文件详见链接>>百千万人才计划

图5:西安交大信息与通信学院学硕录取情况
在这里插入图片描述

图6:西安交大信息与通信学院085401新一代电子信息技术

在这里插入图片描述

图7:西安交大信息与通信学院085402通信工程
在这里插入图片描述

小马哥Tips:

①西安交通的学硕统招没有招满,但是依旧刷掉了一位初试低分复试不及格的同学,宁缺毋滥。专硕的录取情况来看高分同学非常多,录取的也都集中在较高分数段,上岸大多数人都在380分以上。

②专硕方面,最高分458分,牛,实在是牛!被淘汰同学,大多数在370到380区间内,以下统计仅考虑专硕部分:

(1)考400+的同学共有30人,被刷掉3人,上岸率为:90%。

(2)考380-400分的同学共有42人,被刷掉13人,上岸率为:69%。

(3)380分以下共有同学17人,被刷掉12人,上岸率为:29%。

图8:专硕各分数段录取率
在这里插入图片描述

西安交通大学作为顶级高校,对学生要求高,复试要求也高。初试高分不会影响复试老师看法,400+照样刷,竞争惨烈。380分以下,上岸率只有27.3%。

③有高分同学被淘汰说明复试很难,且非常重要,要求同学们坚持备考到一切考试结束。初试只是道路的一半。

④专硕387分同学,官网显示复试放弃,但是他却有复试成绩12.5分(100满分)。这里我猜测是,这位同学没有好好准备笔试,笔试考完之后,心灰意冷,直接放弃了面试。由此可见西安交大的复试确实有难度!虽说和我们上海交大是兄弟院校。但上交初试为王,很难出现400+被刷现象。

2.3 各专业录取平均分
图9:西安交通大学23年学硕录取平均分
在这里插入图片描述

图10:西安交通大学23年专硕录取平均分

在这里插入图片描述

小马哥Tips:西安交大学硕录取平均分为364分,专硕录取平均分为401分!作为为数不多的C9考数二英二的学校,物以稀为贵,卷点正常!

三、往年难度分析

图11:西安交通大学近三年复试分数线
在这里插入图片描述

小马哥Tips:

①单科分数线比国家线相比高出不少,政治必须超过50分,英语今年才降低到45分。

②西交学硕和专硕这几年分数线变动不大,但是这个分数线仅只有参考价值,从录取情况来看,录取分数远远大于分数线。

四、专业课难度分析

图13:西安交通大学信通院学硕23年专业课分数情况表

在这里插入图片描述

图14:西安交通大学信通院专硕23年专业课分数情况表

在这里插入图片描述

西交的专硕专业课分数高于学硕,考虑到专硕和学硕专业课不同代码,试卷不同,难度可能有所区别,2022年考研真题我做过,不算难,信号和DSP部分都比较常规,没有偏难怪题型。更注重对基础概念的考察。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是使用KMeans、KMeans++和二分K均值算法对图像进行分割的Python代码: ```python import numpy as np from PIL import Image from sklearn.cluster import KMeans import matplotlib.pyplot as plt # 加载图像 img = np.array(Image.open('test.jpg')) # 将图像转换为二维数组 X = img.reshape(-1, 3) # 定义KMeans、KMeans++和二分K均值算法函数 def kmeans(X, K): kmeans = KMeans(n_clusters=K, init='random') return kmeans.fit_predict(X) def kmeans_plus(X, K): kmeans = KMeans(n_clusters=K, init='k-means++') return kmeans.fit_predict(X) def bisecting_kmeans(X, K): labels = np.zeros((X.shape[0], 1)) centers = [np.mean(X, axis=0, keepdims=True)] for k in range(1, K): max_sse = -1 max_idx = -1 for i in range(len(centers)): c = X[labels == i, :] sse = np.sum((c - centers[i])**2) if sse > max_sse: max_sse = sse max_idx = i kmeans = KMeans(n_clusters=2, init='random') c1, c2 = kmeans.fit_predict(X[labels == max_idx, :]) labels[labels == max_idx] = len(centers) labels[c1] = max_idx labels[c2] = len(centers) centers[max_idx] = np.mean(X[labels == max_idx, :], axis=0, keepdims=True) centers.append(np.mean(X[labels == len(centers), :], axis=0, keepdims=True)) return labels.flatten() # 调用KMeans、KMeans++和二分K均值算法函数 labels1 = kmeans(X, K=4) labels2 = kmeans_plus(X, K=4) labels3 = bisecting_kmeans(X, K=4) # 将聚类结果转换为图像 img1 = labels1.reshape(img.shape[:2]) img2 = labels2.reshape(img.shape[:2]) img3 = labels3.reshape(img.shape[:2]) # 可视化聚类结果 plt.subplot(131) plt.imshow(img1) plt.title('KMeans') plt.axis('off') plt.subplot(132) plt.imshow(img2) plt.title('KMeans++') plt.axis('off') plt.subplot(133) plt.imshow(img3) plt.title('Bisecting KMeans') plt.axis('off') plt.show() ``` 在这个代码中,我们首先使用PIL库加载一张RGB图像,并将其转换为二维数组X。然后,我们定义了三个函数kmeans()、kmeans_plus()和bisecting_kmeans(),分别使用KMeans、KMeans++和二分K均值算法对数据进行聚类,并返回聚类结果。在函数中,我们使用sklearn库的KMeans类来实现聚类,并将聚类结果转换为一维标签。对于二分K均值算法,我们使用了一个循环来逐步将聚类中心数量增加到K,并使用KMeans类对每个簇进行二分聚类。最后,我们将聚类结果转换为与原始图像相同大小的图像,并使用matplotlib库将三个聚类结果可视化。 运行上述代码,我们可以看到使用KMeans、KMeans++和二分K均值算法对图像进行聚类的结果。其中,KMeans和KMeans++的效果比较相似,都能较好地区分出图像的不同区域;而二分K均值算法的效果稍差,可能是由于算法本身的限制导致。最终的聚类结果可视化图如下: ![image.png](https://cdn.nlark.com/yuque/0/2021/png/236174/1632923994741-92e9c6a1-06c9-4c17-84b9-8aa1d54b0a5c.png#clientId=u7b8f5e57-1c4c-4&from=paste&height=380&id=u6a1c8c98&margin=%5Bobject%20Object%5D&name=image.png&originHeight=380&originWidth=1140&originalType=binary&ratio=1&size=190473&status=done&style=none&taskId=u4c69c9c3-a4b0-4db6-9c4d-7a6e26b12b7)

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值