2023年辽宁省数学建模竞赛B题数据驱动的水下导航适配区分类预测

news2024/12/23 15:49:17

2023年辽宁省数学建模竞赛

B题 数据驱动的水下导航适配区分类预测

原题再现:

  “海洋强国”战略部署已成为推动中国现代化建设的重要组成部分,国家对此提出“发展海洋经济,保护海洋生态环境,加快建设海洋强国”的明确要求。
  《辽宁省“十四五”海洋经济发展规划》明确未来全省海洋经济的发展战略、发展目标、重大任务、空间部署和保障措施。规划范围包括辽宁省全部海域和大连、丹东、锦州、营口、盘锦和葫芦岛 6 个市以及海洋经济发展所依托的相关陆域,规划期限为 2021 年至 2025 年,展望到 2035 年。辽宁省作为中国最北沿海省份,拥有 2292.4 公里海岸线(如图 1 所示)。
  在“海洋强省”建设目标的背景下,完成海洋经济发展规划的目标重在海洋高新技术领域创新。其中关键核心技术之一是攻克水下导航与定位的适配区分类预测技术。
在这里插入图片描述
  水下航行器在执行水下任务时需要保持自主、无源、高隐蔽性、不受地域和时域限制、高精度的导航与定位。重力辅助导航是满足上述条件的主要方法之一。
  在重力辅助导航系统中,影响导航可靠性与精度的关键步骤是选择匹配性高的航行区域,即适配区。适配区的标定与识别技术是最具挑战性的问题之一。选取适配区前需要对研究海域的重力基准图(基础性的是重力异常基准图)进行插值加密处理,基于重力基准图所提供水下航行器航行区域的重力异常变化情况对适配区的选取进行分析。
  重力异常(值)的定义为:实际地球内部的物质密度分布不均匀,导致实际观测重力值与理论上的正常重力值总存在偏差,在排除各种干扰因素影响后,仅仅由地球物质密度分布不匀所引起的重力的变化,简称为重力异常。
  在重力异常变化显著区域,导航系统可获得高的定位精度;反之,在重力异常变化平坦区域,导航系统会出现定位精度的不敏感。由于不同区域的重力异常特征分布不同,建立可行的适配区分类预测模型,对保障水下航行器的导航精度至关重要。
  假设X为影响区域匹配性的特征属性指标,Y为刻画区域适配性的输出结果, F为以X为输入以Y为输出的分类预测系统。
  基于上述背景分析,请参考附件中的重力异常数据建立数学模型,解决以下问题:
  问题一:附件 1,给出一组分辨率为 1’×1’(相邻两格网点间的距离是 1’)的重力异常基准数据 A,试通过精细化基准图,合理划分区域,完成各区域的适配性标定(标签Y)。
  问题二:根据问题一中各划分区域的适配性标定结果Y ,合理选择区域的特征属性指标(特征X),试建立有效的区域适配区分类预测模型(系统F)。
  问题三:利用附件二中的重力异常基准数据 B,试对问题二所建立的系统F进行迁移性预测并讨论该系统F对新重力异常数据的适用性。
  附件
  附件 1:重力异常基准数据 A
  附件 2:重力异常基准数据 B

代码实例

from sklearn import datasets
#朴素贝叶斯

from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.naive_bayes import BernoulliNB
#SVM
from sklearn.svm import SVC
#KNN
from sklearn.neighbors import KNeighborsClassifier
#数据集分割
from sklearn.model_selection import train_test_split

cancers=datasets.load_breast_cancer()
X=cancers.data
Y=cancers.target
# 注意返回值: 训练集train,x_train,y_train,测试集test,x_test,y_test
# x_train为训练集的特征值,y_train为训练集的目标值,x_test为测试集的特征值,y_test为测试集的目标值
# 注意,接收参数的顺序固定
# 训练集占80%,测试集占20%
#此处是将数据集拆分为训练集和测试集
x_train,x_test,y_train,y_test=train_test_split(X, Y, test_size=0.2)
#朴素贝叶斯
#高斯贝叶斯分类器
model_linear =GaussianNB()
model_linear.fit(x_train, y_train)
train_score = model_linear.score(x_train, y_train)
test_score = model_linear.score(x_test, y_test)
print('高斯贝叶斯训练集的准确率:%.3f; 测试集的准确率:%.3f'%(train_score, test_score))
preresult=model_linear.predict(x_test)
print(preresult)
#多项式贝叶斯分类器
model_linear =MultinomialNB()
model_linear.fit(x_train, y_train)
train_score = model_linear.score(x_train, y_train)
test_score = model_linear.score(x_test, y_test)
print('多项式贝叶斯训练集的准确率:%.3f; 测试集的准确率:%.3f'%(train_score, test_score))
preresult=model_linear.predict(x_test)
print(preresult)
#伯努利贝叶斯分类器
model_linear=BernoulliNB()
model_linear.fit(x_train, y_train)
train_score = model_linear.score(x_train, y_train)
test_score = model_linear.score(x_test, y_test)
print('伯努利贝叶斯训练集的准确率:%.3f; 测试集的准确率:%.3f'%(train_score, test_score))
preresult=model_linear.predict(x_test)
print(preresult)
#SVM法

model_linear = SVC(C=1.0, kernel='linear')  # 线性核
model_linear.fit(x_train, y_train)
train_score = model_linear.score(x_train, y_train)
test_score = model_linear.score(x_test, y_test)
print('SVM法训练集的准确率:%.3f; 测试集的准确率:%.3f'%(train_score, test_score))
preresult=model_linear.predict(x_test)
print(preresult)
#KNN法
model_linear =KNeighborsClassifier(n_neighbors=15)
model_linear.fit(x_train, y_train)
train_score = model_linear.score(x_train, y_train)
test_score = model_linear.score(x_test, y_test)
print('KNN法训练集的准确率:%.3f; 测试集的准确率:%.3f'%(train_score, test_score))
preresult=model_linear.predict(x_test)
print(preresult)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1186004.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

PageHelper多表关联查询数量问题

PageHelper多表关联查询数量问题 通常我们会使用PageHelper进行分页查询,但是当分页查询被用到多个表的关联查询中时,就有可能导致查询出来的数据总数比我们想要的多得多。 首先在数据库中创建三个demo表:role、path、role_path role角色表…

每日一练 | 华为认证真题练习Day127

1、如图所示,关于OSPF的拓扑和配置,下列说法中正确的是()。 A. R1与R2相比,R2更有机会成为DR,因为它的接口DR优先级值较小 B. 只要把R1的接口网络类型恢复为默认的广播类型,R1和R2即可建立稳定…

【可视化Java GUI程序设计教程】第5章 Swing容器的使用

Swing采用自顶向下的方式构建GUI,即先创建容器,再向容器中添加组件。 “组件”面板中的Swing容器 5.1 面板容器(JPanel) 5.5.1 使用方法 创建面板有以下两种方法 (1)创建一个窗体(JFrame&…

kaggle中报错NameError: name ‘q_1‘ is not defined

在开始练习之前,先点击“全部运行”按钮。

联合阿里p8测试开发耗时一个月整理的全套从0开始到功能测试再到自动化测试再进阶测试开发学习路线图

前言: 从事测试工作已10有余了,今天想聊一下自己刚入门时和现在的今昔对比,虽然现在也没什么成就,只能说笑谈一下自己的测试生涯。 技术栈的变化: 刚开始是做的开发,也是做了三年的开发,刚开始…

工业CT 三维重建 及分割

目录 工业CT介绍 工业CT主要应用于以下领域: CT三维重建软件: 效果: 工业CT介绍 工业CT设备是基于线阵探测器的断层扫描技术,是一种常用的无损检测技术,用于获取物体内部的准确三维结构信息。它通过X射线的投射和接…

Linux - 实现一个简单的 shell

前言 之前我们对进程的替换,进程地址空间等等的概念进行了说明,本篇博客会基于这些知识点来 实现一个简单的 shell ,如有疑问,可以参考下述博客:Linux - 进程程序替换 - C/C 如何实现与各个语言之间的相互调用 - 替换…

Spring Gateway基础知识总结

本文主要总结Spring Gateway的基础用法,内容包括网关、Spring Gateway工作流程、Spring Cloud Gateway搭建、路由配置方式、负载均衡实现、断言工厂这几个部分 目录 1. 网关 1.1 网关介绍 1.2 网关对比 1.3 Spring Gateway 1.4 核心概念 1.6 总结 2. Spring …

编程知识\_C与汇编深入分析

1. 汇编怎么调用C函数 1.1 直接调用 bl main 1.2 想传参数怎么办? 在arm中有个ATPCS规则(ARM-THUMB procedure call standard(ARM-Thumb过程调用标准)。 约定r0-r15寄存器的用途: r0-r3 调用者和被调用者之间传参数 r4-r11 函…

ARM寄存器及功能介绍/R0-R15寄存器

1、ARM 寄存器组介绍 ARM 处理器一般共有 37 个寄存器,其中包括: (1) 31 个通用寄存器,包括 PC(程序计数器)在内,都是 32 位的寄存器。 (2) 6 个状态寄存器…

Linux学习笔记--高级

Shell概述 1,shell概述 是一个c语言编写的脚本语言,是linux和用户的桥梁,用户输入命令交给shell处理。shell,将相应的操作传递给内核(kernel),内核把处理的结果输出给用户 1.1Shell解释器有哪…

oled显示器程序(IIC)从stm32f103移植到stm32f429出现bug不显示-解决移植失败问题

出现问题处: 刚开始更换了这两行代码,然后更换位置后,oled正常显示,如下为正确顺序 I2C_Configuration();//配置CPU的硬件I2COLED_Init();//OLED初始化 在这段代码中,I2C_Configuration() 函数用于配置CPU的硬件 I2C…

阶段七-Day02-Spring02

一、Spring的注解支持 1. 为什么使用Spring注解 在昨天的练习中有这样的一段代码,为了给UserServiceImpl注入UserMapper对象。 2. Spring支持的注解(IoC/DI相关) 下面Repository、Service、Controller、Configuration都是Component注解的…

阴虱是怎么长出来的?皮肤性病科主任谭巍讲述五大因素

阴虱,是一种皮肤接触性传染性寄生虫病,在卫生情况不好的前提下有感染阴虱的可能性。人在感染阴虱后会对身心健康带来负面影响,所产生的临床症状会直接影响感染者的工作生活,所以日常应注意预防阴虱病。 然而,到现在还…

JS逆向爬虫---响应结果加密⑤【token参数加密与DES解密】

https://spa7.scrape.center/ 文本数据 数据内嵌在js内,普通合理请求即可获取 图片 位于固定接口 类似https://spa7.scrape.center/img/durant.png 固定url名称 Token 参数确定 base64Name > base64编码后的中文名称 nodejs 代码 //导入crypto-js模块 var CryptoJS…

Spring笔记(四)(黑马)(web层解决方案-SpringMVC)

01、Spring MVC 简介 1.1 SpringMVC概述 SpringMVC是一个基于Spring开发的MVC轻量级框架,Spring3.0后发布的组件,SpringMVC和Spring可以无 缝整合,使用DispatcherServlet作为前端控制器,且内部提供了处理器映射器、处理器适配器…

ONP: Error #15: Initializing libiomp5md.dll【报错系列】

问题如下: 解决方案: 譬如我的就是这个: 删掉,再回去运行即可。

web应用程序、Django框架的学习

web应用程序 什么是web? Web应用程序是一种可以通过Web访问的应用程序,用户只需要有浏览器即可,不需要再安装其他软件 案例: 淘宝网、京东网、博客园、等都是基于web应用的程序 应用程序有两种模式C/S、B/S。C/S是客户端/服务器端程序&#xff0c…

Oracle Primavera Unifier 23.10 新特征

根据官方的说法,Unifier 23.7 ~ 23.9 更多为对功能bug的修复,以下将对23.10进行重点介绍 Cost Sheets Cost Sheets Support Conditional Formatting Conditional formatting of table data is now supported in cost sheets with features such as ce…

微信公众号全流程

申请公众号(服务号已认证)web开发者工具中绑定开发人员(该开发人员需要关注1中申请的公众号)基本配置 3.1 服务器配置 URL:验证服务器(后端写的验证服务器的接口) 后端代码:egg.js …