本次 助攻CDF题 问题一二三问均已完成更新，更新计划轴如图所示
由于赛题之间存在紧密的联系，单独发布问题一二，有可能与明天最终论文不相符，会根据后面问题对前面几问进行调整。个人建议，等明天上午的完整论文即可

题 目： 基于数据驱动下磁性元件的磁芯损耗建模

摘 要：

随着国民经济发展和社会进步，基于电力电子技术的电能变换（电能变换是指将电能从一种形式转变成另一种形式，如直流电转换为不同电压的直流电，直流电转换为不同频率和大小的交流电等）得到迅速发展，尤其是新能源和信息通讯领域。本文将基于数据驱动下磁性元件的磁芯损耗建模。

针对问题一，基于实验数据，提取反映磁通密度分布和波形特征的变量，进而对三种波形（正弦波、三角波、梯形波）进行分类。通过提取磁通密度随时间变化的特征量，我们建立了一个特征提取机制。随后，采用随机森林分类器作为模型，对这些特征进行分类建模。训练集中的数据用于拟合分类器，而测试集数据用于验证模型的效果。模型成功对三种波形进行了分类，并得到了准确的分类结果。

针对问题二，基于实验数据，修正斯坦麦茨方程，增加温度修正项，以适应不同温度条件下的损耗预测。使用实验数据，分别拟合传统斯坦麦茨方程和修正后的方程，利用最小二乘法（lsqcurvefit）对参数 k1、a、b和温度修正系数c 进行拟合。修正后的斯坦麦茨方程能够更准确地预测不同温度下的磁芯损耗。对比传统斯坦麦茨方程与修正模型，后者的预测误差显著降低，最终模型的均方误差（MSE）也得到了显著改善。

针对问题三，分析这些因素对损耗的独立及协同影响，并找到使磁芯损耗最小的最优条件。我们采用多元回归模型分析材料、温度、励磁波形和频率对磁芯损耗的影响，模型考虑了独立效应以及两两因素之间的交互作用。通过对不同组合的实验数据进行分析，计算出每种材料和波形在不同温度下的平均损耗。同时，利用可视化工具进一步分析这些因素的交互作用。通过回归模型的预测与分析，我们找到了使磁芯损耗最小的最优条件：在材料4、温度为90℃、频率为50010Hz、正弦波形下，磁芯损耗最小值。

问题四五，22日早六点之前发布

关键词：

X射线脉冲星光子到达时间建模

摘要

脉冲星是一类高速自转的中子星，其自转形成规律性脉冲信号，类似于“宇宙中的灯塔”，因此被认为是极为精确的时钟。X射线脉冲星导航利用脉冲星信号为航天器提供时间和空间参考。通过比较脉冲信号到达航天器和太阳系质心的时间差，能够实现航天器的精确定位。为了准确计算该时间差，需要考虑卫星的轨道运动、脉冲星光子传播过程中的几何时延、Shapiro时延、引力红移效应及相对论效应等多种复杂因素。

2016年，我国发射的XPNAV-1卫星观测了蟹状星云脉冲星（PSR B0531+21）的X射线信号。该任务要求通过光子到达时间模拟和折叠，得到脉冲星的精确计时轮廓，为脉冲星导航系统的发展提供重要数据支持。

关键词：

%% 数据导入

data = readtable('附件一测试.xlsx', 'ReadVariableNames', true, 'VariableNamingRule', 'preserve');

% 显示数据前几行以确认导入是否正确

head(data)

% 将‘励磁波形类型’这一列重命名为英文名称

trainData.Properties.VariableNames{'Var4'} = 'WaveformType';  % Var4 是你需要的那一列，检查下正确的索引

% 提取特征

X = extractFeatures(trainData);

y = grp2idx(trainData.WaveformType);  % 将波形类型转换为数字

% 3. 划分训练集和验证集

cv = cvpartition(y, 'HoldOut', 0.2);

X_train = X(training(cv), :);

y_train = y(training(cv));

X_val = X(test(cv), :);

y_val = y(test(cv));

% 4. 模型训练（使用随机森林）

model = TreeBagger(100, X_train, y_train, 'Method', 'classification');

% 5. 验证模型

y_pred = predict(model, X_val);

y_pred = grp2idx(y_pred);  % 将预测结果转换为数字

% 6. 输出分类报告

fprintf('Classification Report:\n');

fprintf('Accuracy: %.2f\n', sum(y_pred == y_val) / length(y_val));

% 7. 对附件二中的样本进行分类

testData = readtable('附件二材料1.xlsx');  % 调整文件路径

X_test = extractFeatures(testData);

% 8. 进行预测

predictions = predict(model, X_test);

predictions = grp2idx(predictions);