2013年研究生数学建模优秀论文C7
2013年全国研究生数学建模竞赛C题
2013年全国研究生数学建模竞C题（华为公司合作命题）微蜂窝环境中无线接收信号的特性分析近年来，随着移动通信的发展，对系统容量的要求越来越高，频谱资源越来越紧缺。
微蜂窝、微微蜂窝系统由于采用频谱复用技术缓解这个矛盾而得到广泛应用，这些系统的小区半径小于一千米，造成微蜂窝之间原来的统计相似关系丢失，这给运营商在网络初期规划带来了困难。
因为实际情况经常不满足电磁场模型的条件，并且一般无法求解。
若没有良好的传播预测模型，划分小区、选择基站位置和高度的唯一方法就是通过实际测量、反复测试。
显然这需要投入大量的人力、时间，费用也会很高。
而传播模型则根据对无线传输信道的模拟和仿真，预测接收信号，可以为指导网络规划提供较为准确的理论依据，链路预算小区半径，计算电波传播及干扰，当然希望越精确越好。
目前，比较有代表性的就是射线跟踪模型。
射线跟踪是一种被广泛用于移动通信和个人通信环境(街道微蜂窝和室内微微蜂窝)中的预测无线电波传播特性的技术，由于移动通信中使用的超高频微波和光同属电磁波，有一定近似性（当然还有差别），按光学方法辨认出多路径信道中收、发射机间所有主要的传播路径。
一旦这些传播路径被辨认后，就可根据电波传播理论来计算每条传播路径信号的幅度、相位、延迟和极化，然后结合天线方向图和系统带宽就可得到到达接收点的所有传播路径的相干合成结果。
城市环境下的微蜂窝主要指高楼密集区，覆盖范围大大缩小(半径仅为几百米甚至几十米)，基站天线(发射机)低于周围建筑物的高度，电波是在建筑物的“峡谷”当中传播。
因此，电波经过屋顶绕射后再到达地面接收点的射线路径数量非常少，而且其场强与经过建筑物多次反射和绕射的路径相比，往往可以忽略，地面的反射也不考虑。
这些特点构成了微小区中电波传播的主要特点。
因此，可以假设微蜂窝环境下建筑物的高度高于基站天线的高度，从而将三维问题近似地简化成二维问题，只考虑两种传播机制：反射和绕射。
这种简化大大地提高了射线跟踪模型的预测效率，同时能够得到可以接受的预测精度。
2013国赛优秀数模论文
车道被占用对城市道路通行能力的影响摘要本文主要研究交通事故占用车道对城市道路通行能力的影响．针对问题一，首先求出道路的基本通行能力，结合道路基本通行能力与定义的交通事故修正系数求得出事故发生后的实际通行能力.用SPSS软件采用Mann-Whitney U检验方法对事故发生前的实际通行能力值与事故发生后的实际通行能力值进行两独立样本检验，结果表明两者存在显著性差异．再作图观察实际通行能力值变化趋势，且对其分三个阶段进行描述，得到事故发生起伏期的实际通行能力变化很大，交通事故发生后实际通行能力在调整期相对稳定；稳定期曲线趋于平缓，实际通行能力基本稳定．针对问题二，由于在同一横断面发生的两次交通事故所占车道不同时，利用SPSS 软件对两起交通事故的实际通行能力值进行两配对样本检验，采用Wilcoxon配对秩检验方法得到：随时间的推移，两次事故发生后的实际通行能力的变化有显著性差异．然后计算两次事故稳定期车流量的比值为37%:63%，而右转与左转的流量比为38%:62%，说明左、右转流量的不同是造成两次交通事故对应的实际通行能力差异的直接原因．针对问题三，首先根据实际通行能力、上游车流量定义出拥堵系数；然后通过讨论拥堵系数与事故路段车辆排队长度之间的关系，确定了事故路段车辆排队长度与实际通行能力、事故持续时间以及上游车流量之间关系的积分模型；最后考虑到从视频中统计出的是离散型数据，因此将上述积分模型进行离散化处理，求出了事故发生后该路段部分时刻的排队长度的具体值，通过与视频中实际的排队长度进行比较，从而检验了模型的准确性．针对问题四，为了求出估算车队排队长度将到达上游路口的时间，建立了两个模型对其进行对比求解．从问题1得出的实际通行能力的数据可以拟合出其与时间的关系函数，进而得出不同时间段的实际通行能力值．模型A中，将上游车流量定为1500pcu/h，通过排队长度模型的求解得到排队长度达到140米时，持续时间为18min．模型B首先检验得到第一次交通事故发生后的上游车流量符合泊松分布．通过对实际情况的MATLAB实验仿真求出满足泊松分布的上游车流量在一小时内的随机分布数组，并将其代入排队长度模型进行求解，得到结果在1240s时，修正后的排队长度达到140米，即认为在事故持续时间20.5min左右时，车辆排队长度到达上游路口．通过对比得到，模型B较模型A更为贴近实际．关键词：两独立样本检验；Mann-Whitney U检验；Wilcoxon配对秩检验；拥堵系数；MATLAB仿真一、问题的重述车道被占用是指因交通事故、路边停车、占道施工等因素，导致车道或道路横断面通行能力在单位时间内降低的现象．由于城市道路具有交通流密度大、连续性强等特点，一条车道被占用，也可能降低路段所有车道的通行能力，即使时间短，也可能引起车辆排队，出现交通阻塞．如处理不当，甚至出现区域性拥堵．车道被占用的情况种类繁多、复杂，正确估算车道被占用对城市道路通行能力的影响程度，将为交通管理部门正确引导车辆行驶、审批占道施工、设计道路渠化方案、设置路边停车位和设置非港湾式公交车站等提供理论依据．视频1（附件1）和视频2（附件2）中的两个交通事故处于同一路段的同一横断面，且完全占用两条车道．请研究以下问题：1.根据视频1（附件1），描述视频中交通事故发生至撤离期间,事故所处横断面实际通行能力的变化过程．2.根据问题1所得结论，结合视频2（附件2），分析说明同一横断面交通事故所占车道不同对该横断面实际通行能力影响的差异．3.构建数学模型，分析视频1（附件1）中交通事故所影响的路段车辆排队长度与事故横断面实际通行能力、事故持续时间、路段上游车流量间的关系．4.假如视频1（附件1）中的交通事故所处横断面距离上游路口变为140米，路段下游方向需求不变，路段上游车流量为1500pcu/h,事故发生时车辆初始排队长度为零，且事故持续不撤离．请估算，从事故发生开始，经过多长时间，车辆排队长度将到达上游路口．二、问题的分析按照题目要求，本文主要研究因交通事故车道被占用对城市道路通行能力的影响．交通事故发生后，由于发生事故的车辆对自己所行驶车道造成堵塞，使得该横断面实际通行能力有很大变化；而对于不同交通事故发生后堵塞不同车道的情况，同一横断面交通事故所占车道不同，该横断面实际通行能力也会有差异；不同状况的交通事故所造成的道路堵塞，对路段车辆排队长度也有很大的影响．2.1问题一的分析问题一要求描述视频中交通事故发生至撤离期间,事故所处横断面实际通行能力的变化过程．通过对附件视频1的观察，交通事故发生后，两辆相撞的车在第一时间对自己所行驶车道（第二、三车道）造成堵塞（附件3中所标注右转车道为车道一，直行车道为车道二，左转车道为车道三），仅剩唯一的第一车道可以通行．这导致事故所处横断面的实际通行能力有很大的变化．根据题目提供的视频附件，提取相关数据．通过对视频中所提供数据进行分析，统计以10秒为组距驶入驶出固定路段的车辆数．根据统计得到的数据，求出事故发生前道路的实际通行能力，并以此作为基准．再拟定事故发生后所处横断面的实际通行能力指标，求出从交通事故发生至事故撤离整个期间内的实际通行能力值．分析比较事故发生前的实际通行能力与事故发生后的实际通行能力的差异，说明发生事故后对道路通行能力的影响．再对事故发生后的各个实际通行能力值作散点图，观察其变化趋势，分阶段描述发生交通事故的整个期间,事故所处横断面实际通行能力的变化．2.2问题二的分析对于问题二中所要求的，分析说明同一横断面交通事故所占车道不同对该横断面实际通行能力影响的差异．根据两段附件视频可知，第一次交通事故的发生造成第二、三车道被堵塞，只有第一车道可以通行；第二次交通事故的发生造成第一、二车道被堵塞，只有第三车道可以通行．根据题目的附件三可知，第一车道为右转车道，通行流量比例为21%，第三车道为左转车道，通行流量比例为35%，即两条车道的通行流量是有差异的，就有可能造成两起交通事故实际通行能力的差异．为比较所占车道不同对实际通行流量的影响，首先按第一问求实际通行能力的思路进行求解，得到各时间段车流量的实际通行能力．然后进一步分析自发生事故起，两起交通事故的实际通行能力随时间推移有无显著性差异．对于产生差异的原因，从各车道流量不同的角度出发，说明车流量对实际通行能力的影响．2.3问题三的分析问题三中要求构建数学模型分析交通事故所影响的路段车辆排队长度与事故横断面实际通行能力、事故持续时间、路段上游车流量间的关系．根据实际情况可知，当道路实际通行能力降低，而车流量较大时，道路车辆的排队现象越容易出现．车辆的排队长度与事故横断面实际通行能力、事故持续时间、路段上游车流量这三个变量均有很大关系．为研究该问题，建立用实际通行能力、上游车流量、事故持续时间表示排队长度的数学模型．事故发生后，道路横断面可供通车辆通行的车道减少，在很大程度上减弱了道路实际通行能力，使得车辆从路段上游驶入已知路段时的速度大于车辆驶出事故横断面的平均速度．当事故路段上游的车驶入该路段时发现路段内原有的车还没有驶离事故横断面，未驶出的车辆积少成多，就会导致该路段的拥堵．为此，定义一个拥堵系数来描述t时刻车辆进入拥堵队列的可能性大小．又由于本题道路的横断面有三条车道，且下游转道车流量的比例分别为21%，44%，35%，因此道路拥堵时，按照车流量比例最大的车道上的队列长度作为车辆排队长度计算，用微分确定单位时间内的车辆排队长度，最后建立积分模型得到排队长度的表达式，进行离散化处理，求出不同时间段的排队长度的具体值．2.4 问题四的分析问题四假设交通事故所处横断面距离上游路口变为140米，已知上游车流量和初始排队长度，要求估算车队排队长度将到达上游路口的时间．从问题1得出的实际通行能力的数据可以拟合出其与时间的关系函数，进而得出不同时间段的实际通行能力值．再分别建模模型A 、B 对此问题进行求解．模型A 中根据题意将上游车流量恒定为1500pcu/h ，再通过得到的实际通行能力值及排队长度进行求解．模型B 考虑到实际中路口上游车流量不可能在一小时内为一定值，分析在上游车流量为1500pcu/h 的情况下，车流量在一小时内连续的时间段内的车流量分布情况，所以先要得出在视频1中在交通事故发生后的上游车流量分布规律，进而求出1500pcu/h 的车流量在一小时的随机分布数组，并对实际情况的实验仿真．最后将各时间段实际通行能力值，上游车流量代入第三问模型的函数表达式中，得到各时间段的排队长度，计算第一次排队长度达到140米的时间．三、模型的假设1.假设题目中的发生的两个交通事故处于同一路段的同一横断面，且发生事故后完全占用两条车道；2.假设只考虑四轮及以上机动车、电瓶车的交通流量，且换算成标准车当量数；3.假设公交车及大巴车的的车长为标准小汽车车身长度的二倍；4.假设本文所研究的道路平坦，不考虑因发生交通事故的车辆造成道路堵塞以外的其它道路障碍.四、符号的说明1T ：缺失数据的第一时间段；n T ：缺失数据的第n 时间段 （42或 n ）；1N ：驶入等待通行区域的车辆数；2N ：驶出等待通行区域的车辆数；3N ：标志性车辆前至事故发生地点的车辆数；4N ：标志性车辆至等待通行区域的上游边界的车辆数；N ： 缺失数据的补全值；11N ：事故发生前驶入等待通行区域的车辆数；12N ：事故发生前驶出等待通行区域的车辆数；13N ：事故发生前等待通行区域内车辆数；11'N ：事故发生前上一时间段驶入等待通行区域的车辆数；12'N ：事故发生前上一时间段驶出等待通行区域的车辆数；13'N ：事故发生前上一时间段等待通行区域内车辆数；21N ：事故发生后驶入等待通行区域的车辆数；22N ：事故发生后驶出等待通行区域的车辆数；N：事故发生后等待通行区域内车辆数；23'N：事故发生后上一时间段驶入等待通行区域的车辆数；21'N：事故发生后上一时间段驶出等待通行区域的车辆数；22'N：事故发生后上一时间段等待通行区域内车辆数；23U：正常通行时间内所处横断面的实际通行能力；1U：在交通事故影响下所处横断面的实际通行能力；2T：单位时间；hQ：基本通行能力；U：事故后实际通行能力；l：等待通行区域车辆排队长度；W：路段上游车流量；N：单位时间最大车流量；t：事故持续时间；：拥堵系数；v：汽车通过事故横断面的平均速度．五、模型的建立与求解5.1问题一：事故发生至撤离期间断面通行能力的变化问题一要求描述视频中交通事故发生至撤离期间,事故所处横断面实际通行能力的变化过程．针对此问题，具体求解分为以下三个步骤：Step1：根据统计得到的数据，求出事故发生前道路的实际通行能力；Step2：拟定事故发生后所处横断面实际通行能力指标，求出从交通事故发生至发生事故车辆撤离整个期间内的实际通行能力；Step3：分析比较以上两种情况的实际通行能力，并对其进行差异性检验；Step4：对事故发生后的实际通行能力值作图，通过适当的分析，分阶段描述在各不同阶段事故所处横断面实际通行能力的变化过程．5.1.1模型的准备1.通过视频统计数据为进行严谨详细的问题求解，首先从题目所给出的视频附件中统计详细数据．附件1中的视频记录了2013年2月28日16:38:39~17:03:50期间某路段的道路通行情况，视频共26分58秒，包括发生交通事故前的第一段正常通行时间，发生交通事故至撤离现场期间在事故影响下的实际通行时间，以及撤离后的第二段正常通行时间．第一段正常通行时间从16:38:39开始，大约持续了四分钟；发生交通事故至撤离现场时间为16:42:32~17:01:21，大约持续了19分钟．通过观察视频1中道路上车辆行驶的情况，将事故发生地点至其上游120米处划为等待通行区域的规定路段，由于统计每秒进出等待通行区域车辆数的过程时间太短，不利于统计数据，因此划定以10秒为统计时间间距，选定进出等待通行区域的参考系，根据城市道路工程设计规范内的车辆换算表，可知小汽车为1辆标准车辆，大客车换算为2辆标准车]1[．以此分别统计出每10秒驶入规定路段的车辆数及同时间段内驶出该规定路段的车辆数．2.缺失数据处理（1）由于视频1中事故发生后16:49:40~16:50:10与16:54:00~16:54:10两个时间段的影像被剪去，造成数据缺失．本文通过以标志性车辆为参考系，统计缺失数据的时间段中两个时间点1T 与n T 画面中出现的车辆数3N 与4N ，3N 为标志性车辆前至事故发生地点的车辆数，4N 为标志性车辆至等待通行区域的上游边界的车辆数． 其中1T 至n T 共经过了n 个时间间距．为补全数据，本文通过对统计的两时间点内的车辆数进行做差求平均值，得出缺失的数据均为均值N ：n N N 34N -=． 补全数据结果如下：表1 补全数据表5.1.2模型的建立与求解道路通行能力是指道路上某一点某一车道或某一横断面处，单位时间内可能通过的最大交通实体（车辆或行人）数，用辆/h 或用辆/昼夜或辆/秒表示，车辆多指小汽车，当有其它车辆混入时，均采用等效通行能力的标准车辆（小汽车）为单位（pcu ）． 影响道路通行能力的主要因素是道路条件、交通条件和交通外环境等．基本通行能力是指在理想的道路、交通、控制和环境条件下，理论上所能通行的最大小时交通量．实际通行能力是指在设计或评价某一具体路段时，根据该设施具体的公路几何构造、交通条件以及交通管理水平，按实际公路条件、交通条件等进行相应对基本通行能力进行修正后的小时交通量]1[．实际通行能力的计算是假定没有偶然事件发生的情况下进行的．实际交通系统中，路段可以服务的最大交通量除了受车道宽度、侧向净空等确定性因素以外，还受许多随机性因素影响，如交通事故，自然灾害、恶劣天气、道路维护等]2[．由于本文研究的对象是同一条道路，并且车道的宽度均为3.25m ,以及其他确定性因素均相同．由于研究的时间相差不大（26分钟），所以自然灾害、恶劣天气、道路维护等随机性因素均相同．因此，此路段的实际通行能力只受交通事故的影响．模型的具体建立求解过程如下：1.实际通行能力的确定实际通行能力是由道路的基本通行能力乘上若干个对其造成影响的修正系数而得到的，由于此路段的实际通行能力只受交通事故的影响，故设定交通事故修正系数来对发生交通事故后道路基本通行能力进行修正，修正后的基本通行能力即为发生交通事故后道路的实际通行能力．（1）确定交通事故修正系数f通过对视频1中事故发生至撤离的数据采集，得到了每10秒驶入等待通行区域的车辆数1N 以及驶出的车辆数2N 的数据，进而分别统计出进入等待通行区域的车流量与驶出等待通行区域的车流量．由统计结果可发现，当道路拥堵严重时，从上游路口进入该路段的车辆数会在很大程度上减少（初步分析出现这种状况的原因是由于红绿灯以及车主主观对道路的判断放弃从该路段上通行），而进出路段的车流量之比却很大，与实际通行能力相悖，因此无法直接用进出路段的车流量之比来表示事故发生后道路的实际通行能力．为此，结合道路实际情况以及上述统计结果，本文以每10秒内驶出等待通行区域的车辆数比上相同时间段等待通行区域内的车辆数来反映事故发生后的实际通行能力．处于等待通行区域的车辆越多，则实际通行能力越小，联系视频中出现的情形，当道路拥堵严重时，进入该路段的车辆数会减少，反映事故发生后的实际通行能力并不受进入车辆数的影响，而取决与等待的车辆数，因此此指标克服了上述矛盾的情况．交通事故前的第一段正常通行时间内的交通事故修正系数用1f 表示，驶入等待通行区域的车辆数为11N ，驶出此区域的车辆数为12N ，在区域内停留的车辆数为13N ，上一时间段的相应指标量分别表示为11'N ，12'N ，13'N ，定义1f 为：1312111213111'''N N N N N N f -+==； 设发生交通事故至撤离现场期间在事故影响下所处横断面的实际通行能力用2f 表示，驶入等待通行区域的车辆数为21N ，驶出的车辆数为22N ，在区域内停留的车辆数为23N ，上一时间段的相应指标量分别表示为21'N ，22'N ，23'N ，定义2f 为：2322212123212'''N N N N N N f -+==； 由于事故发生后某一时间段仍可能出现等待通行区域内的车辆数为0，即023=N ．又因为22N 可能为0时，其交通事故修正系数求得为0，但事实上此处有两种可能：一是因为堵塞严重无车通过，交通事故修正系数为0；二是因为等待通行区域内无车通过，交通事故修正系数为1（表示正常通过），故产生歧义，所以采用加“1”的方法进行处理．采用加“1”法对实际通行能力影响较小，即23N 、22N 均加1后，再求两者之间的比仍可作为交通事故修正系数．因此本文采取加“1”法进行修正其交通事故系数，既消除歧义，又反映了实际通行能力．经过加“1”法修正后：事故发生前修正系数：1'''111'1312111213111+-++=++=N N N N N N f ； 事故发生后修正系数： 1'''111'2322212123212+-++=++=N N N N N N f ． （2）确定基本通行能力Q由附件3图中可知，道路同一方向横断面上的三条车道，每条车道的宽度为固定的3.25m,根据查阅相关资料，宽度为3.25m 的车道最大通行速度为60km/h,当道路通行速度为60km/h 时，查表可知该段道路的一般基本通行能力为1800pcu/h ]3[．由于基本通行能力是指在理想状态下，理论上所能通行的最大小时交通量，为进一步确定已知道路基本通行能力，根据基本通行能力定义，道路基本通行能力为道路理想状态下单位时间h T 内，可能通过的最大车辆数N ，得到计算已知道路基本通行能力的公式：)/(h pcu T N Q h=； 设事故发生前没有任何堵塞的情况下道路为理想状态，且在此时间段内（不考虑堵车），通过该路段的车辆中，根据发生交通事故前道路上行驶的车流量统计数据，每10秒通过规定的120m 路程的车辆最大值为5辆，代入公式计算得：)(180********h / pcu ss pcu T N Q h===； （3）求解发生事故后实际通行能力U 根据相关资料]2[由基本通行能力与修正系数计算实际通行能力的关系公式为：f Q U ⨯=．2.事故发生前后实际通行能力的差异分析比较以上两组统计值，即未发生交通事故时的实际通行能力值和发生交通事故期间的道路实际通行能力值．由于视频所给出的两个时期时间长短不一致，故统计出的数值个数不同，并且我们对其总体分布不甚了解，两独立样本的非参数检验是在对总体的分布不了解的情况下，通过对独立样本的Mann-Whitney U 检验分析来推断样本来自的两个总体的分布等是否存在显著性差异的方法]4[．因此本文通过SPSS 采用两独立样本检验法来对这两组数据样本进行差异性检验（具体操作步骤及详细结果见附录1）：表2 发生交通事故前后实际通行能力独立样本检验结果表检验统计量a实际通行能力Mann-Whitney U 344.500Wilcoxon W 7484.500Z -5.170渐近显著性(双侧) .000a. 分组变量: 是否发生车祸由上表知，采用Mann-Whitney U 检验，渐近显著性（双侧）值为0.000，小于0.01，因此拒绝原假设，认为发生车祸的前后的实际通行能力指标存在极显著差异．得出结论:由于突发的交通事故，对原来正常的道路通行能力有显著性影响，对比道路正常通行能力和事故期间的实际通行能力，可知交通事故的发生使得道路通行能力明显下降．3. 结果分析对事故发生后的实际通行能力值作图，并分阶段描述在各不同阶段事故所处横断面实际通行能力的变化过程．根据统计出的交通事故发生至事故撤离整个期间内的实际通行能力值，做出散点图如下：图1 第一起交通事故发生后实际通行能力变化图由图像观察可得，事故发生初期0~200秒的实际通行能力变化很大，定为交通事故发生后实际通行能力的起伏期；200~400秒相对稳定可设为交通事故发生后实际通行能力的调整期；400秒以后曲线趋于平缓，事故发生后的实际通行能力趋于稳定．对于事故发生初期实际通行能力起伏较大的原因，根据视频的显示，初步分析其原因为红绿灯的变化及上下班高峰期的影响，而对于后期实际通行能力趋于稳定的原因，是由于出现了交通堵塞，开始进行排队通过，且随着排队的车辆数目量增多，红绿灯对平稳期的通行影响逐渐较小．4.红绿灯的影响通过上诉的结果分析，可知红绿灯对实际通行能力有一定的影响，本文将以红绿灯的相位时间为统计时间间距对视频1中进出等待通行区域的车辆数进行统计．选定进出等待通行区域的参考系，以此分别统计出每30秒进入规定路段的车辆数及同时间段内驶出该规定路段的车辆数．将进入规定的等待通行区域对应的时间化为1,2,3, (26)做出实际通行能力与对应时间的关系图，如下：图2 实际通行能力与红绿灯对应时间的关系图通过对实际通行能力与对应时间的关系图的观察，可知在1~16的时间内，实际通行能力呈起伏状，红绿灯的相位周期为1分钟，整个阶段内红灯为峰值，绿灯为谷值．而在17~26的时间内，开始进行排队，实际通行能力趋于稳定，因此红绿灯对事故发生后前期有较显著变化，而对事故发生后末期并不影响．5.2问题二：交通事故所占车道不同对通行能力的影响问题二要求分析说明同一横断面交通事故所占车道不同对该横断面实际通行能力影响的差异．针对此问题，具体求解为以下三个步骤：Step1：拟定发生事故后事故所处横断面实际通行能力，求出从交通事故发生至事故撤离整个期间内的实际通行能力；Step2：对两次交通事故发生后，随时间的推移，对相同时段的道路实际通行能力值用SPSS软件两配对样本检验进行显著性差异分析；Step3：画图比较分析，说明两次交通事故发生所占车道不同对该横断面实际通行能力影响的差异．5.2.1模型的准备为对问题进行严谨详细的求解，首先从题目所给出的视频附件中统计详细数据．针对问题中所提出的对比两起事故在发生之后对道路实际通行能力的影响，我们仅对发生交通事故至撤离现场这一阶段进行数据统计．发生交通事故至撤离现场阶段的时间为。
2013美国大学生数学建模竞赛论文
summaryOur solution paper mainly deals with the following problems:·How to measure the distribution of heat across the outer edge of pans in differentshapes and maximize even distribution of heat for the pan·How to design the shape of pans in order to make the best of space in an oven·How to optimize a combination of the former two conditions.When building the mathematic models, we make some assumptions to get themto be more reasonable. One of the major assumptions is that heat is evenly distributedwithin the oven. We also introduce some new variables to help describe the problem.To solve all of the problems, we design three models. Based on the equation ofheat conduction, we simulate the distribution of heat across the outer edge with thehelp of some mathematical softwares. In addition, taking the same area of all the pansinto consideration, we analyze the rate of space utilization ratio instead of thinkingabout maximal number of pans contained in the oven. What’s more, we optimize acombination of conditions (1) and (2) to find out the best shape and build a function toshow the relation between the weightiness of both conditions and the width to lengthratio, and to illustrate how the results vary with different values of W/L and p.To test our models, we compare the results obtained by stimulation and our models, tofind that our models fit the truth well. Yet, there are still small errors. For instance, inModel One, the error is within 1.2% .In our models, we introduce the rate of satisfaction to show how even thedistribution of heat across the outer edge of a pan is clearly. And with the help ofmathematical softwares such as Matlab, we add many pictures into our models,making them more intuitively clear. But our models are not perfect and there are someshortcomings such as lacking specific analysis of the distribution of heat across theouter edge of a pan of irregular shapes. In spite of these, our models can mainlypredict the actual conditions, within reasonable range of error.For office use onlyT1 ________________T2 ________________T3 ________________T4 ________________ Team Control Number18674 Problem Chosen AFor office use only F1 ________________ F2 ________________ F3 ________________ F4 ________________2013 Mathematical Contest in Modeling (MCM) Summary Sheet(Attach a copy of this page to your solution paper.)Type a summary of your results on this page. Do not includethe name of your school, advisor, or team members on this page.The Ultimate Brownie PanAbstractWe introduce three models in the paper in order to find out the best shape for the Brownie Pan, which is beneficial to both heat conduction and space utility.The major assumption is that heat is evenly distributed within the oven. On the basis of this, we introduce three models to solve the problem.The first model deals with heat distribution. After simulative experiments and data processing, we achieve the connection between the outer shape of pans and heat distribution.The second model is mainly on the maximal number of pans contained in an oven. During the course, we use utility rate of space to describe the number. Finally, we find out the functional relation.Having combined both of the conditions, we find an equation relation. Through mathematical operation, we attain the final conclusion.IntroductionHeat usage has always been one of the most challenging issues in modern world. Not only does it has physic significance, but also it can influence each bit of our daily life. Likewise,space utilization, beyond any doubt, also contains its own strategic importance. We build three mathematic models based on underlying theory of thermal conduction and tip thermal effects.The first model describes the process and consequence of heat conduction, thus representing the temperature distribution. Given the condition that regular polygons gets overcooked at the corners, we introduced the concept of tip thermal effects into our prediction scheme. Besides, simulation technique is applied to both models for error correction to predict the final heat distribution.Assumption• Heat is distributed evenly in the oven.Obviously, an oven has its normal operating temperature, which is gradually reached actually. We neglect the distinction of temperature in the oven and the heating process, only to focus on the heat distribution of pans on the basis of their construction.Furthermore, this assumption guarantees the equivalency of the two racks.• Thermal conductivity is temperature-invariant.Thermal conductivity is a physical quantity, symbolizing the capacity of materials. Always, the thermal conductivity of metal material usually varies with different temperatures, in spite of tiny change in value. Simply, we suppose the value to be a constant.• Heat flux of boundaries keeps steady.Heat flux is among the important indexes of heat dispersion. In this transference, we give it a constant value.• Heat conduction dom inates the variation of temperature, while the effects ofheat radiation and heat convection can be neglected.Actually, the course of heat conduction, heat radiation and heat convectiondecide the variation of temperature collectively. Due to the tiny influence of other twofactors, we pay closer attention to heat conduction.• The area of ovens is a constant.I ntroduction of mathematic modelsModel 1: Heat conduction• Introduction of physical quantities:q: heat fluxλ: Thermal conductivityρ: densityc: specific heat capacityt: temperature τ: timeV q : inner heat sourceW q : thermal fluxn: the number of edges of the original polygonsM t : maximum temperaturem t : minimum temperatureΔt: change quantity of temperatureL: side length of regular polygon• Analysis:Firstly, we start with The Fourier Law:2(/)q gradt W m λ=- . (1) According to The Fourier Law, along the direction of heat conduction, positionsof a larger cross-sectional area are lower in temperature. Therefore, corners of panshave higher temperatures.Secondly, let’s analyze the course of heat conduction quantitatively.To achieve this, we need to figure out exact temperatures of each point across theouter edge of a pan and the variation law.Based on the two-dimension differential equation of heat conduction:()()V t t t c q x x y yρλλτ∂∂∂∂∂=++∂∂∂∂∂. (2) Under the assumption that heat distribution is time-independent, we get0t τ∂=∂. (3)And then the heat conduction equation (with no inner heat source)comes to:20t ∇=. (4)under the Neumann boundary condition: |W s q t n λ∂-=∂. (5)Then we get the heat conduction status of regular polygons and circles as follows:Fig 1In consideration of the actual circumstances that temperature is higher at cornersthan on edges, we simulate the temperature distribution in an oven and get resultsabove. Apparently, there is always higher temperature at corners than on edges.Comparatively speaking, temperature is quite more evenly distributed around circles.This can prove the validity of our model rudimentarily.From the figure above, we can get extreme values along edges, which we callM t and m t . Here, we introduce a new physical quantity k , describing the unevennessof heat distribution. For all the figures are the same in area, we suppose the area to be1. Obviously, we have22sin 2sin L n n n ππ= (6) Then we figure out the following results.n t M t m t ∆ L ksquare 4 214.6 203.3 11.3 1.0000 11.30pentagon 5 202.1 195.7 6.4 0.7624 8.395hexagon 6 195.7 191.3 4.4 0.6204 7.092heptagon 7 193.1 190.1 3.0 0.5246 5.719octagon 8 191.1 188.9 2.2 0.4551 4.834nonagon 9 188.9 187.1 1.8 0.4022 4.475decagon 10 189.0 187.4 1.6 0.3605 4.438Table 1It ’s obvious that there is negative correlation between the value of k and thenumber of edges of the original polygons. Therefore, we can use k to describe theunevenness of temperature distribution along the outer edge of a pan. That is to say, thesmaller k is, the more homogeneous the temperature distribution is.• Usability testing:We use regular hendecagon to test the availability of the model.Based on the existing figures, we get a fitting function to analyze the trend of thevalue of k. Again, we introduce a parameter to measure the value of k.Simply, we assume203v k =, (7) so that100v ≤. (8)n k v square 4 11.30 75.33pentagon 5 8.39 55.96hexagon 6 7.09 47.28heptagon 7 5.72 38.12octagon 8 4.83 32.23nonagon9 4.47 29.84 decagon 10 4.44 29.59Table 2Then, we get the functional image with two independent variables v and n.Fig 2According to the functional image above, we get the fitting function0.4631289.024.46n v e -=+.(9) When it comes to hendecagons, n=11. Then, v=26.85.As shown in the figure below, the heat conduction is within our easy access.Fig 3So, we can figure out the following result.vnActually,2026.523tvL∆==.n ∆t L k vhendecagons 11 187.1 185.8 1.3 0.3268 3.978 26.52Table 3Easily , the relative error is 1.24％.So, our model is quite well.• ConclusionHeat distribution varies with the shape of pans. To put it succinctly, heat is more evenly distributed along more edges of a single pan. That is to say, pans with more number of peripheries or more smooth peripheries are beneficial to even distribution of heat. And the difference in temperature contributes to overcooking. Through calculation, the value of k decreases with the increase of edges. With the help of the value of k, we can have a precise prediction of heat contribution.Model 2: The maximum number• Introduction of physical quantities:n: the number of edges of the original polygonsα: utility rate of space• Analysis:Due to the fact that the area of ovens and pans are constant, we can use the area occupied by pans to describe the number of pans. Further, the utility rate of space can be used to describe the number. In the following analysis, we will make use of the utility rate of space to pick out the best shape of pans. We begin with the best permutation devise of regular polygon. Having calculated each utility rate of space, we get the variation tendency.• Model Design:W e begin with the scheme which makes the best of space. Based on this knowledge, we get the following inlay scheme.Fig 4Fig 5According to the schemes, we get each utility rate of space which is showed below.n=4 n=5 n=6 n=7 n=8 n=9 n=10 n=11 shape square pentagon hexagon heptagon octagon nonagon decagon hendecagon utility rate(％)100.00 85.41 100.00 84.22 82.84 80.11 84.25 86.21Table 4Using the ratio above, we get the variation tendency.Fig 6 nutility rate of space• I nstructions:·The interior angle degrees of triangles, squares, and regular hexagon can be divided by 360, so that they all can completely fill a plane. Here, we exclude them in the graph of function.·When n is no more than 9, there is obvious negative correlation between utility rate of space and the value of n. Otherwise, there is positive correlation.·The extremum value of utility rate of space is 90.69％,which is the value for circles.• Usability testing:We pick regular dodecagon for usability testing. Below is the inlay scheme.Fig 7The space utility for dodecagon is 89.88％, which is around the predicted value. So, we’ve got a rather ideal model.• Conclusion:n≥), the When the number of edges of the original polygons is more than 9(9 space utility is gradually increasing. Circles have the extreme value of the space utility. In other words, circles waste the least area. Besides, the rate of increase is in decrease. The situation of regular polygon with many sides tends to be that of circles. In a word, circles have the highest space utility.Model 3: Rounded rectangle• Introduction of physical quantities:A: the area of the rounded rectanglel: the length of the rounded rectangleα: space utilityβ: the width to length ratio• Analysis:Based on the combination of consideration on the highest space utility of quadrangle and the even heat distribution of circles, we invent a model using rounded rectangle device for pans. It can both optimize the cooking effect and minimize the waste of space.However, rounded rectangles are exactly not the same. Firstly, we give our rounded rectangle the same width to length ratio (W/L) as that of the oven, so that least area will be wasted. Secondly, the corner radius can not be neglected as well. It’ll give the distribution of heat across the outer edge a vital influence. In order to get the best pan in shape, we must balance how much the two of the conditions weigh in the scheme.• Model Design:To begin with, we investigate regular rounded rectangle.The area224r ar a A π++= (10) S imilarly , we suppose the value of A to be 1. Then we have a function between a and r :21(4)2a r r π=+--(11) Then, the space utility is()212a r α=+ (12) And, we obtain()2114rαπ=+- (13)N ext, we investigate the relation between k and r, referring to the method in the first model. Such are the simulative result.Fig 8Specific experimental results arer a ∆t L k 0.05 0.90 209.2 199.9 9.3 0.98 9.49 0.10 0.80 203.8 196.4 7.4 0.96 7.70 0.15 0.71 199.6 193.4 6.2 0.95 6.56 0.20 0.62 195.8 190.5 5.3 0.93 5.69 0.25 0.53 193.2 189.1 4.1 0.92 4.46Table 5According to the table above, we get the relation between k and r.Fig 9So, we get the function relation3.66511.190.1013r k e -=+. (14) After this, we continue with the connection between the width to length ratioW Lβ=and heat distribution. We get the following results.krFig 10From the condition of heat distribution, we get the relation between k and βFig 11And the function relation is4.248 2.463k β=+ (15)Now we have to combine the two patterns together:3.6654.248 2.463(11.190.1013)4.248 2.463r k e β-+=++ (16)Finally, we need to take the weightiness (p) into account,(,,)()(,)(1)f r p r p k r p βαβ=⋅+⋅- (17)To standard the assessment level, we take squares as criterion.()(,)(1)(,,)111.30r p k r p f r p αββ⋅⋅-=+ (18) Then, we get the final function3.6652(,,)(1)(0.37590.2180)(1.6670.0151)1(4)r p f r p p e rββπ-=+-⋅+⋅++- (19) So we get()()3.6652224(p 1)(2.259β 1.310)14r p f e r r ππ--∂=-+-+∂⎡⎤+-⎣⎦ (20) Let 0f r∂=∂,we can get the function (,)r p β. Easily,0r p∂<∂ and 0r β∂>∂ (21) So we can come to the conclusion that the value of r decreases with the increase of p. Similarly, the value of r increases with the increase of β.• Conclusion:Model 3 combines all of our former analysis, and gives the final result. According to the weightiness of either of the two conditions, we can confirm the final best shape for a pan.• References:[1] Xingming Qi. Matlab 7.0. Beijing: Posts & Telecom Press, 2009: 27-32[2] Jiancheng Chen, Xinsheng Pang. Statistical data analysis theory and method. Beijing: China's Forestry Press, 2006: 34-67[3] Zhengshen Fan. Mathematical modeling technology. Beijing: China Water Conservancy Press, 2003: 44-54Own It NowYahoo! Ladies and gentlemen, please just have a look at what a pan we have created-the Ultimate Brownie Pan.Can you imagine that just by means of this small invention, you can get away of annoying overcookedchocolate Brownie Cake? Pardon me, I don’t want to surprise you, but I must tell you , our potential customers, that we’ve made it! Believing that it’s nothing more than a common pan, some people may think that it’s not so difficult to create such a pan. To be honest, it’s not just a simple pan as usual, and it takes a lot of work. Now let me show you how great it is. Here we go!Believing that it’s nothing more than a common pan, some people may think that it’s not so difficult to create such a pan. To be honest, it’s not just a simple pan as usual, and it takes a lot of work. Now let me show you how great it is. Here we go!Maybe nobody will deny this: when baked in arectangular pan, cakes get easily overcooked at thecorners (and to a lesser extent at the edges).But neverwill this happen in a round pan. However, round pansare not the best in respects of saving finite space in anoven. How to solve this problem? This is the key pointthat our work focuses on.Up to now, as you know, there have been two factors determining the quality of apan -- the distribution of heat across the outer edge of and thespace occupied in an oven. Unfortunately, they cannot beachieved at the same time. Time calls for a perfect pan, andthen our Ultimate Brownie Pan comes into existence. TheUltimate Brownie Pan has an outstandingadvantage--optimizing a combination of the two conditions. As you can see, it’s so cute. And when you really begin to use it, you’ll find yourself really enjoy being with it. By using this kind of pan, you can use four pans in the meanwhile. That is to say you can bake more cakes at one time.So you can see that our Ultimate Brownie Pan will certainly be able to solve the two big problems disturbing so many people. And so it will! Feel good? So what are you waiting for? Own it now!。
2013年研究生数学建模优秀论文B8
第十届华为杯全国研究生数学建模竞赛
学
校
南京航空航天大学
10287030 1. 程 浩 军
参赛队号 队员姓名
2. 陈
3. 张顺根
-1-
参赛密码 （由组委会填写）
第十届华为杯全国研究生数学建模竞赛
题 目
功率放大器非线性特性及预失真建模
摘
要：
本文针对功率放大器非线性特性及预失真建模问题进行研究与分析，主要 完成以下几部分内容： 针对问题 1-A：分别建立了信号幅值多项式模型、复系数多项式模型、极 坐标 Saleh 模型和基于正交三角函数的模型来拟合功放的非线性特性曲线，通 过 MATLAB 求解系数的最小二乘解，并求出评价指标参数 NMSE。结果对比表明， 四阶复系数多项式模型在实现复杂度和拟合精度方面均具有优越性， 其 NMSE 为 -46.6621dB。 针对问题 1-B：首先在一定的约束条件下根据输入信号的幅值范围优化线性 放大倍数 g 。然后根据预失真处理系统的线性约束，将 1/ g 倍的功放输出数据
2
1.5
|y(n)|
1
无记忆功放的实测数据 无记忆功放的拟合数据
0.5
0
0
0.2
0.4
0.6 |x(n)|
0.8
1
1.2
1.4
图 1 非拟合测得的数据与拟合的结果直观比较图
模型 2：复系数多项式模型
G x n hk x n | x n |k 1
k 1
K
（4 ）
此多项式模型对应复输入复输出，根据 Wiener 模型可以得到该模型，该模 型与模型 1 具有相同的求解结果，我们只列出 K 4 的情况。 求得参数 hk 使之满足最小均方误差准则，即根据
2013年研究生数学建模优秀论文F5
第十届华为杯全国研究生数 10327016 1.李叶涵
参赛队号
队员姓名
2.李雨泽 3.王丹华
参赛密码 （由组委会填写）
第十届华为杯全国研究生数学建模竞赛
题 目： 中国城乡居民养老制度可持续性的精算研究
摘
要
本文针对中国养老保险基金问题，基于当前养老保险体制，建立中国城乡居 民养老保险基金收支模型， 对养老金缺口进行定量研究，并预测养老金缺口未来 趋势， 通过计算机仿真手段，测算了保证养老保险体系可持续性的替代率和缴费 率的最优区间，以及预测了相关政策措施的效果。 模型Ⅰ——中国城乡居民养老金收入-支出精算模型 依据中国现行养老保 险制度，在合理的假设下，分多个层次（基本养老金和企业年金） 、多个角度(城 镇和农村)，并考虑到新政策下“老人” 、 “中人” 、 “新人”的不同情况，构建具 有“多缴多得，长缴多得”特征的中国城乡居民养老金收入精算模型（2.12）和 中国城乡居民养老金收入精算模型（2.28） ，从而解决了问题一。 模型Ⅱ——养老金缺口预测模型 依据养老金缺口形成原因和现实情况，基 于修正后的模型Ⅰ，采用改进的 logistic 人口预测模型对参保在职人口的预测值 和相应数据，建立养老金缺口预测模型（3.3） ，预测出 2013 年至 2035 年的养老 金缺口值 （结果见表 3.1） ，以及目标期间内养老金缺口的最大值发生在 2030 年， 为 40.25 万亿元，并对预测结果的合理性进行分析；根据十八大提出的收入倍增
关键词：养老金收支模型；养老金缺口；系统仿真；可持续化；可调节变量
目
录
-
1 前 言.................................................................................................................. - 5 1.1 问题重述................................................................................................. - 5 1.2 知识储备................................................................................................. - 5 1.3 问题分析................................................................................................. - 6 1.4 模型假设................................................................................................. - 6 1.5 模型符号与说明...................................................................................... - 7 1.6 本文的架构设计..................................................................................... - 7 2 问题一的解答.................................................................................................... - 8 2.1 问题一的分析......................................................................................... - 8 2.2 模型的建立............................................................................................. - 9 2.2.1 我国城乡基本养老保险金动态收入宏观数学模型.................. - 9 2.2.2 我国城乡基本养老保险金动态支出宏观数学模型................ - 12 2.3 模型分析............................................................................................... - 16 3 问题二的解答................................................................................................ - 16 3.1 问题二的分析....................................................................................... - 16 3.2 模型的建立........................................................................................... - 16 3.2.1 logistic 人口预测模型........................................................... - 16 3.2.2 养老金缺口预测模型建立........................................................ - 17 3.3 实证分析................................................................................................ - 18 3.3.1 数据来源..................................................................................... - 18 3.3.2 实证结果..................................................................................... - 18 3.3.3 结果分析..................................................................................... - 20 3.3.4 模型改进..................................................................................... - 21 4 问题三的解答................................................................................................ - 21 4.1 问题的分析............................................................................................ - 21 4.2 国外养老保险制度分析比较............................................................... - 22 4.3 缴费率及替代率的系统仿真模型....................................................... - 24 4.3.1 模型建立..................................................................................... - 24 4.3.2 实证分析.................................................................................... - 25 4.3.3 结果分析.................................................................................... - 27 4.4 政策仿真评价模型............................................................................... - 27 4.4.1 模型实现..................................................................................... - 27 4.4.2 结果分析..................................................................................... - 27 5 问题四的解答................................................................................................ - 28 5.1 可调节变量综述................................................................................... - 28
2013年研究生数学建模优秀论文B5
z (t ) L( x(t )) g x (t ) （1.2） 式中常数 g 是功放的理想“幅度放大倍数” （ g >1） 。因此，若功放特性 G
已知，则预失真技术的核心是寻找预失真器的特性 F 足：
，使得它们复合后能满
（1.3） ，然后
(G F )( x (t )) L( x(t )) g x (t ) 如果测得功放的输入和输出信号值，就能拟合功放的特性函数 G
利用（1.3）式，可以求得 F
。
题目提供的数据为某两个功率放大器在无记忆和有记忆两种情况下的输入/ 输出（pa_in_out_memoryless.mat 和 pa_in_out_memory.mat） ，要求分别建立其非 线性特性的数学模型并用 NMSE 指标评价模型；再根据“输出幅度限制”和“功 率最大化”约束分别建立预失真模型将功放特性线性化，并用 NMSE/EVM 指标 评价模型；最后计算并画出输入信号、无预失真补偿的功率放大器输出信号、采 用预失真补偿的功率放大器输出信号这三类信号的功率谱密度图，并用 ACPR 衡量由于非线性效应所产生的新频率分量对邻道信号的影响程度。
-2-
线性相反的特性，从而使两个非线性系统的级联整体呈现为线性特性，其中预失 真器的特性函数与功放的特性函数模型相同，只是参数不同； 建立预失真模型时，需要考虑“输出幅度限制”和“功率最大化”约束，根 据题意分别理解为预失真处理的输出幅度最大值不大于所给出的功放输入幅度 最大值和功放的输入幅度需尽可能提高； 以加入预失真模型后的实测输出值与理想值之差平方和为目标误差函数， 综 合约束条件，得出理想幅度放大倍数 g，运用评价指标参数 NMSE/EVM 评价预 失真补偿的结果； 问题 2：给出的有记忆性功放（某一时刻输出不仅与此时刻输入有关，而且 与此前某一时间段的输入有关）的复输入/输出数据，也可以用多项式进行拟合， 但要增加记忆效应，并简化为记忆多项式模型进行建模，通过评价指标参数 NMSE 评价模型的准确度； 记忆性预失真模型与功放模型相同，画出预失真处理模型的框图，采用间接 训练结构用 LS 多项式自适应的算法，计算出模型相关参数； 运用评价指标参数 NMSE/EVM 评价预失真补偿的结果； 问题 3：通过不同的算法（周期图法和最大熵法）画功率谱密度，根据图形 判断算法在精度和平滑程度上的好坏，使用好的算法模型画出输入信号、无预失 真补偿的功率放大器输出信号、 采用预失真补偿的功率放大器输出信号这三个信 号的功率谱密度图，并根据题目所给的采样频率、传输信道和邻信道宽度求取相 邻信道功率比 ACPR，计算过程中的积分采用矩形法建模。
2013年 深圳杯 数学建模 C题论文
答卷编号（参赛学校填写）：答卷编号（竞赛组委会填写）：论文题目：（标明A、B、C、D之一）C 垃圾减量分类活动中社会及个体因素的量化分析组别：(填写研究生、本科生、专科生或中学生)本科生参赛队员信息(必填)：参赛学校：黑龙江工程学院答卷编号（参赛学校填写）：答卷编号（竞赛组委会填写）：评阅情况（学校评阅专家填写）：学校评阅1.学校评阅2.学校评阅3.评阅情况（联赛评阅专家填写）：联赛评阅1.联赛评阅2.联赛评阅3.垃圾减量分类活动中社会及个体因素的量化分析摘要随着社会的不断发展，垃圾的数量越来越多，面对这一令人头疼的问题，为了更好地保护环境，我们应尽量减少垃圾并对已有的垃圾及时分类整理再循环利用。
目前，深圳是正在进行垃圾减量分类试点工作，通过天景花园和阳光家园减量分类工作的经验，两个小区分别采用个各自的方法对垃圾进行减量分类，效果显著，说明采用正确的做法对控制垃圾的量是有效果的。
通过对实际情况的规范性作出合理的假设，结合现有的处理垃圾理论，对比我们建立一个对垃圾减量过程的层次分析模型，并对数据进行分析、总结、对比、设立参数，较方便的描述了天景花园和阳光家园减量分类过程并反应了社会因素和个体因素对垃圾总量的影响。
针对所有问题①通过分析比较，用层次分析模型描述深圳天景花园和阳光家园垃圾减量分类过程，用假定的参数描述了社会因素和个体因素，较为合理。
②通过统计回归模型，利用MATLAB统计工具箱中的命令，得到回归系数及其方程，由此来计算两试点小区垃圾数量问题的相关性以及进行垃圾减量分类效果分析，得出深圳市未来5年推进减量分类工作关键措施及其得到的结果。
关键词减量分类量化分析回收利用问题重述垃圾减量分类活动是社会通过教育、督导、激励等措施影响个人及家庭的垃圾产生动因（个体因素），最终减少垃圾总量并分类回收良性结果的控制过程。
（1）构建一个量化模型描述深圳天景花园、阳光家园分类过程。
（2）分析小区内四组垃圾组分本身的数量存在什么样的相关性。
2013年研究生数学建模优秀论文B9
目录
1.问题重述................................................................................................................ - 1 2.基本假设与符号约定............................................................................................ - 2 2.1 基本假设 ..........................................................................................................- 2 2.2 符号约定 ..........................................................................................................- 2 3.问题 1 无记忆功放................................................................................................ - 3 3.1 问题分析 ..........................................................................................................- 3 3.2 模型建立及求解 ..............................................................................................- 3 3.2.1 数据分析及处理....................................................................................... - 3 3.2.2 建立功放非线性数学模型....................................................................... - 4 3.2.3 预失真约束条件综合分析....................................................................... - 4 3.2.4 基于 LMS 自适应算法的预失真模型 .................................................... - 5 3.2.5 仿真结果................................................................................................... - 6 3.2.6 LMS 算法的改进 ..................................................................................... - 7 4.问题 2 有记忆功放.............................................................................................. - 10 4.1 问题分析 ........................................................................................................- 10 4.2 模型建立与求解 ............................................................................................- 10 4.2.1 记忆功放非线性特性模型求解与评价................................................. - 10 4.2.2 预失真模型求解与评价......................................................................... - 12 5.问题 3 拓展研究.................................................................................................. - 17 5.1 相邻信道功率比 ACPR.................................................................................- 17 模型总结与展望..................................................................................................... - 18 参考文献................................................................................................................. - 19 -
2013年全国研究生数学建模竞赛B题论文
参赛密码（由组委会填写）第十届华为杯全国研究生数学建模竞赛学校南京邮电大学参赛队号10293015队员姓名1.仲伟奇2.卢诗尧3.江爱珍参赛密码（由组委会填写）第十届华为杯全国研究生数学建模竞赛题 目 功率放大器非线性特性及预失真建模摘 要：本文根据函数逼近Weierstrass 定理对功放的非线性特性建立多项式数学模型。
对于无记忆功放，直接用matlab 中polyfit 函数或矩阵运算求解，用NMSE 值来评价不同阶数所得的多项式模型，最终将多项式模型的阶数定为4，此时47.13NMS dB E -=，系数详见4.1.3；根据线性原则和两个约束条件建立预失真的多项式模型，采用查表法求得预失真器的输入和输出，建立目标误差函数21ˆmin |()()|Nn GE z n z n ==-∑，用polyfit 函数或矩阵运算求解，最终根据GE 值最小确定多项式阶数为12, 此时-50.877B NMSE d =，系数详见4.2.3。
对于有记忆功放，在无记忆的基础上建立模型，增加延迟项来表征记忆效应，通过矩阵运算求解，然后用NMSE 值评估确定记忆效应多项式阶数为4，记忆深度为3，此时44.3839NMSE dB =-，系数详见4.3.3；根据功放的非线性模型，，建立预失真器的有记忆效应多项式模型，利用功放的输入输出数据间接得到预失真器的输入输出，再用矩阵运算，用NMSE 值来评估确定阶数为4，记忆深度为3，系数详见4.4.3，此时19.0058NMSE dB =-。
运用自相关函数和功率谱密度是一对傅里叶变换对的性质，对自相关函数作傅里叶变换求得功率谱密度，分析得出传输信道范围，最终得出输入信号、有无预失真补偿三类信号的A C P R 值分别为47.1212dB-，37.4586dB -，38.7557dB -，得出预失真补偿后的ACPR 值要比补偿前要小。
关键词：数据拟合 查表法 NMSE/EVM 评价 矩阵运算 多项式模型功率放大器非线性特性及预失真建模一问题重述1.1 问题引入信号的功率放大是电子通信系统的关键功能之一，其实现模块称为功率放大器（PA，Power Amplifier），简称功放。
研究生数学建模竞赛优秀论文
题 目
基于临床与基因图谱的结肠癌基因标签提取
摘
要
由于基因间的调控和相互作用表现为“功能基因组合”形式，基因的功能与 作用是集体作用的结果，而非单个基因单独作用的结果，表现在分类特征对样本 的分类能力方面就是以特征集合的形式整体体现出来的。根据这个生物学知识， 本文考察由多个基因构成的基因簇作为区分正常人和癌症患者的分类因素， 利用 独立成分分析(ICA)技术对已给出的基因表达采样数据进行分析，最大程度地降 低基因之间强烈的相互影响， 从而获得对判断是否患有肿瘤或者癌症的最有直接 关系但数目较少的潜在因素， 即基因簇信息。 随后， 我们采用了支持向量机(SVM) 依据提取出的潜在因素 （基因簇） 进行分类， 筛选出致病的癌症基因15个。 另外， 我们还运用基于灵敏度的支持向量机对基因本身进行分类，而不是基于基因簇。 利用得到的结果与基于独立成分分析的方法所提取的基因提供比较。 发现所筛选 的基因簇中有三个基因与灵敏度支持向量机方法筛选的基因相同。 对预处理过后的1908个基因，通过独立成分分析提取出61个基因簇，这些基 因簇中含有与分类无关的基因簇，即噪声，以及与分类相关的分类因素5个。事 实上，为了能够得到最好的分类因素，我们将问题转化为一类信号稀疏表示的优 化问题。此外，为了进一步进行基因分类，我们利用含噪声的ICA和带松弛因子 的非光滑优化模型研究带有噪声的基因图谱信息。 通过含噪声模型与不含噪声模 型进行对比，说明含噪模型的优势。 最后，借助于条件概率模型，对病人数据进行了筛选，将临床结论与基因图 谱相结合，通过已有文献以及生物信息网站所获取资料发现，所筛选的大部分基 因标签与当今临床医学所得到的直肠癌研究结论相吻合。
2
强度值均为 1000，而在另外一种实验条件下的强度值分别为 100 和 10000。如果 从对照与实验的绝对值来看，一个基因表达的变化远远大于另一基因，即 但是， 从生物学的角度出发， 两个基因变化的是相等的， 10000-1000>>1000-100 。 都是 10 倍的变化。用对数转换可以消除这种由两个相对变化间的不成比例所引 起的误导。例如，对数据进行以 10 为底的对数变换，则 lg100 2 lg1000 3 lg10000 4 可以看出，基因的变化是相等的，只是方向不同，一个增大，另一个减小。对数 变换减弱了数据的平均值和方差，使得表达的变化独立于其产生的强度位置，从 而使得低强度值与高强度值发生的倍数变化具有可比性。 另外，对数变换使得数据的分布具有对称性和接近正态分布性质，而一些常 用的统计方法，如 t 检验、F 检验等方法都要求数据满足正态分布或近似正态分 布。由于本问题中所提供的数据已经是对数形式的，所以可以忽略这一步。 （二） 重复数据的合并 重复的测量可以用于估计实验中的噪声，比较不同处理组间和处理组内的 变异。然而，在特定的条件下把所有的重复值合并成一个数值可能更为方便，而 这一个值就是给定基因（条件）的代表。根据不同的情况，这些重复测量可能是 同一芯片上的重复点，或是同一基因在不同芯片上的测量值。通常的合并是指计 算这些重复值的集中趋势指标，如均数、中位数或众数。 （三）数据归一化 系统误差使得采集到的数据可能含有奇异样本数据， 所谓奇异样本数据指的 是相对于其他输入样本特别大或特别小的样本矢量。 奇异样本数据的存在会影响 特征基因的提取。所以，在数据预处理部分，需要对原始数据进行归一化。归一 化的具体作用就是归纳统一样本的统计分布性。 归一化在 0~1 之间是统计的概率 分布，归一化在-1~+1 之间是统计的坐标分布。例如规整原数据到 0,1 内，这样 可以降低奇异样本数据对整体的误差影响， 从而更加有效地提取特征基因。 另外， 数据归一化对于独立分量分析（ICA） 、支持向量机（SVM）数据处理也是有帮 助的。 首先，根据附件的文件说明，我们需要对 project_data.txt 里的数据进行以下 预处理： 1. 在project_data.txt数据文件中，第二列为UMGAP，HSAC07 或者i的数据 是和RNA控制相关的，对下面所做的工作没有关系，为冗余数据，所以需要把 这些数据去除。 2. 基因芯片探针探测到的序列表明了基因的表达水平，有些数据可能是同 一基因探针的重复点，也有可能是同一基因在不同基因探针上的探测值。因而， 对于project_data.txt中基因相同的序列，需消除重复表示，采用了类均值算法， 对其进行取平均或取中值处理，给出特定基因的唯一表达数据。 以上两步的数据预处理可以保证： 处理后的数据较真实地反映了不同基因的 不同表达水平。 通过以上的预处理，原基因数据从2000个基因减少到了1908个。实验表明， 1908个基因数据为可靠性较高的数据。 其次，进行数据归一化处理。采用的归一化映射为：
2013深圳杯数学建模C题获奖论文
一、问题的重述与分析1.1问题重述城市生活垃圾的数量与多种因素息息相关。
随着社会的发展，城市生活垃圾的处理正在成为一个挑战性的难题。
仅靠填埋、焚烧等技术不能持久地解决问题，因此，深圳市针对自身特点提出从源头对垃圾进行减量分类收集的治理方案。
但目前对这一控制过程的研究改良主要依靠的还是经验总结型的定性分析，主要原因是缺少描述“社会因素”和“个体因素”及其相互作用的量化模型，难以开展具有一定精度的量化分析工作。
根据附件给出的研究实践资料，解决以下问题：1、分析附件有关资料并结合经历和生活观察，考虑各项教育、督导、激励措施对居民家庭垃圾减量分类结果的影响，构建量化模型描述深圳天景花园、阳光家园垃圾减量分类过程，模型应能以量化参数描述社会因素（如各项教育、督导、激励措施等）以及个体因素（如家庭收入水平、家庭结构、户籍类型、生活习惯等），并在后续的进一步研究过程中通过调整相关参数来修正模型。
2、基于构建的减量分类模型，试分析试点小区四类垃圾组分本身的数量存在什么样的相关性？各项激励措施与减量分类效果存在什么相关性？原因是什么？3、根据构建减量分类模型的研究结果，探究在深圳现有垃圾减量分类督导过程中，目前统计的基础数据分项及颗粒度是否足够？应该在哪些数据的获取中投放更多的成本和精力？在减量分类模式大面积推广时，如何设置少量抽样数据来检测一定区域内减量分类工作的效果？4、基于构建的减量分类模型，指出深圳未来5年推进减量分类工作关键措施，并预测措施实施的最好与最坏结果。
请根据以上分析和结论，向深圳市政府提供一份建议书，建议政府加强垃圾分类的推力度并增加与垃圾分类宣传推广的投入。
1.2问题分析第一问要求根据实践经验及参考的研究资料，建立以量化参数：社会因素（如各项教育、督导、激励措施等）以及个体因素（如家庭收入水平、家庭结构、户籍类型、生活习惯等）描述天景花园及阳光花园垃圾的减量分类过程的量化模型。
本文通过三个指标：深圳市处理每吨生活垃圾产生的经济效益、每吨垃圾的减量化效果及深圳市的每日人均垃圾量来描述居民垃圾的减量分类效果。
2013年研究生数学建模竞赛优秀论文选-《中国城乡居民养老保险可持续发展体系研究》4-51
参赛密码（由组委会填写）第十届华为杯全国研究生数学建模竞赛学校参赛队号参赛密码（由组委会填写）第十届华为杯全国研究生数学建模竞赛题目中国城乡居民养老保险可持续发展体系研究摘要：本文以我国现阶段的城乡社会养老保障体系以依托，建立了相关数学模型，并对养老金的缺口问题进行了深入研究，提出了一套适合我国国情的养老金制度调整方案，以保证其未来发展的可持续性。
首先，基于保险精算原理，测算我国未来几年各个年龄段的男女人口数量，并针对城镇和农村，分别建立了养老金的收入和支出模型。
在城镇方面，从国家财政补贴层次、基本养老保险层次和企业年金层次全面分析我国现行的养老金制度，并对基本养老保险层次进行了重点探索，不仅从“老人”和“中人、新人”的角度分别提出了相应的收支模型，还预测了 2012—2035 年我国城镇养老保险基金收支总额，明确了其未来的发展趋势。
而在企业年金给付模型中，建立了待遇确定型模型和缴费确定型模型。
在农村方面，对不同年龄段及不同缴付水平下的养老金替代率进行了详尽的测算，并从两个维度体现了国家“多缴多得，长缴多得”的政策。
其次，以本文测算的养老金收支情况为依据，对养老金缺口进行预测。
在城镇方面，除了考虑收支差异，还引入了转轨成本，使模型更符合中国国情。
最终测算得出：城镇的养老金缺口从 2012—2018 年呈现递减趋势，2019—2035 年以年均 40.67%的速度递增，到2035 年缺口已经达到 772553 亿元。
而在农村方面，到 2035 年，养老金缺口将达到639842.55 亿元。
此外，本文以城镇的养老金制度为例，运用 R 软件对不同模型参数下的养老金缺口进行了模拟，得出了能够保证我国养老保险体系可持续性的男性替代率区间为（49.48%，56.48%），女性替代率区间为（40.02%，45.02%），缴费率区间为（41.84%，44.34%）。
当国家偿付危机即将来临之前适当地降低男性替代率，女性替代率和工资调整系数，适时地提高一定比例地缴费率，可使得国家平稳度过危险期。
2013年研究生数学建模优秀论文D3
4)
当 0<|r|<1 时，表示两变量存在一定程度的线性相关。且|r|越接近 1，两 变量间线性关系越密切；|r|越接近于 0，表示两变量的线性相关越弱。 一般可按三级划分： A. |r|<0.4 为低度线性相关； B. 0.4≤|r|<0.7 为显著性相关；
C.
0.7≤|r|<1 为高度线性相关。
参赛密码 （由组委会填写）
第十届华为杯全国研究生数学建模竞赛
学
校 国防科学技术大学
参赛队号 90002047 1. 刘天 队员姓名 2. 刘瑛 3. 钟杰
参赛密码 （由组委会填写）
第十届华为杯全国研究生数学建模竞赛
题 目 PM2.5 演变评估模型及治理方案研究
摘
要：
本文针对日益严重的 PM2.5 大气污染问题，基于现有数据与相关研究，采 用相关分析、逐步回归和有限元等方法，对 AQI 指标之间的相关性进行了定量 分析，针对 PM2.5 成因、时空分布、演变规律和应急处理建立了数学模型，结 合气象理论知识， 进行了计算结果的定性与定量分析，并以武汉市为例给出了合 理的 PM2.5 五年治理方案。 问题一：基于武汉与西安市现有的空气质量监测 AQI 指标数据，应用相关 分析，分别求得两城市的 6 个 AQI 主要指标的相关矩阵，对两组数据中 PM2.5 与另 5 个 AQI 指标的相关性进行了定性与定量分析， 得出了一致的结论， 即 PM2.5 与另 5 个主要指标具有相关性，并与 SO2、NO2、PM10 及 CO 显著线性相关（相 关系数均明显大于 0.7）。 问题二：首先应用回归分析方法，针对 2013 年仅有的 AQI 完整数据，完成 了 PM2.5 关于 API 中前 3 个指标数据的二次模型拟合，拟合统计量表明该拟合 是高度显著的。并基于大量 API 历史数据，计算每组 API 数据对应的 PM2.5 估 算值。而后，利用 PM2.5 实测数据分析 PM2.5 浓度的时空分布特征，进而结合 环境保护部新修订《环境空气质量标准》 ，对该地区分区进行了污染评估。综合 多种气象因素， 基于多元回归建立关于 PM2.5 演变规律的数学模型。 结果表明， 模型估计值与实测数据差值较小，模型参数与实际情况基本一致，验证了模型的 合理性和有效性。针对浓度扩散问题，本文在适当简化实际问题的基础上，建立 了描述 PM2.5 浓度扩散现象的偏微分方程，通过采用商用有限元软件 Comsol Multiphysics，建立了针对该问题的扩散预测与评估计算平台，并对 PM2.5 扩散 现象进行了分析研究，得到了浓度突增等突发事件对 PM2.5 分布影响的几个重
2013年全国数学建模B题一等奖论文
（由由由由由由）第十届华为杯全国研究生数学建模竞参学校南京师范大学参参队号103190031.佟德宇队员姓名2.顾燕3.贾泽慧(由由由由由由)第十届华为杯全国研究生数学建模竞参题 目 功率放大器非线性特性及预失真建模摘 要针对问题一中求解输入输出信号之间的非线性功放特性函数问题, 采用了不同的多项式函数, 运用最小二乘法或正则化后的最小二乘法进行拟合求解. 并用参数NMSE 来评价所建模型的准确度. 结果发现在逼近函数选为函数基的情况下, 采用正则化后的最小二乘法得出的模型准确度最好, 其对应的参数NMSE=-68.6294.同时考虑计算量和模型准确度, 在由多项式变形函数逼近功放的模型基础上, 来进行预失真模型的建立. 根据题中给出的原则和约束, 可知预失真模型的表达式与功放模型的表达式是类似的, 从而可建立相应的预失真模型.：-11()()()K k k k z t h x t x t ==∑K=4时, 整体模型的放大倍数g=1.8693, 参数NMSE=-32.5819, EVM=2.3491; K=5时, g=1.8473, 参数NMSE=-37.1398, EVM=1.3900; K=7时, g=1.8326, 参数NMSE=-46.0624, EVM=0.4976.针对问题二, 直接将功放的输入输出与题目中所提的“和记忆多项式”模型进行拟合, 运用正则化后的最小二乘法进行求解, 这很好的保证了模型的可解性. 本题只考虑功放模型次数为5的情形. 当记忆深度为7时, 得NMSE=-45.8394; 当记忆深度为3时, 得NMSE=-44.5315. 预失真模型的建立与问题一类似, 文中以框图的方式建立了预失真处理的模型实现示意图, 并对次数为5、记忆深度为3的情形, 求解出整体模型的放大倍数g=9.4908, 参数NMSE=-37.8368, EVM=0.0128.针对问题三, 将所给的离散的、有限的输入输出数据作为随机过程的样本函数,通过其傅立叶变换得到功率谱参度函数. 文中分别给出了输入信号、无预失真补偿的功率放大器输出信号、采用预失真补偿的功率放大器输出信号的功率谱参度图形. 可解出它们的ACPR 分别为-155.6610、-74.3340、-104.4904, 最后对结果进行分析评价, 得出采用预失真补偿的功率放大器的输出信号效果比无预失真补偿的效果好. 关键字：最小二乘法、Tikhonov正则化、Fourier变换一、问题重述信号的功率放大是电子通信系统的关键功能之一, 其实现模块称为功率放大器( PA, Power Amplifier), 简称功放. 功放的输出信号相对于输入信号可能产生非线性变形, 这将带来无益的干扰信号, 影响信信息的正确传递和接收, 此现象称为非线性失真.功放非线性属于有源电子器件的固有特性, 研究其机理并采取措施改善, 具有重要意义. 目前已经提出了各种技术来克服功放的非线性失真, 其中预失真技术是被研究的较多的一项技术, 其最新的研究成果已经被运用于实际的产品中, 但在新算法、实现复杂度、计算速度、效果精度等方面仍有相当的研究价值.预失真的基本原理是：在功放前设置一个预失真处理模块, 这两个模块的合成总效果使整体输入-输出特性线性化, 输出功率得到充分利用.文中给出了NMSE 、EVM 等参数评价所建模型其准确度, 以及ACPR 表示信道的带外失真的参数.根据数据文件中给出的某功放无记忆效应、有记忆效应的复输入输出测试数据：(1)我们建立此功放的非线性数学模型()G ⋅, 并用NMSE 来评价所建模型的准确度.(2)根据线性化原则以及“输出幅度限制”和“功率最大化”约束, 计算线性化后最大可能的幅度放大倍数, 建立预失真模型. 并运用评价指标参数NMSE/EVM 评价预失真补偿的计算结果.(3)应用问题二中所给的数据, 计算功放预失真补偿前后的功率谱参度(输入信号、无预失真补偿的功率放大器输出信号、采用预失真补偿的功率放大器输出信号), 并用图形的方式表示了这三类信号的功率谱参度. 最后用相邻信道功率比ACPR 对结果进行分析.二、模型假设1、假设题中所给的功放输入输出数据采样误差为0.2、假设题中所给的功放输入输出数据具有代表性、一般性.3、假设存在这样的预失真处理器, 能够做到将输入数据变为模型求解所得的预失真 处理输出结果.三、基本知识§3.1 最小二乘方法最小二乘方法[][]12产生于数据拟合问题, 它是一种基于观测数据与模型数据之间的差的平方和最小来估计数学模型中参数的方法. 输入数据t 与输出数据y 之间大致服从如下函数关系(,)y x t φ=,式中n x R ∈为待定参数. 为估计参数x 的值, 要先经过多次试验取得观测数据1122(,),(,),,(,)m m t y t y t y , 然后基于模型输出值和实际观测值的误差平方和21((,))m i ii y x t φ=−∑最小来求参数x 的值, 这就是最小二乘问题. 一般地, m n .引入函数()(,), 1,2,,i i i r x y x t i m φ=−= ,并记12()((), (), , ())m r x r x r x r x = ,则最小二乘问题即为n min ()()T x Rr x r x ∈. 如果最小二乘问题中的模型函数估计准确, 那么最小二乘问题的最优值是很靠近零的. 因此()r x 常称作残量函数.对于线性最小二乘问题, 残量函数可以表示为()r x b Ax =−,从而线性最小二乘问题可以表示为2min n x R b Ax ∈−. (3.1.1) 若A 是列满秩的, 且考虑到二次凸函数的稳定点即为最小值点, 可以直接得到x 的求解公式, 即()1T T x A A A b −=. (3.1.2) 而对于复数域上的线性最小二乘问题n 2min x C b Ax ∈−, 也可以直接得到x 的求解公式, 即为()-1T x A A A b =, (3.1.3) 其中, T A 表示A 的共轭转置.§3.2 Tikhonov 正则化在使用最小二乘方法进行参数估计的时候, 由于A 不一定是列满秩的, 故T A A 不一定是可逆的, 此时就不能够用上面所推得的公式进行直接的求解了. 为了克服这个困难,考虑Tikhonov 正则化[]3方法, 即给目标函数加上一个正则项(即一个邻近项)2k k x x λ−.此时, 最小二乘问题转化为n 221min +k k k x C x b Ax x x λ+∈=−−.其中k x 是第k 步迭代得到的解, k λ可以选为一个常数或一个单调下降趋于0的数列. 迭代的终止准则为1k k x x ε+−≤,其中ε是一个给定的误差上界.考虑到二次凸函数的稳定点即为最小值点, 这时问题22min n k k x C b Ax x x λ∈−+− 是可以直接求解的, 给出x 的求解公式为()()1T k k k x A A I A b x λλ−=++.显然, 此时即使A 非列满秩, 问题也是可以求解的.四、问题分析问题一题中已给出了某功放无记忆效应的复输入输出测试数据, 现需要建立此功放的非线性特性数学模型, 拟合出功放的特性函数()G⋅. 根据函数逼近理论, 功放的特性函数可以用多项式来表示, 也可以用空间中的一由正交函数基来表示. 然后采用最小二乘法或正则化后的最小二乘法, 将这些情况都进行求解, 得出功放的特性函数()G⋅. 并在最后用参数NMSE(归一化均方误差)来评价所建模型的准确度.接着, 在前面所建模型的基础上, 选择一个计算量适当, 且准确度较好的()G⋅的一个拟合模型. 然后根据线性化原则以及“输出幅度限制”和“功率最大化”约束, 建立预失真模型, 使得整体模型线性化后放大倍数尽可能的大. 通过对优化模型的分析可知, 对预失真特性函数()F⋅的求解可以转化为对1Gg−⎛⎞⎜⎟⎝⎠的求解, 且预失真模型的表达式与功放模型的表达式是类似的. 在求解1Gg−⎛⎞⎜⎟⎝⎠时, 可以对求解所用模型的次数进行不同的选取,分别得出整体模型的g和NMSE、EVM的值, 用来评价预失真补偿的结果.问题二题中已给出了某功放有记忆效应的复输入输出测试数据, 现需要建立此功放的非线性特性数学模型, 拟合出功放的特性函数()G⋅. 根据函数逼近理论, 本文直接将功放的输入输出与题目中所提的“和记忆多项式”模型来进行拟合, 在使用最小二乘方法求解时, 我们对目标函数加了一个正则项, 以保证求解的可实现性.预失真处理器模型的建立与问题一类似, 且给出了以框图的方式建立的预失真处理的模型实现示意图.问题三问题二中所给的输入输出数据是离散的、有限的, 在这种情况下计算功率谱参度的函数可以用自相关函数法或对随机过程{}()x t的样本函数作傅立叶变换得到, 文中采取第二种方法来求解.五、模型建立与求解§5.1 问题一的模型与求解§5.1.1 无记忆功放的特性函数()G⋅模型建立文章中已给出某功放无记忆效应的复输入输出测试数据, 这些数据是对功放输入)(tx/输出)(t z进行离散采样后得到的, 它们的值为分别为()x n/()z n(采样过程符合Nyquist采样定理要求).对于问题一, 根据文章中所给的某功放无记忆效应的复输入输出测试数据, 首先需要建立此功放的非线性特性数学模型, 拟合出功放的特性函数()G⋅. 根据函数逼近理论,可以采用1、多项式的形式2、多项式的变形的形式3、空间中的一由正交函数基的线性由合来表示4、正则化下, 空间中的一由正交函数基的线性由合来表示下面将这些情况都进行建模, 来拟合功放的特性函数()G ⋅, 并在最后进行比较选择优者.所求得的模型的数值计算结果业界常用NMSE 、EVM 等参数评价其准确度, NMSE 的具体定义如下. 采用归一化均方误差 (Normalized Mean Square Error, NMSE) 来表征计算精度, 其表达式为211021ˆ|()()|NMSE 10log |()|N n N n z n z n z n ==−=∑∑ . (5.1.1) 如果用z 表示实际信号值, ˆz表示通过模型计算的信号值, NMSE 就反映了模型与实际模块的接近程度. 显然NMSE 的值越小, 模型的数值计算结果就越准确.误差矢量幅度 (Error Vector Magnitude, EVM)定义为误差矢量信号平均功率的均方根和参照信号平均功率的均方根的比值, 以百分数形式表示. 如果用X 表示理想的信号输出值, e 表示理想输出与整体模型输出信号的误差, 可用EVM 衡量整体模型对信号的幅度失真程度:EVM 100%= . (5.1.2)模型一 多项式的形式首先根据函数逼近的Weierstrass 定理, 对解析函数采用简单的多项式来表示, 可表示为∑==Kk k k t x h t z 1)()(. (5.1.3)因为此时是要将观测数据与形式已经固定的函数(5.1.3)进行拟合, 而目的是求解该函数的各项系数, 所以该问题其实就是最简单的线性最小二乘问题.模型建立()n 211min ()N K k k h C n k z n h x n ∈==−∑∑, (5.1.4) 其中, ()x n 和()z n 为文章中所给的输入和输出测试数据, 这些数据是对功放输入()x t 、输出()z t 进行离散采样后得到的(采样过程符合Nyquist 采样定理要求),N 为功放输入输出数据的总个数.将问题(5.1.4)与( 3.1.1)进行对应, 由( 3.1.3)可以直接得到系数的表达式为()-1T h A A A z = 其中232323 (1) (1) (1) (1) (2) (2) (2) (2) () () () ()K K K x x x x x x x x A x N x N x N x N ⎡⎤…⎢⎥…⎢⎥=⎢⎥⎢⎥⎢…⎥⎣⎦, ()12,,,TK h h h h =…, ()()()()1,2,,Tz z z z N =….结果当3K =时, (见附录2.1.1)该表达式中的系数为123 2.908532278399690.060653883258900.213775998314930.43417026083854 0.198185637666730.27826757408010h ih i h i=−=−=+.根据模型一以及(5.1.1)式, 可以求出NMSE 的值如下：()NMSE 13.4414169873254 3k =−=.当5k =时, (见附录2.1.2 )表达式中的系数为12345 2.908037719327826 - 0.063527494375989i0.343519806629302 - 0.388942747664566i0.541211413428411 - 0.144422960285135i -0.399744749427209 - 0.558463329513045i-0.271952185146638 + 0.1205591h h h h h =====40060622i根据模型一以及(5.1.1)式, 可以求出NMSE 的值如下：()NMSE -21.544782705381238 5k ==.模型二 多项式的变形同时我们也考虑了多项式变形[]4的情形来对其进行表示, 其表示式为-11()()()K k k k z t h x t x t ==∑. (5.1.5)因为此时是要将观测数据与形式已经固定的函数(5.1.5)进行拟合, 而目的是求解该函数的各项系数, 所以该问题其实就是最简单的线性最小二乘问题.模型建立()n 2-111min ()()N K k k h C n k z n h x n x n ∈==−∑∑ (5.1.6)其中N 为所给功放输入输出数据的总个数, K 为表达式的次数. 将问题(5.1.6)与(3.1.1)进行对应, 由(3.1.3)可以直接得到系数的表达式为()-1T h A A A z = 其中212121(1) (1)(1) (1)(1) (1)(1)(2) (2)(2) (2)(2) (2)(2) () ()() ()() ()()K K K x x x x x x x x x x x x x x A x N x N x N x N x N x N x N −−−⎡⎤…⎢⎥⎢⎥…=⎢⎥⎢⎥⎢⎥…⎢⎥⎣⎦,()123,,,,TK h h h h h =…, ()()()()()1,2,3,,Tz z z z z N =…. 分别考虑当3k =, 5k =时, 该表达式的具体形式(即确定表达式的系数).结果当3k =时, (见附录2.1.3 )表达式中的系数为123 3.051183005392040.00000000000001 0.006071903393980.00000000000005 1.170159412626470.00000000000004h ih i h i=−=+=−−.根据上面所建立的模型以及(5.1.1)式, 可以求出NMSE 的值如下：()NMSE 29.7446547565428 3k =−=.当5k =时, (见附录2.1.4 )表达式中的系数为12345 2.967983597251020.00000000000080 0.309931644197600.00000000000873 0.153664636905190.00000000002804 3.424500445954250.00000000003458 2.208212395486470.00000000001446h ih ih i h ih i=−=+=−−=−+=−.根据上面所建立的模型以及(5.1.1)式, 可以求出NMSE 的值如下：()NMSE 45.379717608769994 5k =−=模型三 空间中的一由正交函数基的线性由合最后根据函数逼近理论, 可采用空间中的一由正交函数基[]4的线性由合来表示该特性函数(参考文献3中的方法), 其表达式为()z t h =Ψ, (5.1.7)其中正交矩阵12[() () ()]k x x x ψψψΨ= ,11()!()(1)(1)!(1)!()!kl l k k l k l x x x l l k l ψ−+=+=−−+−∑. 因为此时是要将观测数据与形式已经固定的函数(5.1.7)进行拟合, 而目的是求解该函数的各项系数, 所以该问题其实就是最简单的线性最小二乘问题.模型建立 n 2min h C z h ∈−Ψ (5.1.8) 其中()123,,,,TK h h h h h =…, ()()()()()1,2,3,,T z z z z z N =…, ()()()12[() ()()]k x n x n x n ψψψΨ= ,()()()11()!()(1)(1)!(1)!()!k l l kk l k l x n x n x n l l k l ψ−+=+=−−+−∑, N 为功放的输入输出数据的总个数. 将问题(5.1.8)与(3.1.1)进行对应, 由(3.1.3)可以直接得到系数的表达式为 ()-1T T h z =ΨΨΨ. 由于计算量较大, 我们选取7=k 来进行拟合, 得出表达式中的系数.结果(见附录2.1.5)当7=k 时, 表达式中的系数为12345 3.287412936081622-7.322701472967097-015-0.091488124421954-2.16460963736731-015-0.066219774105875 5.035305939565804-0160.038056322596937 2.726632938529483-0160.01014165858755-1.2h e ih e ih e ih e i h ===+=+=6758894247527231-016-0.005283612035716-2.653720342429833-016-0.001265433154276-1.923256069376669-016e ih e ih e i==.根据上面所建立的模型以及(5.1.1)式, 可以求出NMSE 的值如下：()NMSE -60.5675309366592 7k ==模型四 模型三正则化模型建立对于模型三, 由于所给的数据较多, 很难避免本文3.2节中所提到的T ΨΨ奇异的情况, 故对(5.1.8)再进行一个Tikhonov 正则化. 即对(5.1.8)加一个正则项2k k h h λ−.问题转变为()1221min K M k k k h C h z h h h λ⋅×+∈=−Ψ+−. (5.1.9) 其中k h 是第k 步迭代得到的解(计算机运行求解时是要给其赋一个初始值的), 而k λ可以选为一个常数或一个单调下降趋于0的数列. 而迭代的终止准则为1k k h h ε+−≤,其中ε是一个给定的误差上界.考虑到二次凸函数的稳定点即为最小值点, 问题(5.1.9)是可以直接求解的, 得到h 的求解公式为()()()1T Tk k k h I z n h λλ−=ΨΨ+Ψ+. (5.1.10)此处, 我们仍选取7=k 来进行拟合, 其中一些参数选取为800111, 1, 0.8, 10k k h i λλλε−+=+===.则可得出表达式(5.1.7)中的系数.结果(见附录2.1.6)123456 3.2873994140515280.000008426827987-0.0914922453118830.000002568107767-0.066218825186175-0.000000591359660.038056824724197-0.0000003129219510.010141412616440.000000153287355-0h ih ih ih i h ih =+=+===+=7.0052839775157310.000000227764411-0.0012655686759970.000000084456122ih i+=+根据上面所建立的模型以及(5.1.1)式, 可以求出NMSE 的值如下：()NMSE -68.6293523598994 7k ==模型一~模型四的总评价对四种模型下参数NMSE 的大小进行比较发现, 当选用一由正交函数基, 并运用正则化后的最小二乘方法来对功放特性函数进行拟合时(即模型四), NMSE 的值是最小的. 也就是说2121ˆ|()()||()|Nn Nn z n zn z n ==−∑∑在模型四下是最靠近0的, 故模型四是逼近效果最好的.但模型四的计算复杂度是很大, 由所得的NMSE 参数可发现模型二的计算精度也是不错的, 但其计算的复杂度比模型四要小很多, 故选择模型二来求解功放特性函数. 且在下面的无记忆功放模型的预失真处理建模中, 功放特性函数是由模型二得出的.§5.1.2四种模型的输入输出幅度比较图与评价下面将实际的与拟合的复输入输出幅度值进行作图, 以便更直观的看出模型的逼近效果.图5.1 模型一k=3实际与拟合功放输入/输出幅度散点图 图5.1模型一k=5实际与拟合功放输入/输出幅度散点图图5.3模型二k=3实际与拟合功放输入/输出幅度散点图 图5.4 模型二k=5实际与拟合功放输入/输出幅度散点图图5.5 模型三实际与拟合的功放输入/输出幅度散点图图5.6模型四实际与拟合的功放输入/输出幅度散点图根据观察比较发现, 当用正交的函数基或对其实行一个正则化(即模型三和模型四), 来对功放特性函数进行拟合的时候, 拟合情形的输入输出幅度散点图与实际的输入输出幅度散点图的逼近效果是最佳的.k=时, 其散点图的逼近效果也是很好的.同时可观察到但模型二中的次数5§5.1.3 预失真处理模型建立选定-11():()()()Kk k k G z n b x n x n =⋅=∑的阶数5K =, 通过上面的算法可以得到当F 取不同阶数的情况下, g, NMSE, EVM 的结果及图像表5.1 F 取不同阶数情况下g, NMSE, EVM 的结果F 的阶数Kg NMSE EVM 4 1.86932497973065-32.5819077399852 2.34911681195961% 5 1.84730161996524-37.1398119663279 1.38998272147897% 7 1.83264461869445-46.06241433950440.497598752653887%由表5.1的结果可以看出当F 的阶数越高时, 得到的g 的值越小(说明线性化后的幅度放大倍数越小), NMSE 、EVM 的值越小(说明模型的计算精度越高, 整体模型对信号的幅度失真程度越小).图5.7理想信号与所建模型得到的输出信号对比(K=4) 图5.8理想信号与所建模型得到的输出信号对比(K=5)图5.9理想信号与所建模型得到的输出信号对比(K=7)根据观察发现, 当K 的取值越大时, 所建模型的输入输出幅度散点图与理想的输入输出幅度散点图的逼近效果越好.§5.2 问题二的模型与求解§5.2.1 有记忆功放的特性函数()G ⋅模型建立对于问题二, 根据文章中所给的某功放有记忆效应的复输入输出测试数据, 首先需要建立此功放的非线性特性数学模型, 拟合出功放的特性函数()G ⋅. 此时功放不仅与此时刻输入有关, 而且与此前某一时间段的输入有关, 其可以由为101111022220212()()()(1)()()(1)()K Mk km M k m M z n h x n m h x n h x n h x n M h x n h x n h x n M ===−=+−++−++−++−+∑∑ 01 ()(1)()K K K K K KM h x n h x n h x n M ++−++− , 0,1,2,,n N = .式中M 表示记忆深度, km h 为系数. 具有记忆效应的功放模型也可以用更一般的V olterra级数[][]56表示, 由于V olterra 级数太复杂, 简化模型有Wiener 、Hammersteint 等[][]47. 由于常用复值输入-输出信号, 上式也可表示为便于计算的“和记忆多项式”模型-110()(-)|(-)|K Mk km k m z n h x n m x n m ===∑∑ 0,1,2,,n N = (5.2.1)模型建立本文采用“和记忆多项式”模型(5.2.1)式来进行拟合. 我们用最小二乘法来求解, 由于本问中所给的输入输出的数据个数非常大, 故现在选取其中的一部分来进行拟合, 求得功放过程的模型. 我们选取输入输出数据的次数n 为1M +的倍数的数据来进行拟合, 最小二乘公式即为()()12-1(1)|10min (-)|(-)|K M K Mk km h CM nk m n Nz n h x n m x n m ××∈+==≤−∑∑∑ (5.2.2) 其中N 是指所有的功放的输入数据总个数, K 表示所选模型的最高次数, M 表示记忆深度(本文在求解模型时是事先给定的), ()x n 是第n 个复输入值, ()z n 是第n 个复输出值, km h 为系数, ()102001222212,,,,,,,, ,,,,TK K M M KM h h h h h h h h h h =…………….由于所给的数据较多, 即便是选取了部分数据进行拟合,但仍很难避免3.2节中所提到的A A 奇异的情况, 故对(5.2.2)再进行一个Tikhonov 正则化. 即对(5.2.2)加一个正则项2k k h h λ−,则问题转变为()()122-11(1)|10min (-)|(-)|K M K Mk k km k k h CM nk m n Nh z n h x n m x n m h h λ××+∈+==≤=−+−∑∑∑ (5.2.3) 其中k h 是第k 步迭代得到的解, 而k λ可以选为一个常数或一个单调下降趋于0的数列. 而迭代的终止准则为1k k h h ε+−≤,其中ε是一个给定的误差上界.当给定一个记忆深度M 后, 我们可以将问题(5.2.3)化成如下形式的问题, 即()22min nk k h Cz n Ah h h λ∈−+− (5.2.4) 其中A 是一个()()()()/11N M K M +×⋅+的复矩阵, 即1111(1) (1)(1) (1)(1) (1) (1)(1) (22) (22)(22) (22)(22) (2) (1)(1) K K K K x M x M x M x M x M x x x x M x M x M x M x M x M x x A −−−−+++++++++++=……………… ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦而()102001121112,,,,,,,, ,,,,TK K M M KM h h h h h h h h h h =…………….考虑到二次凸函数的稳定点即为最小值点, 问题(5.2.4)是可以直接求解的, h 的求解公式为()()()1Tk kk h A A I A z n h λλ−=++. (5.2.5)本题中已给出有记忆功放输入输出数据的总个数为73920N =, 并分别取 87, 5, 10M K ε−===和 83, 5, 10M K ε−===这两种情况. 这样就可以根据(5.2.5)求得h .结果(见附录2.2.1、2.2.2)当7,5M K ==时, 由于系数共有40个, 即h 是一个401×的大向量, 故将该结果放到附录中. 再根据上面所建立的模型及(5.1.1)式, 求出该模型的NMSE 值如下：NMSE -45.839408840847 7,5M K ===.当3,5M K ==时, 由于系数共有20个, 即h 是一个201×的大向量, 故将该结果放到附录中. 再根据上面所建立的模型及(5.1.1)式, 求出该模型的NMSE 值如下：NMSE 44.5315001961471 3,5M K =−==.§5.2.2有记忆功放模型的输入输出幅度图下面将实际与拟合的复输入输出幅度进行作图, 以便更直观的看出模型的逼近效果.图5.10 M=7实际与拟合功放输入/输出幅度散点图 图5.11 M=3实际与拟合功放输入/输出幅度散点图总评价根据观察比较发现, 尽管在用“和记忆多项式”模型进行拟合时, 我们只选取了一部分输入输出测量数据进行模型的建构. 但通过对上面两图的观察, 当对所有的输入测量数据进行作图时, 可发现拟合得到的输入输出幅度散点图与实际的输入输出幅度散点图的逼近效果还是很好的.§5.2.3 预失真处理模型建立上面已求得功放特性函数()G ⋅的模型, 采用“和记忆多项式”模型-110()(-)|(-)|K Mk kmk m z n hx n m x n m ===∑∑建立的功放模型. 下面建模的总体原则是使预失真和功放的联合模型呈线性后误差最小. 在此模型中, 有两个约束需要考虑：(1)输出幅度限制：即模型中的预失真处理的输出幅度不大于给出的功放输入幅度最大值.(2)功率最大化：即模型的建立必需考虑尽可能使功放的信号平均输出功率最大, 因此预失真处理后的输出幅度需尽可能提高.0≤下面我们将给出解决该优化问题的算法： 给定判断容限step1选定-110(): ()(-)|(-)|KMk km k m G z n h x n m x n m ==⋅=∑∑的阶数为5K =. 因数据量很大且算法较复杂, 本文对F 进行多次计算, 发现当阶数为5K =的时候与更高阶相比, 效果就已经很好了, 故下面只给出阶数为5K =时g, NMSE, EVM 的结果.本文取定记忆深度为 3M =, 现根据算法5.2可求得9.490829228013789g =,由于系数一共有20个, 即h 是一个201×的向量, 故将此结果放到附录中.根据上面所建模型以及(5.1.1)、(5.1.2)式, 可求出该模型的NMSE 、EVM 值如下：.NMSE -37.836849855461956EVM 0.012827957346961== 3,5M K ==由所得数据, 可以发现在该算法下, 得到的g 的值比较大(说明线性化后的幅度放大倍数大), NMSE 、EVM 的值较小(说明模型的计算精度越高, 整体模型对信号的幅度失真程度越小).图5.13 M=3, K=5实际与拟合功放输入/输出幅度散点图观察图5.13发现, 该情况下所建模型的输入输出幅度散点图与理想的输入输出幅度散点图逼近效果还是较好的. 故该模型是可行的.§5.3 问题三的模型与求解 §5.3.1背景知识功率谱的概念是针对功率有限信号的, 所表现的是单位频带内信号功率随频率的变化情况. 保留了频谱的幅度信息, 但是丢掉了相位信息, 所以频谱不同的信号其功率谱是可能相同的. 功率谱是随机过程的统计平均概念, 平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier 变换, 对于一个随机过程而言, 频谱也是一个“随机过程”(随机的频域序列).功率谱参度(PSD), 它定义了信号或者时间序列的功率如何随频率分布. 这里功率可能是实际物理上的功率, 或者更经常便于表示抽象的信号, 被定义为信号数值的平方, 也就是当信号的负载为1欧姆(ohm)时的实际功率.由于平均值不为零的信号不是平方可积的, 所以在这种情况下就没有傅立叶变换. 维纳-辛钦定理(Wiener-Khinchin theorem)提供了一个简单的替换方法. 如果信号可以看作是平稳随机过程, 那么功率谱参度就是信号自相关函数的傅立叶变换. 信号的功率谱参度当且仅当信号是广义的平稳过程的时候才存在; 如果信号不是平稳过程, 那么自相关函数一定是两个变量的函数, 这样就不存在功率谱参度, 但是可以使用类似的技术估计时变谱参度. 随机信号是时域无限信号, 不具备可积分条件, 因此不能直接进行傅氏变换. 一般用具有统计特性的功率谱来作为谱分析的依据. 功率谱与自相关函数是一个傅氏变换对.一般的功率谱参度都是针对平稳随机过程的, 由于平稳随机过程的样本函数一般不是绝对可积的, 因此不能直接对它进行傅立叶分析. 可以有三种办法来重新定义谱参度,来克服上述困难.1. 用相关函数的傅立叶变换来定义谱参度；2. 用随机过程的有限时间傅立叶变换来定义谱参度；3. 用平稳随机过程的谱分解来定义谱参度.§5.3.2 模型建立计算功率谱参度函数通常有两种方法[]8. 一种叫做标准的自相关函数法, 其表达式为：(1)0()4()cos 2d x x G f R f τπττ∞=∫ (5.3.1)其中()x R τ表示某个各态历经的随机过程{}()x t 的自相关函数；另一种叫做直接法, 即是直接对随机过程{}()x t 的样本函数作傅立叶变换得到功率谱参度函数, 其表达式为：2(2)202()lim ()d T j ftx T G f x t e t Tπ−→∞=∫ (5.3.2)在计算机上计算功率谱参度函数时, 要求输入的数据必须是离散数值, 所以要对连续观测的数据记录必须做离散化处理. 这叫做数据采样. 离散化的数据值叫做采样数据. 实际计算时, 要求参加运算的采样数据的个数是有限的(即是说, 在有限的时间区段0-T 上进行计算). 在记录是离散的、有限的情况下, 计算功率谱参度函数的公式可以分别近似地表示为：1(1)01()22cos 2cos 2M x r M r G f t R R fr t R fM t ππ−=⎡⎤=Δ+Δ+Δ⎢⎥⎣⎦∑ (5.3.3)和21(2)202()N j fi t x i i G f t x e N t π−−Δ==ΔΔ∑ (5.3.4)这里, 将(5.3.4)式整理为()()21P f X f N=(5.3.5) 其中()X f 是()x n 的傅里叶变换, 在计算过程中可以直接调用FFT 函数.另外由题意可设出, per F 表示每个点上的频率, 其表达式为sper F F N=. M 表示每个信道所含的点的个数, 其表达式为0perF M F =.其中0F 表示每个传输信道上的频率. 故传输信道就只包含M 个点, 相邻信道也只包含M 个点.由于非线性效应产生的新频率分量由对邻道信号有一定的影响, 现用相邻信道功率比(Adjacent Channel Power Ratio, ACPR)表示信道的带外失真的参数, 衡量由于非线性效应所产生的新频率分量对邻道信号的影响程度. 其定义为。
2013年数学建模C优秀论文
关键词：古塔变形；最小二乘拟合；空间曲线曲率；坐标矩阵变换；灰色预测；
1
1、问题重述
由于长时间承受自重、气温、风力等各种作用，偶然还要受地震、飓风的影响，古 塔产生各种变形，诸如倾斜、弯曲、扭曲等。为保护古塔，文物部门需适时对古塔进行 观测，了解各种变形量，以制定必要的保护措施。 某古塔已有上千年历史，是我国重点保护文物。管理部门委托测绘公司先后于 1986 年 7 月、1996 年 8 月、2009 年 3 月和 2011 年 3 月对该塔进行了 4 次观测。 请你们根据附件 1 提供的 4 次观测数据，讨论以下问题： 1. 给出确定古塔各层中心位置的通用方法， 并列表给出各次测量的古塔各层中心坐标。 2. 分析该塔倾斜、弯曲、扭曲等变形情况。 3. 分析该塔的变形趋势。
5、模型的建立与求解
5.1 问题 1 模型建立与求解
4
5.1.1 建模思路 问题一要求确定古塔各层中心位置的通用方法。根据建筑变形测量规范，在建筑物 变形测量中，为更好地测量出建筑物变形程度的各个指标，我们假设每次测量应选取固 定的测量点，且在同一层所选取的测量点在未变形前处于同一个水平面上。而经过对各 层观测点三维散点图（如图 1 所示）的绘制发现，各层的八个点近似对称地分布在一个 平面上，只是因为年代久远发生变形导致了些许偏差。因此为了更准确地找出各层中心 点，我们考虑先利用最小二乘法拟合出各层观测点所在的平面方程，再建立优化模型在 该平面上寻找一点使其到各观测点距离的平方和最小，以此确立古塔各层中心坐标。 图 1：各层观测点三维图
z Ai (k ) x Bi (k ) y Ci (k ) ：第 k 次测量时第 i 层观测点的拟合平面方程
（ i 1, 2,13 ， k 1, 2,3, 4 ） ；
2013年全国研究生数学建模竞赛A题
2013年（第十届）全国研究生数学建模竞赛A题变循环发动机部件法建模及优化由飞机/发动机设计原理可知，对于持续高马赫数飞行任务，需要高单位推力的涡喷循环，反之，如果任务强调低马赫数和长航程，就需要低耗油率的涡扇循环。
双涵道变循环发动机可以同时具备高速时的大推力与低速时的低油耗。
变循环发动机的内在性能优势，受到了各航空强国的重视，是目前航空发动机的重要研究方向。
1 变循环发动机的构`造及基本原理1.1 基本构造双涵道变循环发动机的基本构造见图1、图2，其主要部件有：进气道、风扇、副外涵道、CDFS涵道、核心驱动风扇级（CDFS）、主外涵道、前混合器、高压压气机、主燃烧室、高压涡轮、低压涡轮、后混合器、加力燃烧室、尾喷管。
双涵道模式下，选择活门和后混合器（后VABI）全部打开；单涵道模式下，选择活前混合器主外涵道主燃烧室加力燃烧室图2 双涵道变循环发动机结构示意图图中数字序号表示发动机各截面参数的下脚标各部件之间的联系如图3所示，变循环发动机为双转子发动机，风扇与低压涡轮相连，CDFS、高压压气机与高压涡轮相连，如图3下方褐色的线所示。
蓝色的线表示有部件之间的气体流动连接（图3中高压压气机后不经主燃烧室的分流气流为冷却气流，在本题中忽略不计）。
图3 变循环发动机工作原理图1.2工作原理变循环发动机有两种工作模式，分别为涡喷模式和涡扇模式。
发动机在亚音速巡航的低功率工作状态，风扇后的模式转换活门因为副外涵与风扇后的压差打开，使更多空气进入副外涵，同时前混合器面积开大，打开后混合器，增大涵道比，降低油耗，此时为发动机的涡扇模式。
发动机在超音速巡航、加速、爬升状态时，前混合器面积关小，副外涵压力增大，选择活门关闭，迫使绝大部分气体进入核心机，产生高的推力，此时为发动机的涡喷模式。
2 变循环发动机部件建模法燃气涡轮发动机的特性可以用实验方法和计算方法获得。
但实验的方法需要研制复杂的设备、投入巨额的资金和消耗巨大的能源，因此实验的方法不可能经常采用。
2013年研究生数学建模竞赛A题全国三等奖论文
参赛密码（由组委会填写）第十届华为杯全国研究生数学建模竞赛学校参赛队号队员姓名1.2.3.参赛密码（由组委会填写）第十届华为杯全国研究生数学建模竞赛题目变循环发动机部件法建模及优化摘要变循环发动机可以实现超音速时的高推力与亚音速时的低油耗，其内在性能的优势引起了各航空强国的高度重视，因此是目前航空发动机的重要研究方向。
研究的重中之重是燃气涡轮发动机的特性，本文在了解变循环发动机的构造及工作原理的基础上，运用线性插值、遗传算法、多目标规划等方法给出各部件的出口总温、总压、流量和功率的算法、程序，进一步给出了平衡方程组成的非线性方程组的算法及其有效性分析，得到了发动机性能最优的相关约束条件，进而解决了发动机性能最优时的参数取值。
针对问题一，运用Matlab软件进行线性插值得到相应换算转速下增压比、流量、效率。
1）对附录4中风扇特性数据表中增压比进行标准化处理得到对应压比值，根据附录1中2.2.2得到相应换算转速下的流量，通过Matlab软件中Spline插值方法画出了相应换算转速下流量随压比函数值变化的图形。
2）根据附录1中2.1.2得到了进气道出口总温、总压，再由压气机（风扇、CDFS）进口总温、总压和物理转速得到的换算转速，利用线性插值得到对应增压比、流量、效率，再由附录1中2.2.2求出了压气机（风扇、CDFS）的出口总温、总压和流量。
针对问题二，给出了求解由发动机7个平衡方程组成的非线性方程组的遗传算法，进一步运用Matlab软件编写了子程序并进行有效性分析。
对于发动机7个平衡方程涉及的变量进行分类处理，结合附录1中变循环发动机各部件的计算公式给出对应类的算法及程序。
再将变量代入相应平衡方程，得到关于发动机参数的非线性方程组。
针对问题三，依据附录1给出的发动机性能参数：推力、单位推力和耗油率，建立了多目标规划模型。
根据所建模型，找出了发动机CDFS导叶角度、低压涡轮导叶角度和喷管喉道面积3个量与推力、单位推力和耗油率之间的关系，进而通过Lingo求解出3个量为多少时，发动机的性能最优。
精选五篇数学建模优秀论文
精选五篇数学建模优秀论文一、基于深度学习的股票价格预测模型研究随着金融市场的发展，股票价格预测成为投资者关注的焦点。
本文提出了一种基于深度学习的股票价格预测模型，通过分析历史数据，预测未来股票价格走势。
实验结果表明，该模型具有较高的预测精度和鲁棒性，为投资者提供了一种有效的决策支持工具。
二、基于优化算法的智能交通信号控制策略研究随着城市化进程的加快，交通拥堵问题日益严重。
本文提出了一种基于优化算法的智能交通信号控制策略，通过优化信号灯的配时方案，实现交通流量的均衡分配，提高道路通行能力。
实验结果表明，该策略能够有效缓解交通拥堵，提高交通效率。
三、基于数据挖掘的电商平台用户行为分析电商平台在电子商务领域发挥着重要作用，用户行为分析对于电商平台的发展至关重要。
本文提出了一种基于数据挖掘的电商平台用户行为分析模型，通过分析用户购买行为、浏览行为等数据，挖掘用户偏好和需求。
实验结果表明，该模型能够有效识别用户行为特征，为电商平台提供个性化的推荐服务。
四、基于机器学习的疾病预测模型研究疾病预测对于公共卫生管理具有重要意义。
本文提出了一种基于机器学习的疾病预测模型，通过分析历史疾病数据，预测未来疾病的发生趋势。
实验结果表明，该模型具有较高的预测精度和可靠性，为疾病预防控制提供了一种有效的手段。
五、基于模糊数学的农业生产决策支持系统研究农业生产决策对于提高农业效益和农民收入具有重要意义。
本文提出了一种基于模糊数学的农业生产决策支持系统，通过分析农业环境、市场需求等因素，为农民提供合理的生产决策建议。
实验结果表明，该系统能够有效提高农业生产效益，促进农业可持续发展。
精选五篇数学建模优秀论文一、基于深度学习的股票价格预测模型研究随着金融市场的发展，股票价格预测成为投资者关注的焦点。
本文提出了一种基于深度学习的股票价格预测模型，通过分析历史数据，预测未来股票价格走势。
实验结果表明，该模型具有较高的预测精度和鲁棒性，为投资者提供了一种有效的决策支持工具。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
生反射或绕射，我们可以根据几何理论确定反射和绕射的有效性判断准则。最 后，设计一种射线跟踪算法具体实现收发机间主要路径的跟踪。 问题二要求 25 对发射机-接收机组合下的路径数目，并确定路径最多和路 径最少情况对应的两组收发机组合。在这里，可以依据问题一中设计的射线跟 踪算法， 分别跟踪 25 组收发机组合下的主要路径数目并对其进行分析即可得出 结果。 问题三要求我们针对问题二中所得的 25 组发射机-接收机组合下的传播路 径数目，总结规律。我们可以根据收发机所处的位置、周围环境，并分别对问 题二中 25 组收发机间的总路径数和每个限制条件下的路径数作对比， 然后总结 路径传播规律。 针对问题四，为了对多波干涉信号的振幅进行分析，本文依据电磁波传播 理论建立了路径初始能量分配模型；依据一致性绕射理论（UTD） ，建立了具体 路径衰减模型，推导了多条路径下的信道特性，计算出了接收机端的多波干涉 信号。 尔后运用统计学方法和通信原理理论对多波干涉信号的幅度进行了分析。 针对问题五，本文对宽带多频信号的输出进行采样，并且从中分离出包络 和高频信号。通过对包络信号各种统计数据的分析，讨论了包络信号的周期， 幅度分布，包络均值分布，同频信号的相关性等问题
五、 模型分析、建立与求解
5.1 问题一模型建立与求解 5.1.1 问题一模型建立 为了跟踪确定收发机间的主要路径，我们首先需要在发射机端进行发射角 量化处理，然后遍历追踪每一条射线行进路线上的反射和绕射情况，搜索所有 传播路径，在遍历搜索的过程中随时丢弃不满足题目要求的传播路径，最后输 出所有满足题目要求的传播路径。 基于上述流程，我们需要对电波从发射、传播到被接收的整个过程进行处 理和判断。在电波发射阶段，本文需要根据工程实际给出了发射角量化处理方 法。在电波传播阶段，本文可以根据几何理论判定电波在传播过程什么时候发 生反射或绕射，即建立发生反射和绕射有效性判断模型。在电波被接收阶段， 本文需要建立接收机接收信号模型。 最后，根据上述方法和模型，本文需要设计并实现一种射线跟踪算法来跟 踪确定满足题目要求的所有传播路径。 第一问具体组织如下： 一、模型准备：确定发射源量化方法；建立墙面处是否发生反射的有效性 检测模型；建立拐角处是否发生绕射的有效性检测模型；确定路径搜索过程中 限制条件的处理方法；建立射线能否被接收机接收的判断模型。 二、算法设计与实现：依据上述方法和模型，设计一种射线跟踪算法，并 通过使用广度优先搜索实现，跟踪确定所有满足题目要求的传播路径。 5.1.1.1 发射角量化 电波从发射天线出发，向空间各个方向均匀发射。为了能够进行数值计算， 我们需要将总的发射能量均匀地分配到若干条射线上，这个过程称之为发射角 量化过程。显然，规定的射线条数越多，量化就越精细，计算量也就越大。 为了确定合适的量化精度，我们首先对发射天线的特点进行分析，然后规
参赛密码 （由组委会填写）
第十届华为杯全国研究生数学建模竞赛
学
校 南京邮电大学
参赛队号 10293014 1. 阮智昊 队员姓名 2. 赵亚南 3. 吴文青
参赛密码
（由组委会填写）
第十届华为杯全国研究生数学建模竞赛
题 目
微蜂窝环境中无线接收信号的特性分析
摘 要：
针对问题一，本文基于几何光学提出了一种用于蜂窝电波传播的二维射线 跟踪模型，并采用广度优先搜索设计了射线跟踪算法。为了确定发射机到接收 机之间的主要路径，本文从能量和复杂度两方面确定了发射角的量化方法，并 建立了判断反射有效性和判断绕射有效性的检测模型。 根据模型求解结果可知： 在不同的量化精度下，收发机间的主要路径数目并不相同；在本文的量化精度 下，收发机间的主要路径有 35 条，具体的传播路径可视化在正文图 5.1.10 中。 针对问题二，依据本文设计的射线跟踪算法，分别跟踪 25 组收发机组合下 的主要路径数目并对其进行分析，可以得出传播路径最多的组合是坐标为 （400,350）的发射机和坐标为(450, 275)的接收机；传播路径最少的组合有 两组：坐标为（350,350）的发射机和坐标为(450, 200)的接收机，以及坐标 为（500, 350）的接收机和坐标为(450, 200)的接收机。 针对问题三，本文分别对问题二中 25 组收发机间的总路径数和每个限制条 件下的路径数作对比，发现如下规律：位于十字路口或 T 型路口的收发机间的 传播路径比较多，而位于狭长通道内的收发机间的传播路径较少；收发机间发 生 7 次反射的传播路径最少而收发机间发生两次绕射一次反射的传播路径最 多；在建筑物密集的场景下，绕射是射线传播的主要形式。 针对问题四，为了研究多径传输的信号，本文依据电磁波传播理论建立了 初始能量分配模型；依据一致性绕射理论（UTD），建立了具体路径衰减模型， 推导了多条路径下的信道特性，计算出了接收机端的多径传播信号模型。然后 运用统计学方法和通信理论对多径传播信号进行了分析。 针对问题五，本文对宽带多频信号的输出进行采样，并且从中分离出包络 和高频信号。通过对包络信号各种统计数据的分析，讨论了包络信号的周期， 幅度分布，包络均值分布，同频信号的相关性等问题 关键词：射线跟踪；UTD 理论；几何光学理论；希尔伯特变换；广度优先搜索
三、 符号说明及名词解释
3.1 符号说明 符号 W Nd Nr N tr 符号说明 射线在传播过程中经过绕射或反射后的权值 射线在传播过程中绕射的次数 射线在传播过程中反射的次数 图中所示发射机和接收机间存在的主要路径数目 第 i 个发射机和第 j 个接收机间存在的主要路径数目
N ij
-4-
i r
-3-
二、宽带问题 (4) 考虑如下的多波干涉问题：对于(2)中提到的 CD 路径上的所有接收点， 从发射机出发的电波都有多个传播途径(可能是多次反射传播、多次绕射传 播或是反射与绕射的任意组合传播)到达这些点，这些频率相同、振动方向 相同、初相位相同的简谐波（即正弦波）在各个接收点相遇叠加，出现某些 接收点振动始终加强、而在另一些接收点振动始终减弱的现象，这种现象称 为多波干涉现象。 请针对上述 25 种情况, 对这种多波干涉的振幅 f ( w, t ) 进行统计学分析， 包括：一、二阶矩特性，不同路径到达信号的相关性及概率密度分布函数； (5) 继续考虑图 1，从发射机同时发射一组功率相同的电波，频率从 2000Mhz 到 2100Mhz，间隔近似 1Mhz，这样我们总共要同时发射 101 个单频信号。 每个单频信号都会形成(4)中提到多波干涉问题，多个单频信号会形成宽带 多波干涉现象，请对这种宽带多波干涉现象进行数学建模，并分析合成波的 包络统计特性，如同一频率、不同路径信号之间，同一路径、不同频率信号 之间的相关性等。
-2-
为了简化所要解决问题（与反射和绕射相关） ，降低计算难度，假设图 1 中 所有建筑物为理想电介质，下面给出与反射和绕射相关的详细说明： (1) 电磁波在不同介质交接处，会发生反射。如果电磁波传播到理想电介质表 面，则 80%的能量按照反射传播规律被反射出来，其余能量进入新介质继续传 播（在理想导体表面将发生能量全反射，反射波 Er 和入射波 Ei 的强度相等） 。 (2) 绕射是指在电磁波传播路径上， 当电波被尺寸较大(与波长相比)的障碍物遮 挡时，电磁波改变传播方向的现象。为了解决建筑物顶点(可称为劈)上的绕射 问题， 需要计算绕射系数 D ， 该系数体现出了绕射后绕射波强度 Ed 的衰减程度， 即 Ed Ei D 。图 2 为发生在劈的绕射示意图，绕射系数的计算方法详见题目 所给方法。
F ( x)
f ( , t )
Q
Ai ri
f ( w, t )
3.2 名词解释 名词 发射源 反射源 绕射源 缓冲半径
名词解释 向空间各个方向均匀发射电波的发射天线 由墙面反射产生的反射线，这些反射线可以看做是虚拟的反射源 所产生的 由墙角绕射产生的饶射线，这些绕射线可以看做是虚拟的绕射源 所产生的 为了增加接收的效率，在实际预测时可将接收点设为一个小球， 通过调节小球的半径来控制接收到的射线总数。小球半径即为缓 冲半径
四、 问题分析
根据微小区中电波传播的主要特点，可以假设微蜂窝环境下建筑物的高度 高于基站天线的高度，从而将三维问题近似地简化成二维问题，并且只考虑两 种传播机制：反射和绕射。这种简化大大地提高了射线跟踪模型的预测效率， 同时能够得到可以接受的预测精度。 问题一要求跟踪发射机 Tx (坐标为(500, 200))和接收机 Rx (坐标为(250, 350)) 间的主要传播路径，并可视化展示在图 1 中。在这里，最主要的部分是射线轨 迹的跟踪。我们首先需要在发射机端进行发射角量化处理，然后遍历追踪每一 条路径上中发生的反射和绕射次数，最后在所有的路径中筛选满足题目四种限 制条件的所有传播路径并可视化在图 1 中。在射线传中无线接收信号的特性分析
一、 问题重述
目前，微蜂窝系统中比较有代表性的微蜂窝传播预测模型就是射线跟踪模 型。 射线跟踪是一种被广泛用于移动通信和个人通信环境(街道微蜂窝和室内微 微蜂窝)中的预测无线电波传播特性的技术， 由于移动通信中使用的超高频微波 和光同属电磁波，有一定近似性（当然还有差别） ，按光学方法辨认出多路径信 道中收、发射机间所有主要的传播路径。一旦这些传播路径被辨认后，就可根 据电波传播理论来计算每条传播路径信号的幅度、相位、延迟和极化，然后结 合天线方向图和系统带宽就可得到到达接收点的所有传播路径的相干合成结 果。 城市环境下的微蜂窝主要指高楼密集区， 覆盖范围大大缩小(半径仅为几百 米甚至几十米)，基站天线(发射机)低于周围建筑物的高度，电波是在建筑物的 “峡谷”当中传播。因此，电波经过屋顶绕射后再到达地面接收点的射线路径 数量非常少，而且其场强与经过建筑物多次反射和绕射的路径相比，往往可以 忽略，地面的反射也不考虑。这些特点构成了微小区中电波传播的主要特点。 因此，可以假设微蜂窝环境下建筑物的高度高于基站天线的高度，从而将三维 问题近似地简化成二维问题，只考虑两种传播机制：反射和绕射。这种简化大 大地提高了射线跟踪模型的预测效率，同时能够得到可以接受的预测精度。 对于城市微蜂窝的二维模型，建筑群可被划分为一定的“块” ，建筑物(即 图 1 中带有灰色阴影的多边形)则被定义为“多边形” ，多边形的“边”代表建筑 物的表面，多边形的“顶点”则代表了建筑物的拐角。这种简化了的市区平面 图大致反映出城市的主体结构，利用它进行射线跟踪，可以得到较为准确的路 径损耗。