研赛题目由当年负责赛区【23年为东南大学，24年为山东大学】的相关老师每年独立命题，因此每年的题目在涉及的模型和知识点上都有很大差异。数模竞赛是百分比获奖，选择人数最多的也就意味着题目简单，会有很多新手、小白选择。我们只需要打败50%的小白即可获奖；选择人数偏少的题目，大多为老手，我们则需要打败50%的老登。
C题作为本次竞赛题，题量较小、难度较为简单，选题人数众多。因此，为了尽量满足大家的需求，本文我们将对C题进行详细的描述。
首先对于数据类型的题目第一步不是直接解题而是数据预处理。2023年研赛数据类型题目数据预处理每个题目都设置了10-15分的分值。因此，对于C题，我们首先需要进行异常值、缺失值、类别型数据处理等数据预处理工作以便方便后续工作处理。
数据预处理可以分为数据清洗、数据处理、数据描述性分析等环节
数据清洗，即需要进行异常值、缺失值的处理。首先判定分布方式，根据非正态分布的结果使用箱线图判定异常值。
类别型数据处理：类别型变量的编码：如励磁波形（正弦波、三角波、梯形波）和磁芯材料（材料1、材料2、材料3、材料4），这些类别特征在建模时不能直接用于数值计算，因此需要进行编码。
| 名称 | 转码后结果 |
| 正弦波 | 1 |
| 三角波 | 2 |
| 梯形波 | 3 |
描述性分析是对数据集的基本统计特征进行总结和描述，帮助我们更好地了解数据的分布和特性。在描述性分析中，我们通常计算如均值、中位数、标准差、最大值、最小值等基本统计量，并通过可视化手段呈现数据的分布和趋势。
问题一：励磁波形分类
目标：
利用磁通密度的分布特征来对不同的励磁波形（正弦波、三角波和梯形波）进行分类。
1. 数据分析与特征提取：
磁通密度的波形特征：从实验数据中，每个样本包含1024个时间点的磁通密度，这相当于一个周期内的波形数据。我们需要分析这些波形数据以提取能够区分正弦波、三角波和梯形波的特征。
提取关键特征：可以考虑从以下几个方面提取特征：
- 波形的对称性：通过观察波形的对称性，正弦波是平滑对称的，而梯形波和三角波有相对明显的拐点。
- 上升与下降速率：正弦波的上升和下降速率是非线性的，而三角波是线性的，梯形波则具有明显的平坦区。
- 波形的最大最小值：通过计算波形的峰值、平均值、波动幅度等，可以反映波形的基本特征。
- 频域分析：利用傅里叶变换，将时域信号转换为频域信号，不同的波形会在频域中表现出不同的频谱特性（如正弦波主要在基频上，而梯形波可能含有更多的高频成分）。
2. 分类模型选择：
可以使用传统的分类算法，例如：
支持向量机（SVM）：对提取的波形特征进行分类，SVM可以很好地处理线性不可分的数据。
K近邻（KNN）：基于样本的相似性来进行波形分类。
决策树/随机森林：根据波形特征分层分类，决策树模型易于解释。
3. 模型评价：
通过交叉验证评估分类模型的准确性。
计算分类精度（Precision）、召回率（Recall）以及F1分数等指标，确保模型的分类效BZD数模社 独家制作
盗卖必究4. 输出要求：
对附件二中的样本进行波形分类，统计各波形的数量，并特别对指定的样本序号进行分类并展示结果。
