研究生数学测试卷

经过了昨天政治和英语考试的洗礼，今天早上同学们又纷纷充满精神走向考场，因为只要再把今天坚持完，那么自己复习的这一年就有了结果，无论结果好与不好，总归可以好好放松一下了。对于要考数学的同学，今天上午考的是数一、数二或者数三，不过经过小编向一些学弟、学妹们了解，貌似今天的哪一个都不是很简单。在考研考试中，数学绝对是一个可以拉开分数的科目，因为政治和英语大部分同学的水平相差不同，即使英语再好或者再差，最多只能相差20分。但是数学却不一样，数学如果学得好的同学可能与不好的同学相差50分甚至以上。而在今年的考研人数直线上升的情况，数学题目变得稍难也是情有可原的，毕竟报考人数越多，竞争压力就会越大，需要从众多考生中选拔出优秀的学生。小编也是有学弟、学妹考的是数一和数二，所以就和同学们谈一谈今年的数学到底是不是很难呢？首先是数一，数一的学弟从考场下来说有些难度，但是问题不是很大，因为他平时学习就比较好，本来是可以保研到北京交通大学的，但是他想通过自己的考试再冲击一下。据这个学弟说，数一有一两道选择题比较难，而且计算量很大，最后算出的答案他不是很确定。然后就是填空题有一道线代的题目可能时间不是很充裕，而且加上计算量也是不小，他用的是特殊的方法，不确保100%正确。大题的话他表示前面的基础题很简单，基本上都是直接默写写完的，不过压轴题还是有区分度的，可能是我的学弟比较谦虚，他给自己保守估分能够达到120分，当然可能最后分数下来会更高一些。然后就是我的学妹，她考得是数二，数二相对数一来说今年可能要稍微简单一些，不过也仅仅是相对而言。我这个学妹学的是理科专业，在班上成绩也是非常优秀的，但是并没有拿到保研的资格。今年她报考的学校对她来说也是一个挑战，但是她的坚持让我觉得她今年一定能够成功。数二相对于数一来说，首先科目会少一些，没有概率，不过选择题我这个学妹有两道题是蒙的。因为时间不够了，但是她觉得这两道选择题基本上最少能对一个，甚至可能全对。然后填空题她说自己有两个不会，大题的话同样都是基础题答得很容易，还有就是一道线性代数题由于步骤繁琐，途中可能会有不小心算错的地方，但是最后已经没有时间检查了。我这个学妹自己估分的话也仅仅是给自己估了105分，当然我认为肯定是过于保守了。不管同学们考的是数几，数学考试已经结束，中午好好休息，下午准备考专业课，考完专业课后就是同学们放松的时刻，祝同学们下午考试顺利，励志学生永远与你们共同前行！

2021年考研数学（一）题库【历年真题＋章节题库＋模拟试题】第一部分历年真题2019年全国硕士研究生招生考试考研数学一真题及详解 2018年全国硕士研究生招生考试考研数学一真题及详解 2017年全国硕士研究生招生考试考研数学一真题及详解 2016年全国硕士研究生招生考试考研数学一真题及详解 2015年全国硕士研究生招生考试考研数学一真题及详解 2014年全国硕士研究生入学统一考试考研数学一真题及详解 2013年全国硕士研究生入学统一考试考研数学一真题及详解 2012年全国硕士研究生入学统一考试考研数学一真题及详解 2011年全国硕士研究生入学统一考试考研数学一真题及详解 2010年全国硕士研究生入学统一考试考研数学一真题及详解 2009年全国硕士研究生入学统一考试考研数学一真题及详解 2008年全国硕士研究生入学统一考试考研数学一真题及详解 第二部分　章节题库 高等数学 第一章　函数、极限、连续 第二章　一元函数微分学 第三章　一元函数积分学 第四章　向量代数和空间解析几何 第五章　多元函数微分学 第六章　多元函数积分学 第七章　无穷级数 第八章　常微分方程 线性代数 第一章　行列式 第二章　矩　阵 第三章　向　量 第四章　线性方程组 第五章　矩阵的特征值和特征向量 第六章　二次型 概率论与数理统计 第一章　随机事件和概率 第二章　随机变量及其分布 第三章　多维随机变量及其分布 第四章　随机变量的数字特征 第五章　大数定律和中心极限定理 第六章　数理统计的基本概念 第七章　参数估计 第八章　假设检验 第三部分　模拟试题 全国硕士研究生招生考试考研数学一模拟试题及详解（一） 全国硕士研究生招生考试考研数学一模拟试题及详解（二） 全国硕士研究生招生考试考研数学一模拟试题及详解（三） 更多资料2021年考研数学（一）考试大纲解析2021年考研数学（一）全套资料2021年考研数学（一）考前冲刺班找学习资料就上畅学苑学习网，助您乘风破浪一次通关！

2020年研究生入学考试，数学二考了128分，这样备考着实不太容易。对于比较关注研考信息的同学来说，在2020年的研究生入学考试中，数学的难度想必大家是有所了解的，无论是数学一还是数学二，其难度都是近几年来较难的一年。有人说，16年的研究生入学考试数学就比较难，还有人说，09年的难度也超乎想象，无论怎么说，2020年的研究生入学考试中，数学较难应该可以成为大家的共识。对于参加研究生入学考试的理工科的同学来说，数学是绕不过去的槛，不是考数学一就是考数学二。数学二还好，在以往试卷难度一般的年份，很多认真备考的同学，数学二考个一百二三十分还是不算什么的，就是考140分以上也大有人在。而今年就有所不同，由于试卷难度的增加，数学二能上110也很难，超过130分可以说是奢望。小程同学参加了今年（2020年）的研究生入学考试，考的是数学二，考了128分，从结果来看，算是圆满，但从小程同学介绍的备考过程看，着实不太容易。理工科的学生，高等数学是必修课，由于专业要求不同，对数学学习的难度有所不同，其主要的区分就是学习知识的多与寡、知识的深与浅，参加考研时，区别就是考的是数学一还是数学二。小程同学的专业，对数学的要求相对较低，研究生入学考试考的是数学二，其备考2020年的研究生考试，数学是这样备考的。3月份——6月份：结合教程，再次熟悉知识体系。在大学学习期间，虽然同学们学习了高等数学，但是由于都是在大一或大二学的，时间间隔较远，其知识相对比较陌生，更没有形成较为系统的知识体系，对于应考显然是不够的。为了系统地掌握研究生入学考试所要求的知识体系，再结合教程重新回归课本显得尤为重要。小程同学为了方便，买了一本数学二的教程，每天有计划的看看知识点，并结合课后的练习题，巩固知识点的掌握，这样从3月份直到6月份，用了大概四个月的时间。7月份——考前一个月：专心做习题集，查缺补漏，巩固知识的掌握。大家知道，对于理科学习的科目，练习是必须的，是查找自己知识漏缺的重要一环。小程同学从7月份开始，也就是熟悉了数学二的知识体系以后，买了一本1800道的习题集，从头至尾做了一遍。当然，小程同学在做习题集的过程中，也遇到了许多不会做的题，对于不会做的习题，便结合答案看一看、算一算。大家注意，在做习题的过程中，亲自动手列式运算至关重要，只有自己动手列式运算的题，才能算是自己做过的题，而通过看答案弄懂的题，并不一定就真的懂了。考前一个月：做历年真题，近几年的做了两遍。历年真题的训练，能让考生更好地把握考试的方向，同时注意合理的时间分配，也是对考前状态的调整。从以上的对数学研考的备考过程来看，的确不容易，如果能够实打实的做到了，想必结果是会令你满意的。如果大家希望读到更多关于教育类的文章，敬请关注，进入主页查看。

前面录过视频，对这部分进行了讲解，但当时采取的是手写板，所以不是很清晰（主要是字写的难看了：) ），所以这次重新录制了PPT版本，PPT是用Latex写的，所以动画效果不是很多，但是公式看起来会舒服一些。试题基本信息2020年数学一线性代数部分题型及分值：两个选择题：2*4=8分一个填空题：1*4=4分两个解答题：一个计算、一个证明，均为11分，共22分难度：其中一个选择题稍微难点，证明题有一点点难度，其它相对比较容易。考试内容：初等矩阵的作用、向量的线性表示、线性方程组的解、行列式计算、特征值及特征向量的计算、矩阵的相似对角化等试题解答详细的视频解说部分可以看下面的视频。10:18选择题部分：第一道是关于初等矩阵作用的，只要理解清楚对矩阵进行行、列变换是在矩阵左边还是右边相乘初等矩阵即可。第二道是直线相交问题，核心考点是对直线方程的认识及线性方程组的相关知识。我从代数和几何两个角度给出了问题的求解方法，希望会对大家有所帮助。填空题、解答题部分，如果你需要的话，请关注我并私信给我。我是杂谈博士，闲暇之余爱看电影、爱好运动、爱好编程、爱好旅游，更热爱算法，如果也有契合你的地方，关注我吧！

考研数学决生死！用好真题是关键！1考研试题命题基本原则以基本概念、方法与原理为主。试题中80%的分数为基础题，考生应把基础打好再去追逐高分。大多数211/双非只要数学能及格（90分），总分过国家线就稳稳的。推荐：汤家凤1800题+汤家凤八套卷题目基础无怪题，适合基础薄弱的考生。张宇的1000题、八套卷与四套卷极具个人风格八套卷与四套卷被历年考生称为”劝退卷“难度大，出的题目偏（喜欢出历年真题中没有出现的知识点）P.S四套卷：线性代数每张卷子一个证明题=-=2真题月经问题（1）真题该做多少年？现有的考研数学真题为1988-2018一共31套其中1988-2002年真题卷面分数为100分这一段时间的真题难度系数波动大，考察内容不合理要么太简单，要么太难不建议大家在第一轮做真题的时候做2002-2018年真题卷面分数为150分 这一段时间的真题难度趋于稳定，和19年的真题极为类似皮皮灰推荐第一轮按这个顺序做真题（2）真题应该做几遍？皮皮灰推荐做两轮第一轮在汤家凤1800题做完后开始真题模拟自测将02-18的真题做完后（9.1-9.15）开始做60套模拟题（9.16-11.15）第二轮将88-18年31年真题做完（11.15-考试）（3）该如何选择真题书？推荐：2019李永乐考研数学 历年真题权威解析除了真题以外，后面一半还有分章节的真题汇总如果考生基础不太扎实，可以从真题题型的角度复习，以知识点的形式破解真题。考生通过题目的演算，巩固对应方法，反过来，通过总结方法，进一步提升解题能力，相互促进，真正做到从题目中来，到题目中去。当然考生掌握方法后，要注意此类题型的解题细节，在方法大家都掌握的基础之上，分数的差距主要是看考生对细节的把握，一些常见细节的错误要注意总结，并在下次遇见时，能有效的避开。3真题应该怎么做在第一轮真题阶段，从按章节知识点分类去做真题。这样做有两个好处：第一，检测自身的复习阶段与考试要求的差距;第二，按章节分类做真题可以检测知识点的薄弱点，查缺补漏。在第二轮真题阶段，按考试规格做真题。时间限定在早上的三个小时，做完后立马改分。模拟测试的时候不要被分数的忽高忽低所影响有时候运气好，碰到的都是自己擅长的，分数高。有时候运气差，碰到的都是自己的薄弱的，心态崩了。比起关注分数的高低，我们更应该思考是什么原因导致的错误。计算问题导致的？知识点复习的时候理解错了？发现问题，解决问题。这才是做真题的关键所在。

现在对于参加考研的学生来说，最关注的就是今年的考研究竟难不难呢？因此你便会看到很多学生自从考场回到学校讨论的问题都是以今年的考研难度为主线，有的学生表示今年的考研试题是真的难，但也有一部分考生表示今年的试题还是相对来说比较容易一些，那么到底是难还是不难呢？或许我们那些二战考研的学生更加有发言权吧！据了解很多二战考研的学生表示，今年的考研试题相对于去年的考研试题来说还是要容易很多的。我想凡是关注考研的学生来说，都清楚18考研的试题难度，拿数学来说，18考研的数学试题所考察的知识点都有超纲的知识点，这难倒了诸多的考生，所以18考研数学考试结束后，是真的有很多学生便放弃了后续的考试了，选择放弃了，因为数学这一单科成绩已经是没戏了。更为重要的是在2月公布的研究生招生考试的最低分数线中，数学的最低分数线下降了非常的多，所以这足以说明18考研数学试题非常的难。但对于今年的数学试题来说，二战考研的学生表示难度不是没有但是相对于去年的考研数学已经是简单了很多了，所以他们认为今年的数学相对容易一些。此外，今年的英语试题上，虽然有几个单词考研学生表示不认识，阅读理解不会做，新题型不会做等诸多情况，但是从目前的情况来看今年的英语试题相对于去年的英语试题还是有一定的下降。二战考研的学生也表示，今年的英语试题有难度，但是绝对没有18考研的难，因为去年他们在做英语的时候不管是作文还是阅读，或者还是新题型都是非常的难，最后在所公布的英语单科国家线上也明显的体现了出来，18英语单科线相对于17年英语单科线整整下降了两分。所以，从那些二战考研的学生得出的结论是相对于去年的考研来说，今年的考研还是比较容易的，但是依然非常的有一定的难度。或许这些二战考研的学生，对于今年的考研试题会更加的有清晰的认识，毕竟参加了去年的硕士研究生招生考试，有了一定的对比，因此大致可以确定今年 的考研试题相对于去年的考研试题还是比较简单一些的。

2020考研再有十天左右就要开考，现在考研已经进入了最后复习阶段。很多考研学生都在担心今年的考研试题难度会不会变，怕试题难度加大自己考试成绩分数低过不了国家线，因此心理压力有些大。那么2020考研考试试题难度可能会哪些变化呢？作为老师，结合自己近几年对考研的观察，认为考生需要注意这四点变化。具体内容如下。第一，考研英语一阅读难度可能会提高。2019考研英语一的阅读理解和新题型的难度比2018年的难度相差无几，2019年全国英语一的平均分是48.59分，2018年的平均分是48.61分，因此二者难度持平。但是考虑到2019年的考研英语国家线很多专业已经提高了5分左右，而随着今年考研报考人数的继续增加，如果难度不变，那么考研英语国家线还会继续提高，因此意味着2020考研英语试题难度将会提高，以发挥考研英语的门槛作用。第二，政治选择题难度略有提高，材料题难度一般。从2019考研政治试题分析来看，单选题的难度并不大，而多选题的个别题有一定的难度，材料题难度一般，考生结合平时学习的内容就可以轻松得分。而从2020考研来看，考研政治更会侧重时事政治类试题的考察，这类试题内容多，考生不容易区分，因此在多选题部分难度会有所提高。而在单选部分政治经济学内容的考察可能会难度加大。而材料题的难度预计和往年持平。第三，数学难度可能会提高。从近五年的考研数学分数线来看，无论是数一、数二，还是数三，试题难度大概都是偶数年份难度略高，而奇数年份难度低一些。这一点可以从数学全国平均分可以看出来，2016年数学平均分比2015年低，2017年数学平均分又比2016年高，而2018年的数学平均分又比2017年分数要低，2019年数学平均分要比2018年数学平均分高。结合这几年的分数线变化来看，预计2020考研数学的难度将会略有提高，数学平均分将会比2019年的分数要低一些。第四，专业课难度呈现“两极分化”。回顾2019考研，可以看到一些自主划线的大学，他们的专业课分数线不是特别高，而且很多学生的专业课考试成绩甚至低于学校规定的分数线。但是反观一些普通大学的专业课考试，可以发现这些学校的专业课考试成绩都特别的高，而且随着招生难度的加大，预计2020考研普通大学的专业课考试难度不会太高，但是985等大学的考研专业课试题难度将会有一定的难度。对于2020考研，大家还有哪些问题和看法呢？

考研备考进入最后重要的两个月，除了每天正常的做数学题和背英语单词之外，重心要逐步往政治方向转移。此外关于考研数学，现在也可以开始做真题和模拟题套卷了。按照两天一套的速度，第一天做第二天改其实也就能做30套，当然考研数学真题早些年的难度都比较简单，但做考研真题务必严格按照考场规则进行模拟，过程中不要查任何资料，到点停笔。严格按照考试时间做往年真题如果你能考到130分，那今年参加考研数学考110分问题不大。为什么往年真题和实际考试会有10～20分左右的差距呢？有些同学做往年的考研数学真题，结果能考到130、140高兴得不得了！但是我这里还是要打击一下同学，你真实的考试成绩是要比这个成绩低的。因为真题中的有些题目你在很多练习书上已经提前见过了，而每年考研数学都会出现一些原创性的题目和思路，这都会被很多模拟题拿来借鉴，这样平时在做练习题的过程中无形之中就掌握了这些解题思路。但是真正等到你上到考研考场上，面对着又是全新的题目和套路，所以说做往年真题并不代表你真实的水平。而目前这个阶段同学们在做模拟题的时候也要放平心态，因为市面上很多模拟题是比真题的难度要大的，比如说张宇八套卷，特点就是计算量非常大，所以同学们对于这个分数不要过分焦虑，毕竟模拟题牌就是用来查漏补缺的，而不是看着你考多少分。整体上来说模拟卷是要大于当年真题的，如果说你做往年真题能考到130分，那么你今年考研110分肯定是能保住的。还有一点比较重要的是今年考研数学，是奇数年，按照惯例来说是相对会简单一些！我们最后对考研备考分一下时间阶段，以方便以后两个月更好地准备，考研大体上分为三个阶段，分别是基础、强化和冲刺，基础阶段主要是对考研有一个基本的了解，了解考研要考什么，这个阶段考生要掌握最基本的知识点；强化阶段是在暑假的那段时间，随着复习的深入考研复习会遇见更多的难点和重点，这个时候需要加大训练强度，比如考研数学的计算能力就是在强化阶段炼成的。冲刺阶段是在考前两个月的考前15天，因为最后半个月的时间是留给考研政治背大题的，也就是说考研最后半个月其实都是在维持你现有水平不退步，大的提高已经不可能了。

2019年第十六届中国研究生数学建模竞赛赛题公布A题无线智能传播模型01无线信道建模背景随着5G NR技术的发展，5G在全球范围内的应用也在不断地扩大。运营商在部署5G网络的过程中，需要合理地选择覆盖区域内的基站站址，进而通过部署基站来满足用户的通信需求。在整个无线网络规划流程中，高效的网络估算对于精确的5G网络部署有着非常重要的意义。无线传播模型正是通过对目标通信覆盖区域内的无线电波传播特性进行预测，使得小区覆盖范围、小区间网络干扰以及通信速率等指标的估算成为可能。由于无线电波传播环境复杂，会受到传播路径上各种因素的影响，如平原、山体、建筑物、湖泊、海洋、森林、大气、地球自身曲率等，使电磁波不再以单一的方式和路径传播而产生复杂的透射、绕射、散射、反射、折射等，所以建立一个准确的模型是一项非常艰巨的任务。现有的无线传播模型可以按照研究方法进行区分，一般分为：经验模型、理论模型和改进型经验模型。经验模型的获得是从经验数据中获取固定的拟合公式，典型的模型有Cost 231-Hata、Okumura等。理论模型是根据电磁波传播理论，考虑电磁波在空间中的反射、绕射、折射等来进行损耗计算，比较有代表性的是Volcano模型。改进型经验模型是通过在拟合公式中引入更多的参数从而可以为更细的分类场景提供计算模型，典型的有Standard Propagation Model（SPM）。在实际传播模型建模中，为了获得符合目标地区实际环境的传播模型，需要收集大量额外的实测数据、工程参数以及电子地图用来对传播模型进行校正。此外无线LTE网络已在全球普及，全球几十亿用户，每时每刻都会产生大量数据。如何合理地运用这些数据来辅助无线网络建设就成为了一个重要的课题。近年来，大数据驱动的AI机器学习技术获得了长足的进步，并且在语言、图像处理领域获得了非常成功的运用。伴随着并行计算架构的发展，机器学习技术也具备了在线运算的能力，其高实时性以及低复杂度使得其与无线通信的紧密结合成为了可能。在本届数学建模竞赛中，希望参赛者能够对机器学习的工作方式有一定掌握并站在设备供应商以及无线运营者的角度，通过合理地运用机器学习模型（不限定只使用这种方法）来建立无线传播模型，并利用模型准确预测在新环境下无线信号覆盖强度，从而大大减少网络建设成本，提高网络建设效率。02无线传播模型建模方法简介在传统的无线传播模型的建立过程中，往往首先需要对传播场景进行划分，每一个场景对应一个传播经验模型。然而，经验模型在实际使用中往往不够精确，所以仍然需要通过采集大量的工程参数以及实际平均信号接收功率（Reference Signal Receiving Power，RSRP）测量值进行经验模型公式的修正。从所述过程中可以看到，传播模型建立本质上是一个函数拟合的过程，即通过调整传播模型的系数，使得利用传播模型计算得到的路径损耗值与实测路径损耗值误差最小。所以当工程参数、地理位置信息、特定地理位置测量点的RSRP已知的情况下，该问题可以归类为一个监督学习问题。与传统经验模型需要额外人力物力进行校正相比，是否可以利用采集的历史数据并利用机器学习技术，得到一套合适的机器学习模型用以对不同场景下信道传播路径损耗进行准确预测，成为一个非常有价值的研究方向。本题为参赛队伍提供统一的数据集。各参赛队伍可以自行将数据集拆分为训练集、测试集以及验证集，将其用于AI算法模型的训练及测试。算法的目的在于通过寻找工程参数、地理环境等因素与平均信号接收功率（RSRP）之间的映射模型（理论与实践表明RSRP是工程参数、地理环境等因素的随机函数），从而能够在新的环境中快速预测特定地理位置的RSRP值。赛题提供的训练数据集包含多个小区的工程参数数据、地图数据和RSRP标签数据，其格式为csv格式（Comma-Separated Values, 逗号分隔值格式）。数据集的结构以及对应数据的含义将会在下节中详细阐述。03训练数据集简介训练数据集一共包括了多个文件，每个文件代表一个小区内的数据。文件的命名方式为train_id.csv，其中id为小区的唯一标识，例如train_1003501.csv表示唯一标识为1003501的小区数据。文件的每一行代表小区内固定大小的测试区域的相关数据，行数不定(根据小区大小不同，面积越大的小区行数越多，反之亦然)，列数则固定为18列，其中前9列为站点的工程参数数据；中间8列为地图数据；最后1列是用于训练的RSRP标签数据。下表显示了其中一行数据作为样例：Table 1：训练数据样例下面介绍三部分中每一列的具体含义。3.1 工程参数数据工程参数数据记录了某小区内站点的工程参数信息，共有9个字段。各字段对应含义如Table 所示。Table 2：工程参数数据的字段含义为了方便数据处理，地图进行了栅格化处理，每个栅格代表了5m5m的区域（如下图Fig.1 所示），其中（CellX，Cell Y）记录了站点所在栅格的左上角坐标。其他的工程参数(Height, Azimuth, Electrical Downtilt, Mechanical Downtilt)如图Fig.2所示，其中机械下倾角(Mechanical Downtilt)是通过调整天线面板后面的支架来实现的，是一种物理信号下倾；而电下倾角(Electrical Downtilt)是通过调整天线内部的线圈来实现的，是一种电信号下倾。实际的信号线下倾角是机械下倾角和电下倾角之和。Fig. 1：栅格化地图的坐标说明Fig. 2：工程参数数据含义说明3.2 地图数据地图数据记录地形地貌等信息，共有8个字段，各字段对应含义如Table 所示。考虑地图类型的多样性和复杂性，城区、农村、湖泊等实际地物被抽象为数字，这些数字称为地物类型名称编号（Clutter Index），在Table 中可以看到地物类型名称编号所对应的实际地物类型。Table 3：地图数据的字段含义Table 4：地物类型名称的编号含义与工程参数数据一样，地图数据也进行了栅格化处理，每个栅格代表了5m5m的区域，其中（X，Y）记录了地图所在栅格的左上角坐标。在明确了地图存储格式之后，可以针对不同的参数对地图进行可视化处理。如Fig. 3所示，Fig. 3a-c分别根据栅格坐标以及房屋高度、海拔高度和地物类型索引作为特征对地图进行可视化处理。通过可视化处理，可以对地图数据有一个更为直观的了解。a：建筑物高度b：海拔高度c：地物类型索引Fig. 3：电子地图图像化示例3.3 RSRP标签数据平均信号接收功率(RSRP)标签数据作为实际测量结果，在监督学习中用于和机器学习模型预测的结果作比较，共有1个字段，对应含义如Table 所示。Table 5：RSRP标签数据表格的字段含义如Fig. 4所示，结合电子地图数据中的坐标和特征以及标签数据中的RSRP值，可以清晰地对信号功率分布进行可视化处理，从而明确辨识信号强弱覆盖区域Fig. 4：标签数据的可视化处理04无线传播模型建模赛题本赛题除在中国研究生数学建模竞赛网站上上交论文外，问题三需要在华为云平台上提交模型，不提交的队伍将被视为没有完成此题而不计入比赛成绩。4.1 特征工程中的特征设计高效的机器学习模型建立依赖于输入变量与问题目标的强相关性，因此输入变量也称为 “特征”。特征工程的本质是从原始数据中转换得到能够最好表征目标问题的参数，并使得各个参数的动态范围在一个相对稳定的范围内，从而提高机器学习模型训练的效率。一般特征工程的典型技术有：· 剔除失真、低质量数据；数据插值补齐；去除异常点；· 连续数据离散化；数据去均值；幅度限制；方差限制。高阶的特征工程需要充分利用与目标问题相关的专业知识。对于信道传播模型问题，可以如Fig. 5所示根据已知的几何位置来挑选合理的特征。例如，通过发射机相对地面的高度、机械下倾角、垂直电下倾角，发射机所在栅格位置与目标栅格位置，可以得到栅格与发射机的距离以及栅格与信号线的相对高度，而就可以作为一个特征。Fig. 5：根据目标栅格与发射机的地理位置关系提取特征除了几何位置特征，传统经验信道模型中涉及的参数也可以纳入特征工程的考察范围。例如城市中的经典模型Cost 231-Hata，其定义如下：其中PL定义为传播路径损耗（dB）、为载波频率（MHz）、基站天线有效高度（m）、用户天线有效高度（m）、用户天线高度纠正项(dB)、链路距离（km）以及为场景纠正常数（dB）。RSRP与PL的关系为：其中是小区发射机发射功率（dBm）(见Table 2)。问题一请根据Cost 231-Hata模型以及下述数据集信息设计合适的特征，并阐述原因。Table 6：数据集信息4.2 特征工程中的特征选择完成特征设计后，通常需要选择有意义的特征输入机器学习模型进行训练。对于不同方法构造出来的特征，需要从多个层面来判断这个特征是否合适。通常来说，可以从以下两个方面来选择特征：· 特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。· 特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优先选择。问题二基于提供的各小区数据集，设计多个合适的特征，计算这些特征与目标的相关性，并将结果量化、排序，形成如下的表格，并阐明设计这些特征的原因和用于排序的量化数值的计算方法。Table 7：特征名称及其与目标的相关性4.3 RSRP预测问题三在设计和选择了有效的特征之后，就可以通过建立预测模型来进行RSRP的预测了。请各个参赛队根据自己建立的特征集以及赛题提供的训练数据集，建立基于AI的无线传播模型来对不同地理位置的RSRP进行预测。为研究生更明白本问题的目标，下面将分别介绍评审数据集、提交内容和线上代码评分方法。4.3.1 评审数据集简介线上代码评分系统将使用对参赛队保密的评审数据集来对模型进行评分，以便公平地测试各参赛队提交模型的实际泛化能力。评审数据集与训练数据集一样，一共包括了多个文件，每个文件代表一个小区内的数据。文件的命名方式为test_id.csv，其中id为小区的唯一标识，例如test_1003501.csv表示唯一标识为1003501的小区数据。评审数据集的文件中含有除了RSRP之外的前17个字段，与该17个字段对应的RSRP字段需要由研究生提交的模型代码程序预测生成。4.3.2 提交内容论文要以文字形式详细阐述AI模型的建模过程，包括模型的建立方法，参数的设置和训练的结果，特别是第三问要阐述清楚。第三问需要提交完整的模型。针对每一个评审数据集的输入文件，模型输出要求也是一个文件，例如输入数据文件名为test_123456.csv，则输出文件名必须为test_123456.csv_result.txt。另外，输出文件的数量与输入文件必须一致，否则会以全0文件代替输出文件进行评分。例如，参赛队伍如果没有提交针对输入文件名为test_123456.csv的输出文件，系统在评分时会自动产生全零的test_123456.csv_result.txt进行评分。每个输出文件内容的样例如下所示{"RSRP": [[-54.505], [-73.416], [-76.123], [-74.261], [-98.143]]}其中方括号内的数字表示输入文件的每一行数据所对应的RSRP预测值，预测值的数量与输入文件的行数(表头除外)对应，例如上文的输出文件对应的输入文件应该是5行(表头除外)。如果输出文件的预测值少于输入文件的行数，则会以补0的形式将输出文件填满后进行评分；如果输出文件的预测值多余输入文件的行数，则会取输出文件的前N个预测值进行评分，其中N为输入文件的行数。4.3.3 线上代码评分方法对于提交的预测RSRP值，将根据以下条件进行排序。模型在评审数据集的评估下，弱覆盖识别率 (PCRR : Poor coverage recognition rate) 必须大于等于20%。在PCRR精度达标后，再根据预测均方根误差(RMSE : Root mean squared error)大小进行各参赛组的名次排序（RMSE小者排名靠前）。PCRR和RMSE的介绍如下所示：· 弱覆盖识别率 (PCRR : Poor coverage recognition rate)在进行预测的过程中如果可以有效识别弱覆盖区域，能够更好地帮助运营商精准规划和优化网络从而提升客户体验。因此，除RMSE为有效测试目标之外，弱覆盖识别准确率也是作为一项非常有价值的评价指标。在本次建模比赛中，弱覆盖判决门限的值定为-103 dBm。若RSRP预测值或实测值小于则为弱覆盖并标记为1，若大于等于则为非弱覆盖并标记为0。根据比较预测值和实测值得到的弱覆盖以及非弱覆盖的差别，可以对以下参数进行统计：· True Positive（TP）：真实值为弱覆盖，预测值也为弱覆盖；· False Positive（FP）：真实值为非弱覆盖，预测值为弱覆盖；· False Negative（FN）：真实值为弱覆盖，预测值为非弱覆盖；· True Negative（TN）：真实值为非弱覆盖，预测值也为非弱覆盖。Table 8：TP、FP、FN和TN的定义PCRR综合考虑Precision（准确率）和Recall（召回率）的目标，其计算公式如下：(3)其中Precision可以理解为预测结果为弱覆盖的栅格实际也是弱覆盖的概率，其定义如下：(4)Recall可以理解为真实结果为弱覆盖的栅格有多少被预测成了弱覆盖的概率，其定义如下：(5)PCRR的计算代码可以参考以下程序Table 9：PCRR计算方法参考· 均方根误差 (RMSE: Root mean squared error)RMSE是评估预测值和实测值整体偏差的指标，其大小直观表现了仿真准确性。直接计算待评估数据的RMSE，计算公式如下：(6)其中为参赛队机器学习模型对于第i组评审数据集的RSRP预测值，为第i组评审数据集的RSRP实际测量值。4.3.4 模型提交与数据获取组委会将为参赛队提供华为云ModelArts作为AI运算平台，训练数据集都存储在该平台上。参赛队伍可以将训练数据下载到本地展开训练，同时竞赛评审也利用华为云大赛平台进行。本次竞赛线上部分的数据集获取、模型提交、评分与排名系统等详细内容请访问本次竞赛的华为云网站：https://developer.huaweicloud.com/competition/competitions/1000013923/introction线上作品提交时间：9月21日早上9:00 - 9月23日中午12:00参赛选手可以多次提交模型，每个队伍每天提交次数上限为5次。最终以其提交中最优成绩为准。B题天文导航中的星图识别天文导航（Celestial Navigation）是基于天体已知的坐标位置和运动规律，应用观测天体的天文坐标值来确定航行体的空间位置等导航参数。与其他导航技术相比，天文导航是一种自主式导航，不需要地面设备，不受人工或自然形成的电磁场的干扰，不向外界辐射能量，隐蔽性好，而且定姿、定向、定位精度高，定位误差与时间无关，已被广泛用于卫星、航天飞机、远程弹道导弹等航天器。天文导航的若干背景知识可参阅附件1。星敏感器是实现航行体自主姿态测量的核心部件，是通过观测太空中的恒星来实现高精度姿态测量。恒星是用于天文导航最重要的一类天体。对天文导航而言，恒星可以看成是位于无穷远处的，近似静止不动的，具有一定光谱特性的理想点光源。借助天球坐标系，可用赤经与赤纬来描述恒星在某一时刻位置信息（相关定义和概念可参考附件1）。恒星在天球球面上的投影点称为恒星的位置。将星空中恒星的相关数据，按不同的需求编制而成的表册，称为星表。星表是星图识别的主要依据，也是姿态确定的基准。常用的星表中通常列有恒星的位置、自行、星等（亮度）、颜色和距离等丰富的信息。对于天文导航而言，感兴趣的信息主要是恒星的位置和星等。附件2提供了一个简易的星表，提供了部分恒星在天球坐标系下的位置（以赤经、赤纬来标记，单位：角度）和星等信息。全天自主的星图识别是星敏感器技术中的一项关键技术。星图识别是将星敏感器当前视场中的恒星（星图）与导航星库中的参考星进行对应匹配，以完成视场中恒星的识别。星图识别一般包括图像采集及预处理、特征提取、匹配识别等过程。图像预处理包括去除噪声和星点质心提取。为简化，本赛题暂不考虑具体的去除噪声和质心提取等问题，认为所讨论的星图图像已经完成了图像预处理。导航数据库一般包括两部分：导航星表和导航星特征数据库。导航星表是从基本星表中挑选一定亮度范围的导航星，利用其位置（赤经、赤纬）和亮度信息编制而成的简易星表。星敏感器除了需要构建导航星表外，还需要按照特征提取算法，构造导航星的特征向量，存储由特征向量构成的导航星特征数据库。提取出观测星的特征后，就可以寻找特征类似的导航星。如果找到特征惟一接近的导航星，即可认为二者匹配。匹配识别过程和提取特征的方法紧密相关。本赛题暂不考虑后续的航行体定姿定位问题。在星图识别的相关工作中需要用到天球坐标系、星敏感器坐标系、星敏感器图像坐标系等。其简单定义为：（1）天球坐标系。以天赤道为基圈，过春分点的时圈为主圈，春分点为主点。天球坐标系采用赤经、赤纬作为坐标量。参见附件1相关叙述。图1 星敏感器坐标系、图像坐标系及前视投影成像示意图（2）星敏感器坐标系。以投影中心（光轴上与感光面距离为的点，即光心，参见图1）为坐标原点，以光轴为轴（后面的讨论中，光轴与天球面的交点记为点），过点平行于感光面两边的直线作为轴和轴。图1为星敏感器坐标系、图像坐标系及前视投影成像示意图。（3）图像坐标系。以感光面的中心（点在该平面上的投影点）为坐标原点，平行于感光面两边的直线为轴和轴的平面坐标系，参见图1。请你们团队利用附件提供的相关背景材料和数据，建模分析下面问题：问题1 、、是3颗已知位置的恒星，即它们在天球坐标系下的赤经和赤纬已知；、、是来自恒星、、的平行光经过星敏感器光学系统成像在感光面上的星像点质心中心位置（参见图1）；记，，，。（1）建立由，，等参数解算点在天球坐标系的位置信息的数学模型，并给出具体的求解算法；（2）若不利用值的信息，试建立由，等参数求解点在天球坐标系中的位置信息的数学模型，并给出具体的求解算法；（3）一般来说，星敏感器视场内的恒星数量多于3颗，请讨论如何选择不同几何位置的三颗星，提高解算点在天球坐标系中的位置信息的精度，并分析相应的误差。问题2 传统的星图识别方法主要是以角距（即星与星之间的球心角，可直观理解为两颗恒星分别与地心连线之间的夹角）或其衍生的形式为特征，这类方法比较简单，但一般需要较大的存储空间，识别算法实时性不好，且识别率普遍不高。通过对星图中的星点信息进行更为精细的特征提取，构建更高层次的特征，可能会提高星图识别算法的实时性和降低误匹配率。基于附件2提供的简易星表信息，请构建相应的特征提取模型，设计对应的星图识别算法，确定出附件3给出的8幅星图中每一个星像点所对应的恒星编号（对应附件2简易星表的恒星编号），并对算法的性能进行评估。附件1 相关背景知识（含对附件2、附件3的说明，请注意！）附件2 简易星表附件3 8幅星图相关数据C题视觉情报信息分析研究表明，一般人所获取的信息大约有80%来自视觉。视觉信息的主要载体是图像和视频，视觉情报指的是通过图像或者视频获取的情报。从图像或视频中提取物体的大小、距离、速度等信息是视觉情报分析工作的重要内容之一，如在新中国最著名的“照片泄密案”中，日本情报专家就是通过《中国画报》的一幅封面照片解开了大庆油田的秘密[1]。在当前很热门的移动机器人、无人驾驶、计算机视觉、无人机侦察等领域，更是存在着大量的应用需求。尽管在对未来智能交通系统的设计等工作中，科研人员正在研究使用双目[2]或多目视觉系统或者特殊配置的单目视觉系统[3]获取相关信息，但在某些特定条件下，分析人员所能利用的，只能是普通的图像或视频[4,5]，其中的信息需要综合考虑各种因素，通过合适的数学模型来提取。本题从实际需求出发，选择单幅图像距离信息分析、平面视频距离信息分析和立体视频距离信息分析几个典型场景，提出如下四项任务：任务1：测算图1中红色车辆A车头和白色车辆B车头之间的距离、拍照者距马路左侧边界的距离；图2中黑色车辆A车头和灰色车辆C车尾之间的距离以及拍照者距白色车辆B车头的距离；图3中拍照者距岗亭A的距离以及拍照者距离地面的高度；图4中塔体正面(图中四边形ABCD)的尺寸，即AB和CD的长度以及AB和CD之间的距离 (已知地砖尺寸为80cm80cm)。任务2：附件“车辆.mp4”(右键点击后选择“保存到文件”可导出视频文件）是别克英朗2016款车上乘客通过后视镜拍摄的视频。（1）估算该车和后方红色车辆之间的距离；（2）估算该车超越第一辆白色车辆时两车的速度差异。任务3：附件“水面.mp4”是高铁乘客拍摄的一块水面，测算高铁行驶方向左侧第一座桥桥面距水面的高度、距高铁轨道的距离以及水面宽度，估算拍摄时高铁的行驶速度。任务4： 附件“无人机拍庄园.mp4”记录了某老宅的全景。（1）估算其中环绕老宅道路的长度、宽度、各建筑物的高度、后花园中树木的最大高度；（2）估算该老宅的占地面积；（3）测算无人机的飞行高度和速度1.建模过程中，除题中明确限定的条件外，你们可以作任何合理的假设或者补充真实的数据；2.对题中你们认为有歧义的表述，可以按照你们明确说明的理解解题而不会影响你们的最终成绩；3.论文中用到的非通用程序必须以附录形式附在文末，所有引用的文献资料（含计算机程序）都必须明确注明出处。4.论文主体（含摘要、目录、正文、参考文献，不含附录）不要超过40页。参考文献1.https://ke..com/item/%E4%B8%AD%E5%9B%BD%E6%9C%80%E8%91%97%E5%90%8D%E2%80%9C%E7%85%A7%E7%89%87%E6%B3%84%E5%AF%86%E6%A1%88%E2%80%9D/13870540?fr=aladdin2.https://ke..com/item/双目定位/60878103. 来佳伟，何玉青，李霄鹏 等：基于单目视觉的机械臂目标定位系统设计[J]，《光学技术》，2019.014. 刘军, 后士浩, 张凯,晏晓娟:基于单目视觉车辆姿态角估计和逆透视变换的车距测量[J],《农业工程学报》,Jul. 2018(pp70-76)5. 刘学军，王美珍，甄艳等：单幅图像几何量测研究进展[J]，《武汉大学学报》（信息科学版）,36( 8) : pp941 - 947.D题汽车行驶工况构建01问题背景汽车行驶工况（Driving Cycle）又称车辆测试循环，是描述汽车行驶的速度-时间曲线（如图1、2，一般总时间在1800秒以内，但没有限制标准，图1总时间为1180秒，图2总时间为1800秒），体现汽车道路行驶的运动学特征，是汽车行业的一项重要的、共性基础技术，是车辆能耗/排放测试方法和限值标准的基础，也是汽车各项性能指标标定优化时的主要基准。目前，欧、美、日等汽车发达国家，均采用适应于各自的汽车行驶工况标准进行车辆性能标定优化和能耗/排放认证。本世纪初，我国直接采用欧洲的NEDC行驶工况（如图1）对汽车产品能耗/排放的认证，有效促进了汽车节能减排和技术的发展。近年来，随着汽车保有量的快速增长，我国道路交通状况发生很大变化，政府、企业和民众日渐发现以NEDC工况为基准所优化标定的汽车，实际油耗与法规认证结果偏差越来越大，影响了政府的公信力（譬如对某型号汽车，该车标注的工信部油耗6.5升/100公里，用户体验实际油耗可能是8.5-10升/100公里）。另外，欧洲在多年的实践中也发现NEDC工况的诸多不足，转而采用世界轻型车测试循环（WLTC，如图2）。但该工况怠速时间比和平均速度这两个最主要的工况特征，与我国实际汽车行驶工况的差异更大。作为车辆开发、评价的最为基础的依据，开展深入研究，制定反映我国实际道路行驶状况的测试工况，显得越来越重要。另一方面，我国地域辽广，各个城市的发展程度、气候条件及交通状况的不同，使得各个城市的汽车行驶工况特征存在明显的不同。因此，基于城市自身的汽车行驶数据进行城市汽车行驶工况的构建研究也越来越迫切，希望所构建的汽车行驶工况与该市汽车的行驶情况尽量吻合，理想情况下是完全代表该市汽车的行驶情况（也可以理解为对实际行驶情况的浓缩），目前北京、上海、合肥等都已经构建了各城市的汽车行驶工况。为了更好地理解构建汽车行驶工况曲线的重要性，以某型号汽车油耗为例，简单说明标注的工信部油耗是如何测试出来？标注的工信部油耗并不是该型号汽车在实际道路上的实测油耗，而是基于国家标准（如《GB27840-2011重型商用车辆燃料消耗量测量方法》），在实验室里根据汽车行驶工况曲线，按照一定的标准，经检测、计算得出。由此可见，标注的工信部油耗是否与实际油耗相吻合，与汽车行驶工况曲线有密切关系。图1 欧洲NEDC工况图2. 世界WLTC工况02目标的提出在上述背景下，请根据附件（3个数据文件，每个数据文件为同一辆车在不同时间段内所采集的数据）所提供的某城市轻型汽车实际道路行驶采集的数据（采样频率1Hz），构建一条能体现参与数据采集汽车行驶特征的汽车行驶工况曲线（1200-1300秒），该曲线所体现的汽车运动特征（如平均速度、平均加速度等）能代表所采集数据源的相应特征，两者间的误差越小，说明所构建的汽车行驶工况的代表性越好。03解决的问题1.数据预处理由汽车行驶数据的采集设备直接记录的原始采集数据往往会包含一些不良数据值，不良数据主要包括几个类型：(1) 由于高层建筑覆盖或过隧道等，GPS信号丢失，造成所提供数据中的时间不连续；(2) 汽车加、减速度异常的数据（普通轿车一般情况下：0至100km/h的加速时间大于7秒，紧急刹车最大减速度在7.5~8 m/s2）；(3) 长期停车（如停车不熄火等候人、停车熄火了但采集设备仍在运行等）所采集的异常数据。(4) 长时间堵车、断断续续低速行驶情况（最高车速小于10km/h）,通常可按怠速情况处理。(5) 一般认为怠速时间超过180秒为异常情况，怠速最长时间可按180秒处理。请设计合理的方法将上述不良数据进行预处理，并给出各文件数据经处理后的记录数。2.运动学片段的提取运动学片段是指汽车从怠速状态开始至下一个怠速状态开始之间的车速区间，如图3所示（基于运动学片段构建汽车行驶工况曲线是日前最常用的方法之一，但并不是必须的步骤，有些构建汽车行驶工况曲线的方法并不需要进行运动学片段划分和提取）。请设计合理的方法，将上述经处理后的数据划分为多个运动学片段，并给出各数据文件最终得到的运动学片段数量。图3 运动学片段的定义3.汽车行驶工况的构建请根据上述经处理后的数据，构建一条能体现参与数据采集汽车行驶特征的汽车行驶工况曲线（1200-1300秒），该曲线的汽车运动特征能代表所采集数据源（经处理后的数据）的相应特征，两者间的误差越小，说明所构建的汽车行驶工况的代表性越好。要求：（1）科学、有效的构建方法（数学模型或算法，特别鼓励创新方法，如果采用已有的方法，必须注明来源）；（2）合理的汽车运动特征评估体系（至少包含但不限于以下指标：平均速度（km/h）、平均行驶速度（km/h）、平均加速度（m/）、平均减速度（m/）、怠速时间比（%）、加速时间比（%）、减速时间比（%）、速度标准差（km/h）、加速度标准差（m/）等）；（3）按照你们所构建的汽车行驶工况及汽车运动特征评估体系，分别计算出汽车行驶工况与该城市所采集数据源（经处理后的数据）的各指标（运动特征）值，并说明你们所构建的汽车行驶工况的合理性。04名词解释与参考文献1. 部分名词解释怠速：汽车停止运动，但发动机保持最低转速运转的连续过程。加速：汽车加速度大于0.1m/s2的连续过程。减速：汽车加速度小于-0.1m/s2的连续过程。巡航/匀速：汽车加速度的绝对值小于0.1m/s2非怠速的连续过程。平均速度：一段时间周期内，汽车速度的算术平均值。平均行驶速度：汽车在行驶状态下汽车速度的算术平均值，即不包含汽车怠速状态。怠速时间比：一段时间周期内，怠速状态的累计时间长度占该时间周期总时间长度的百分比。平均加速度：汽车在加速状态下各单位时间（秒）加速度的算术平均值。平均减速度：汽车在减速状态下各单位时间（秒）减速度的算术平均值。加速时间比：一段时间周期内，处在加速状态的累计时间长度占该时间周期总时间长度的百分比。减速时间比：一段时间周期内，处在减速状态的累计时间长度占该时间周期总时间长度的百分比。速度标准差：一段时间周期内，汽车速度的标准差，即包括怠速状态。加速度标准差：一段时间周期内，处在加速状态的汽车加速度的标准差。2. 参考文献【1】 Lin J, Niemeier D A. Exploratory analysis comparing a stochastic driving cycle to California's regulatory cycle[J]. Atmospheric Environment, 2002, 36(38):5759-5770.【2】 Karande, S., Olson, M., and Saha, B. Development of Representative Vehicle Drive Cycles for Hybrid Applications[J]. SAE Technical Paper 2014-01-1900, 2014, doi:10.4271/2014-01-1900.【3】 姜平，石琴，陈无畏，黄志鹏. 基于小波分析的城市道路行驶工况构建的研究[J]. 汽车工程, 2011(1):70-73.【4】 Knez M, Muneer T, Jereb B, et al. The estimation of a driving cycle for Celje and a comparison to other European cities[J]. Sustainable Cities and Society, 2014, 11:56-60.【5】 Ho, Sze-Hwee, Wong, Yiik-Diew, Chang, Victor Wei-Chung. Developing Singapore Driving Cycle for passenger cars to estimate fuel consumption and vehicular emissions [J]. Atmospheric Environment,2014,97:353-362. F题多约束条件下智能飞行器航迹快速规划复杂环境下航迹快速规划是智能飞行器控制的一个重要课题。由于系统结构限制，这类飞行器的定位系统无法对自身进行精准定位，一旦定位误差积累到一定程度可能导致任务失败。因此，在飞行过程中对定位误差进行校正是智能飞行器航迹规划中一项重要任务。本题目研究智能飞行器在系统定位精度限制下的航迹快速规划问题。假设飞行器的飞行区域如图1所示，出发点为A点，目的地为B点。其航迹约束如下：(1) 飞行器在空间飞行过程中需要实时定位，其定位误差包括垂直误差和水平误差。飞行器每飞行1m，垂直误差和水平误差将各增加个专用单位,，以下简称单位。到达终点时垂直误差和水平误差均应小于个单位，并且为简化问题，假设当垂直误差和水平误差均小于个单位时，飞行器仍能够按照规划路径飞行。(2) 飞行器在飞行过程中需要对定位误差进行校正。飞行区域中存在一些安全位置（称之为校正点）可用于误差校正，当飞行器到达校正点即能够根据该位置的误差校正类型进行误差校正。校正垂直和水平误差的位置可根据地形在航迹规划前确定（如图1为某条航迹的示意图,黄色的点为水平误差校正点，蓝色的点为垂直误差校正点，出发点为A点，目的地为B点，黑色曲线代表一条航迹）。可校正的飞行区域分布位置依赖于地形，无统一规律。若垂直误差、水平误差都能得到及时校正，则飞行器可以按照预定航线飞行，通过若干个校正点进行误差校正后最终到达目的地。图1：飞行器航迹规划区域示意图(3) 在出发地A点，飞行器的垂直和水平误差均为0。(4) 飞行器在垂直误差校正点进行垂直误差校正后，其垂直误差将变为0，水平误差保持不变。(5) 飞行器在水平误差校正点进行水平误差校正后，其水平误差将变为0，垂直误差保持不变。(6) 当飞行器的垂直误差不大于个单位，水平误差不大于个单位时才能进行垂直误差校正。(7) 当飞行器的垂直误差不大于个单位，水平误差不大于个单位时才能进行水平误差校正。(8) 飞行器在转弯时受到结构和控制系统的限制，无法完成即时转弯(飞行器前进方向无法突然改变)，假设飞行器的最小转弯半径为200m。请你们团队为上述智能飞行器建立从A点飞到B点的航迹规划一般模型和算法并完成以下问题：问题1. 针对附件1和附件2中的数据分别规划满足条件（1）~（7）时飞行器的航迹，并且综合考虑以下优化目标：（A）航迹长度尽可能小；（B）经过校正区域进行校正的次数尽可能少。并讨论算法的有效性和复杂度。其中附件1数据的参数为：附件2中数据的参数为：请绘出两个数据集的航迹规划路径，并将结果（即飞行器从起点出发经过的误差校正点编号及校正前误差）依次填入航迹规划结果表，放于正文中，同时将两个数据集的结果填入附件3的Sheet1和Sheet2中。问题2.针对附件1和附件2中的数据（参数与第一问相同）分别规划满足条件（1）~（8）时飞行器的航迹，并且综合考虑以下优化目标：（A）航迹长度尽可能小；（B）经过校正区域进行校正的次数尽可能少。并讨论算法的有效性和复杂度。请绘出两个数据集的航迹规划路径（直线用黑色，圆弧用红色），并将结果（即飞行器从起点出发经过的误差校正点编号及校正前误差）依次填入航迹规划结果表，放于正文中，同时将两个数据集的结果填入附件3的Sheet3和Sheet4中。问题3.飞行器的飞行环境可能随时间动态变化，虽然校正点在飞行前已经确定，但飞行器在部分校正点进行误差校正时存在无法达到理想校正的情况（即将某个误差精确校正为0），例如天气等不可控因素导致飞行器到达校正点也无法进行理想的误差校正。现假设飞行器在部分校正点（附件1和附件2中F列标记为“1”的数据）能够成功将某个误差校正为0的概率是80%，如果校正失败，则校正后的剩余误差为min(error，5)个单位（其中error为校正前误差，min为取小函数），并且假设飞行器到达该校正点时即可知道在该点处是否能够校正成功，但不论校正成功与否，均不能改变规划路径。请针对此情况重新规划问题1所要求的航迹，并要求成功到达终点的概率尽可能大。请绘出两个数据集的航迹规划路径，并将结果（即飞行器从起点出发经过的误差校正点编号及校正前误差）依次填入航迹规划结果表，放于正文中，同时将两个数据集的结果填入附件3的Sheet5和Sheet6中。再次提醒：问题1，问题2和问题3中的结果表格除了需要放在正文中，还需要汇总到附件3的Excel表格文件的6个不同Sheet中，表x的结果放入Sheet x中，最后将汇总的Excel表格命名为：参赛队号-结果表.xlsx，以附件形式提交。附录：航迹规划结果表（样式）航迹规划结果表x文章来源：网络