23年的数学建模研赛也结束了，分享一下自己在拿到题后的一点点大致的思路吧。

A题：没看

B题：看了但是最后放弃了

Q1

K = 2 3 4 5 ...

q = 16

P = {}

C题：大规模创新类竞赛评审方案，（感觉太简单没选择）

两阶段评审

5专家对其评分S1 取标准分，取5个均值S1_mu后排序，按一定比例a%进入第二阶段，
3专家，取标准分后对少数c%极差大的作品进行调整，再进行求和。
将1和2 中的标准分进行求和

Q1

3000参赛队 125 专家如何建立每个队伍之间相关性评价指标的问题相似性度量

目标函数即为相似度决策变量：

若100号队伍与400号队伍之间为相同的专家，则可认为相似度为1.0 五个都不相同则认为相似度为0

D题：同C

E题：和F抉择了一下还是选了F

F题：

赛题数据格式说明

雷达数据目录结构：

主目录下为3个变量（dBZ、ZDR、KDP）子目录，每个变量子目录下为3个等高面（1km，3km，7km）的格点数据次级子目录，每个次级子目录包括data_dir_000 - data_dir_257共258个数据目录（data_dir_000 到 data_dir_257，每一个文件夹中是一次连续的降水过程，其中的数字是编号）。每个降水过程包含连续多帧数据，相邻两帧之间的时间间隔为6分钟（每个frame是一帧，也就是一次雷达扫描，两帧之间的时间间隔是6分钟，其中的数字是帧的编号；因为每次降水过程的时间长度不同，所以每个文件夹下面的frame的数量是不一样的，但编号都是从000开始。每一帧数据是256×256，对应于256km×256km的平面区域）。
不同变量和不同次级子目录间数据时刻一一对应；

降水数据为近似的地面降水，不含高度信息。其它储存格式与雷达数据完全相同。

数据值：

雷达和降水数据保存为python的numpy数据形式，精度为默认的float32。可通过类似如下代码读取：

import numpy as np
filename = ‘./dBZ/3.0km/data_dir_000/frame_000.npy’
data_frame = np.load(filename)
雷达数据范围为原始观测数据范围。可将数据进行归一化，参考的归一化范围和代码：
norm_param = {
            'dBZ': [0, 65],
            'ZDR': [-1, 5],
            'KDP': [-1, 6],}
mmin, mmax = norm_param[‘dBZ’]
data_frame = (data_frame – mmin) / (mmax - mmin)

降水数据与雷达数据格点相对应，数据值为6分钟内的降水累积值。

如何有效应用双偏振变量改进强对流预报，仍是目前气象预报的重点难点问题。请利用题目提供的数据，建立可提取用于强对流临近预报双偏振雷达资料中微物理特征信息的数学模型。临近预报的输入为前面一小时（10帧）的雷达观测量（_Z_H 、_Z_DR、_K_DP），输出为后续一小时（10帧）的_Z_H预报. 1 Z_H 2 Z_DR 3 K_DP

总述数据特征数据特性

1.1 数据前处理 1.1.1 归一化处理 1.1.2 参考[xxx]做出的什么什么研究，将其中的数据进行一系列筛选以降低ram的使用，使得算法整体效率增加，也避免极端天气的数据成为孤值，影响回归的结果。

fig 3 网格划分方式和筛选标准 fig 4 筛选算法流程图

algorithm 1 名称：筛选算法， input

算法过程伪代码

output

1.1.3 数据集配比

1.2 深度学习框架选择

P1 综述第一段将文献做一个整理跟综述比较文献中提到的模型有哪些优缺点，对于本题使用何种模型比较适合，为什么，自圆其说即可

1.2.1 我们所选的框架介绍网络设计 fig 5 网络pipeline

1.3 实验过程实验环境，配置介绍，实验数据交叉验证等等实验过程图，epoch、batch size、step 所选用的评价指标是什么

最后的结果，AUC or 另外的指标

本文章使用limfx的vscode插件快速发布

23年华为杯数学建模个人向思路