求大神研究求解答网

来源：蜘蛛抓取(WebSpider) 时间：2023-06-18 09:33 标签： 求解答网

选择擅长的领域继续答题？
{@each tagList as item}
${item.tagName}
{@/each}
手机回答更方便，互动更有趣，下载APP
提交成功是否继续回答问题？
手机回答更方便，互动更有趣，下载APP
你的回答被采纳后将获得：
系统奖励15（财富值+成长值）+难题奖励10（财富值+成长值）+提问者悬赏5（财富值+成长值）
展开全部中国人民大学统计学专业的研究生都考：思想政治理论、外国语、业务课一和业务课二。中国人民大学（Renmin University of China），简称“人大”，是教育部直属高校，教育部与北京市共建，位列国家首批“双一流”（A类）、“211工程”、“985工程”。科研平台截至2016年12月，学校拥有13个教育部普通高等学校人文社会科学重点研究基地，名列中国高校第一。拥有2个教育部工程研究中心、重点实验室，2个北京市重点实验室，3个北京市哲学社会科学研究基地；有23个跨学院研究机构、174个院属科研机构。以上内容参考 百度百科-中国人民大学已赞过已踩过你对这个回答的评价是？评论
收起展开全部1、中国人民大学统计学专业的研究生考：(101)思想政治理论(201)英语一或(202)俄语或(203)日语(303)数学三或者（302）数学二（报考02经济学类考数学三；报考07理学类考数学二）(805)统计学
2、查看中国人民大学官网公布的硕士专业目录即可了解，经济学和理学的统计学专业代码不同，分别是(020208)统计学和(0714Z1)统计学。
本回答被网友采纳展开全部我学的也是统计学
不是这个学校的不过刚准备考研
展开全部自己去买题。人大有卖的
收起
2条折叠回答
推荐律师服务：
若未解决您的问题，请您详细描述您的问题，通过百度律临进行免费专业咨询
为你推荐：
下载百度知道APP，抢鲜体验使用百度知道APP，立即抢鲜体验。你的手机镜头里或许有别人想知道的答案。扫描二维码下载
×个人、企业类侵权投诉
违法有害信息,请在下方选择后提交
类别色情低俗
涉嫌违法犯罪
时政信息不实
垃圾广告
低质灌水
我们会通过消息、邮箱等方式尽快将举报结果通知您。说明
做任务开宝箱累计完成0
个任务
10任务
50任务
100任务
200任务
任务列表加载中...
0.引言本篇文章主要在前面一维时序数据和一维频域数据研究的基础上，对添加噪声情况下的轴承故障诊断情况进行简单测试。由于添加噪声的方法在很多论文里较少出现，且多数对于添加方式交代不够清楚，所以我专门拿出来做个测试。而后会在三种工况下对于2个模型的基本能力进行比较。1.添加噪声的不同方式通常我们添加噪声都是高斯白噪声，这个没什么争议。但是对于训练集、验证集和测试集来说，具体添加的方式就有很大区别了。考虑实际情况，我们需要测试的数据肯定不会很干净，因此测试集中包含噪声是肯定的。那么训练集和验证集需不需要添加噪声呢？我认为都可以，添加噪声的时候，我们考虑的情况是我实际拥有的训练数据本身就是包含噪声的，在不进行降噪的情况下就是这种方式；而不添加噪声对应的是没有实际数据进行训练，模型是由比较干净的公开数据集训练而成的。这两种情况实际中都可能会遇到。现在使用WDCNN为模型，添加噪声信噪比SNR分别为10、6、2、-2、-6，强度逐渐增大。在全添加噪声的情况下运行3次取平均值，结果如下： 从上图可以看出，噪声强度在-6的时候，测试准确率才有些许下降。区分度不高，间接也说明了真实数据的重要性，也就是说如果我们有足够的同类数据，哪怕它充满噪声，我们一样可以做出比较准确的分类。第二种情况运行结果如下：这种情况下准确率的下降特别明显，更符合实际中测试的情形，也有利于看出模型的差距。因此后续的测试中，我们使用这种噪声添加方式。2.两种模型多工况测试之前我们对一维时序数据进行了FFT变换，在无噪声的情况下也得出了不错的结果。在相同情况下，我们将其与时序数据作为输入的原始WDCNN进行比较，结果如下：A-B model1准确率: 99.81
model2准确率: 100.00
A-C model1准确率: 96.43
model2准确率: 97.80
B-A model1准确率: 99.70
model2准确率: 97.96
B-C model1准确率: 92.53
model2准确率: 98.49
C-A model1准确率: 80.57
model2准确率: 79.87
总用时：465.9sec
#1 训练平均用时： 40.0sec
#2 训练平均用时： 53.2sec
CNN_1D Accuracy: 94.42% (+/-1.43)
WDCNN Accuracy: 93.35% (+/-1.81)如上可见，FFT效果要略好一些，速度也快不少。接下来我们直接向数据中添加SNR分别为6、-2、-6的噪声。为了节省时间，结果是进行5次以后取平均值。首先是SNR=6时，噪声较弱：A-B model1准确率: 88.31
model2准确率: 99.54
A-C model1准确率: 70.29
model2准确率: 92.80
B-A model1准确率: 74.51
model2准确率: 91.37
B-C model1准确率: 72.54
model2准确率: 96.34
C-A model1准确率: 50.04
model2准确率: 85.53
总用时：464.2sec
#1 训练平均用时： 39.5sec
#2 训练平均用时： 53.3sec
CNN_1D Accuracy: 69.43% (+/-5.78)
WDCNN Accuracy: 92.47% (+/-1.33)说实话，结果和我预计的差别挺大。本以为FFT处理以后对噪声会有较好的抵抗力，结果反而相反。继续增大噪声，SNR=-2时，噪声强度适中：A-B model1准确率: 44.50
model2准确率: 47.50
A-C model1准确率: 38.24
model2准确率: 44.64
B-A model1准确率: 38.81
model2准确率: 36.19
B-C model1准确率: 39.64
model2准确率: 41.89
C-A model1准确率: 32.66
model2准确率: 42.06
总用时：432.7sec
#1 训练平均用时： 38.0sec
#2 训练平均用时： 48.6sec
CNN_1D Accuracy: 38.12% (+/-2.68)
WDCNN Accuracy: 41.99% (+/-2.24)此时发现二者效果相近。再次加大噪声到SNR=-6：A-B model1准确率: 23.17
model2准确率: 17.66
A-C model1准确率: 21.76
model2准确率: 17.11
B-A model1准确率: 25.84
model2准确率: 19.61
B-C model1准确率: 27.16
model2准确率: 18.21
C-A model1准确率: 23.06
model2准确率: 21.97
总用时：463.9sec
#1 训练平均用时： 40.3sec
#2 训练平均用时： 52.5sec
CNN_1D Accuracy: 24.18% (+/-1.67)
WDCNN Accuracy: 19.51% (+/-2.16)此时FFT方法效果反超，当然，这样的准确率都太低了，比较的意义没那么大。3.简单分析首先CNN_1D这个模型是我随手调出来的，不足之处肯定不少，添加噪声后也没有进一步调优。因此效果确实不尽人意。而WDCNN模型是针对噪声进行过优化的，其表现也和原论文中的相差不多。下图中上面是添加噪声6的图，下面是-6，可见差别还是挺大的，噪声的影响确实非常显眼。后续，我将尝试用比较好的二维模型来做测试，看看具体效果如何。再次谢谢大家阅读和关注。

我要回帖

更多关于 求解答网 的文章

 

随机推荐