modified: .gitignore

modified:   README.md
	new file:   requirement.txt
	new file:   scripts_2/README.md
	new file:   scripts_2/__init__.py
	new file:   scripts_2/__pycache__/__init__.cpython-310.pyc
	new file:   scripts_2/__pycache__/signal_utils.cpython-310.pyc
	new file:   scripts_2/__pycache__/task3_identify.cpython-310.pyc
	new file:   scripts_2/signal_utils.py
	new file:   scripts_2/task3_identify.py
	new file:   scripts_3/README.md
	new file:   scripts_3/__init__.py
	new file:   scripts_3/__pycache__/__init__.cpython-310.pyc
	new file:   scripts_3/__pycache__/task4_predict_freq.cpython-310.pyc
	new file:   scripts_3/task4_predict_freq.py

README.md

@@ -1,193 +1,164 @@
-# 建筑结构响应预测项目
+# 建筑结构课程评测代码总览 (Course Evaluation Toolkit)
 
-## 项目概述
+## 项目简介
+本项目面向建筑结构振动课程评测场景，提供三类核心功能：
 
-本项目使用时间卷积网络（Temporal Convolutional Network, TCN）模型来预测建筑结构在地震波和简谐波激励下的响应。模型基于底部传感器的振动数据预测多个传感器的响应，实现结构健康监测和振动控制。
+1. 根据基底简谐激励频率，预测模型顶部加速度 Z 向响应的整体均方根 RMS 值。
+2. 根据顶部自由衰减响应，识别结构一阶自振频率和阻尼比。
+3. 根据顶部强迫振动响应，反推出输入简谐波的激振频率。
 
-## 主要特性
+项目包含三套脚本目录：`scripts`、`scripts_2`、`scripts_3`。三套脚本分别对应 RMS 预测、结构动力特性识别、激振频率逆向预测。
 
-- **多输出预测**：基于单个输入传感器预测5个输出传感器的响应
-- **时间序列建模**：使用TCN处理序列数据，支持长距离依赖
-- **数据增强**：支持有/无TMD（调谐质量阻尼器）条件下的数据训练
-- **自动化评估**：提供完整的训练和测试流程
+## 课程评测流程
+教师评测时可按以下流程使用代码：
+
+1. **顶部响应 RMS 预测**
+   教师进行一组基底激励输入试验。对每组简谐波频率，使用 `scripts` 目录下的脚本预测顶部加速度 Z 向响应的整体 RMS 值。
+2. **结构动力参数识别**
+   教师对模型略微做出改动后，采集顶部自由衰减响应，使用 `scripts_2` 目录下的脚本识别一阶自振频率和阻尼比。
+3. **激振频率逆向预测**
+   教师再次进行一组基底激励输入试验，使用 `scripts_3` 目录下的脚本，根据顶部加速度响应反推输入简谐波的激振频率。
 
 ## 项目结构
 
-```
+```text
 Building-main/
-├── src/
-│   ├── __init__.py
-│   ├── config.py          # 配置文件，包含模型和训练参数
-│   ├── dataset.py         # 数据集处理和数据加载器
-│   ├── model.py           # TCN模型定义
-│   ├── train.py           # 训练脚本
-│   └── evaluate.py        # 评估脚本
-├── downloads/             # 数据目录
-│   ├── Non_TMD/          # 无TMD数据
-│   │   ├── train/        # 训练数据
-│   │   ├── val/          # 验证数据
-│   │   └── test/         # 测试数据
-│   └── TMD/              # 有TMD数据
-├── 数据链接.txt           # 数据下载链接配置文件
-├── download_from_data_links.py  # 数据下载脚本
-├── best_model.pth        # 训练好的模型权重
-└── README.md             # 项目说明文档
+├── downloads/                # 数据目录
+│   └── Non_TMD/
+│       ├── free_vib/         # 自由衰减数据
+│       ├── train/            # 简谐波训练数据
+│       ├── val/              # 简谐波验证数据
+│       └── test/             # 其他测试数据
+├── scripts/                  # 任务 1：顶部响应 RMS 预测
+├── scripts_2/                # 任务 2：自振频率与阻尼比识别
+├── scripts_3/                # 任务 3：激振频率逆向预测
+├── requirement.txt           # Python 依赖清单
+└── README.md                 # 总说明文档
 ```
 
-## 环境要求
+## 三套脚本说明
 
-- Python 3.8+
-- PyTorch 1.9+
-- CUDA（可选，用于GPU加速）
-- 其他依赖：numpy, pandas, scikit-learn, matplotlib
+### `scripts`
+该目录用于完成顶部响应 RMS 预测任务。
 
-## 安装依赖
+- 输入为基底传感器信号与文件频率标签。
+- 输出为顶部加速度 Z 向响应的整体 RMS 预测值。
+- 主要脚本包括 `train_final.py`、`evaluate.py`、`predict_single.py`。
 
-1. 创建虚拟环境：
-```bash
-python -m venv .venv310
-# Windows
-.venv310\Scripts\activate
-# Linux/Mac
-source .venv310/bin/activate
-```
+### `scripts_2`
+该目录用于完成结构动力特性识别任务。
 
-2. 安装依赖：
-```bash
-pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
-pip install numpy pandas scikit-learn matplotlib
-```
+- 数据来源为 `downloads/Non_TMD/free_vib/` 目录下的自由衰减 CSV 文件。
+- 使用顶部响应传感器 `WSMS00007` 的 `value3` 列。
+- 输出一阶自振频率、阻尼比与诊断图像。
 
-## 数据准备
+### `scripts_3`
+该目录用于完成激振频率逆向预测任务。
 
-### 下载数据
+- 使用强迫振动数据，如 `downloads/Non_TMD/val/` 或 `downloads/Non_TMD/test/`。
+- 使用顶部响应传感器 `WSMS00007` 的 `value3` 列识别主频。
+- 主要脚本为 `task4_predict_freq.py`。
 
-运行数据下载脚本从配置文件下载数据：
+## 传感器约束
+
+- **顶部响应传感器**
+  任务 2 和任务 3 统一使用 `WSMS00007` 的 `value3` 列。
+- **基底输入传感器**
+  `WSMS00012` 的 `value1` 列用于参考与对照。
+- **任务 3 频率逆推**
+  激振频率预测直接基于顶部响应频谱结果。
+
+## 环境准备
+
+项目建议使用 **Python 3.10** 创建新的虚拟环境，再安装根目录的 `requirement.txt`。
+
+**1. 创建虚拟环境**
 
 ```bash
-python download_from_data_links.py
+py -3.10 -m venv .venv
 ```
 
-脚本会从 `数据链接.txt` 中读取下载链接，并将数据保存到 `downloads/` 目录。
-
-### 数据格式
-
-数据为CSV格式的长表结构，包含以下字段：
-- `code`: 传感器编码
-- `type`: 数据类型
-- `time`: 时间戳
-- `value1`, `value2`, `value3`: 三个轴的振动值
-
-### 数据集说明
-
-- **Non_TMD**: 无调谐质量阻尼器条件下的数据
-- **TMD**: 安装调谐质量阻尼器条件下的数据
-- 包含谐波激励（不同频率和振幅）和地震波激励数据
-
-## 配置说明
-
-主要配置参数在 `src/config.py` 中：
-
-- **数据配置**：
-  - `SEQ_LEN`: 序列长度（512）
-  - `STEP_SIZE`: 滑动窗口步长（20）
-  - `BATCH_SIZE`: 批大小（256）
-
-- **传感器配置**：
-  - `INPUT_SENSOR`: 输入传感器编码（'WSMS00012'）
-  - `OUTPUT_SENSORS`: 输出传感器编码列表
-  - `INPUT_AXIS`: 输入轴（'value1' - X轴）
-  - `OUTPUT_AXIS`: 输出轴（'value3' - Z轴）
-
-- **模型配置**：
-  - `CHANNELS`: TCN各层通道数 [64, 64, 128, 128, 256, 256]
-  - `KERNEL_SIZE`: 卷积核大小（5）
-  - `DROPOUT`: Dropout率（0.2）
-
-- **训练配置**：
-  - `LEARNING_RATE`: 学习率（1e-4）
-  - `EPOCHS`: 训练轮数（50）
-  - `WEIGHT_DECAY`: 权重衰减（1e-3）
-
-## 训练模型
-
-### 基本训练
-
-运行训练脚本：
+**2. 激活虚拟环境**
 
 ```bash
-cd src
-python train.py
+.\.venv\Scripts\activate
 ```
 
-训练过程会：
-1. 加载Non_TMD条件下的训练和验证数据
-2. 初始化TCN模型
-3. 使用AdamW优化器和学习率调度器训练
-4. 保存最佳模型到 `best_model.pth`
-
-### 高级训练选项
-
-修改 `src/config.py` 中的参数来自定义训练：
-- 调整学习率、批大小等超参数
-- 启用/禁用早停（`ENABLE_EARLY_STOP`）
-- 修改模型架构参数
-
-## 模型评估
-
-运行评估脚本：
+**3. 安装依赖**
 
 ```bash
-cd src
-python evaluate.py
+python -m pip install -r requirement.txt
 ```
 
-评估过程会：
-1. 加载测试数据
-2. 加载训练好的模型权重
-3. 对测试数据进行预测
-4. 生成可视化结果保存为 `test_results.png`
+`requirement.txt` 已包含三套脚本使用到的核心依赖：
 
-## 模型架构
+- `numpy`
+- `pandas`
+- `scipy`
+- `matplotlib`
+- `scikit-learn`
 
-### BuildingTCN
+## 使用方法
 
-- **输入**: (batch_size, seq_len, 1) - 底部传感器X轴数据
-- **输出**: (batch_size, seq_len, 5) - 5个传感器的Z轴预测
-- **架构**: 多层TCN + 线性输出层
+### 1. 顶部响应 RMS 预测
+对单个简谐波文件预测顶部响应 RMS：
 
-### TemporalConvNet
+```bash
+python scripts\predict_single.py --file downloads\Non_TMD\val\harmonic_5mm_0.75Hz.csv
+```
 
-- 使用膨胀卷积（dilation）实现长距离依赖
-- 残差连接保证梯度传播
-- 权重归一化提高训练稳定性
+对全量样本进行评估：
 
-## 使用说明
+```bash
+python scripts\evaluate.py
+```
 
-### 自定义数据集
+如需重新训练模型：
 
-1. 将新数据放入 `downloads/Non_TMD/` 或 `downloads/TMD/` 相应子目录
-2. 确保数据格式符合要求
-3. 修改 `src/config.py` 中的传感器配置（如需要）
-4. 重新运行训练脚本
+```bash
+python scripts\train_final.py
+```
 
-### 预测新数据
+### 2. 自由衰减法识别自振频率和阻尼比
+对自由衰减文件执行识别：
 
-1. 准备输入数据（CSV格式）
-2. 修改 `src/dataset.py` 中的数据加载逻辑
-3. 使用加载的模型进行推理
+```bash
+python scripts_2\task3_identify.py --file downloads\Non_TMD\free_vib\free_decay.csv
+```
 
-## 注意事项
+脚本输出内容包括：
 
-- 确保数据目录结构正确
-- GPU内存不足时可适当减小 `BATCH_SIZE`
-- 模型收敛可能需要调整学习率
-- 测试数据可视化仅显示第一个batch的第一条序列
+- 一阶自振频率 `f_n`
+- 对数衰减率 `delta`
+- 阻尼比 `zeta`
+- 原始波形、滤波结果与包络线图像
 
-## 贡献
+### 3. 根据顶部响应反推激振频率
+对单个强迫振动文件执行频率逆推：
 
-欢迎提交Issue和Pull Request来改进项目。
+```bash
+python scripts_3\task4_predict_freq.py --file downloads\Non_TMD\val\harmonic_5mm_0.75Hz.csv
+```
 
-## 许可证
+脚本输出内容包括：
 
-本项目仅供学习和研究使用。
+- 稳态段采样范围
+- 预测激振频率
+- 文件名中的频率真值
+- 绝对误差
+- 时域与频域诊断图像
+
+## 结果输出
+
+运行脚本后，图像与评测结果默认保存到 `evaluation_outputs/` 目录下，对应子目录如下：
+
+- `evaluation_outputs/task1_final/`
+- `evaluation_outputs/task3_identify/`
+- `evaluation_outputs/task4_predict_freq/`
+
+## 说明
+
+- `scripts` 目录负责 RMS 预测。
+- `scripts_2` 目录负责自由衰减识别。
+- `scripts_3` 目录负责激振频率逆推。
+- 数据文件命名中包含频率标签时，脚本会自动提取真值用于误差统计。