可压二维大气中三类定常基态的稳定性分析

本文讨论了可压、绝热、无耗散的二维大气中三类定常基态的稳定性问题，并严格证明了这三类定常基态的稳定性性质是由基态的特征矩阵Λ的性质所决定的：ａ．若Λ在域Ｇ＋Γ内处处为正定矩阵，则基态是稳定的；ｂ．若Λ在域Ｇ＋Γ内非处处为半正定矩阵，则基态是不稳定的     

状态方程求解中的拉格郎日插值公式应用

用对角矩阵及相似矩阵性质证明了“当状态转移矩阵ｅ＾Ａｔ中方阵Ａ的特征根相异时，拉格朗日插值公式与Ｌａｐｌａｃｅ变换法对ｅ＾Ａｔ表达具有一致性，并用极限方法对方阵Ａ含二重根时拉格朗日插值公式的应用进行了推导。ｋ     

基于神经网络方法的不确定非线性微分-代数子系统的鲁棒反推镇定控制

对于指数1且关联可测的不确定非线性微分-代数子系统,将反推方法和神经网络相结合,研究了其鲁棒渐近镇定控制问题.基于反推方法来构造镇定控制器,利用3层的神经网络来逼近每一步控制器构造过程中的不确定项.提出一种新的自适应算法对神经网络权值进行在线调节,并适当选取每一步虚拟控制器的参数,最终得到的控制器使得闭环系统是渐近稳定的.     

随机马尔可夫跳变系统的弹性动态输出反馈控制

本文讨论了随机噪声影响下马尔可夫跳变系统的弹性动态输出反馈控制问题.在系统随机干扰和控制输入扰动的情况下,设计的弹性控制器可以确保闭环系统的依概率渐近稳定性.通过运用随机微分方程理论和线性矩阵不等式技术对系统进行稳定性分析,获得了系统依概率渐近稳定的充分条件和控制器增益.最后通过数值算例和直升机系统仿真验证了所提弹性动态输出反馈控制方法的有效性.     

不确定时变时滞系统的鲁棒最优Ｈ∞ 控制

针对一类参数不确定时变时滞线性系统,研究了鲁棒最优Ｈ∞ 控制器的设计问题．首先利用积分不等式和引入自由权矩阵的方法,得到了系统稳定及Ｈ∞ 反馈控制器存在的充分条件;然后将其转化为线性矩阵不等式（ＬＭＩ）表示,通过线性矩阵不等式的可行解构造控制器, 保证了闭环系统渐近稳定且满足一定的Ｈ∞干扰抑制水平,得到的稳定化条件是依赖时滞大小且不要求时滞函数的导数信息,即适用于时滞快速变化的系统．算例表明了该方法的可行性．     

具有控制器增益随机不确定性的多智能体一致性控制

针对控制器存在随机不确定性的多智能体系统,研究了所有智能体状态达到一致的控制问题.首先,假设智能体连接网络拓扑是无向、固定和连通的,而且每个个体的控制器存在相同的随机不确定性,最终得到了融合随机控制器增益不确定的闭环控制系统模型.应用基于李雅普诺夫稳定性理论、线性矩阵不等式技术和鲁棒控制方法,得到了一种保证误差状态系统渐近稳定的充分条件.进一步通过一系列矩阵变换处理技巧,将状态反馈控制器的存在条件转化为一组线性矩阵不等式的可行解问题.最后应用计算机仿真验证了该控制器设计结果的有效性.     

响应变量随机缺失下部分线性单指标模型的非参数判别检验

研究了响应变量随机缺失情况下部分线性单指标模型的非参数部分检验问题,检验非参数部分预测变量同响应变量之间是否存在非线性关系.用参数和非参数函数的借补估计对缺失响应变量进行插值,并基于借补估计构造了广义似然比检验统计量,证明了其渐近分布性质.     

成都地面最低气温年极值的渐近分布

利用成都１９３３～１９９２年间的地面最低气温年极值记录，采用韦伯分布和耿贝尔分丰，分别对其进行了渐近分布拟合，通过统计推断，找出了成都地面最低气温年极值所遵循的最佳渐近分布－韦伯分布。     

带权网络的个性化PageRank计算

PageRank是衡量网络节点重要性的指标之一,个性化PageRank是普通PageRank的推广形式.目前关于(个性化)PageRank的研究主要集中在无权网络,而关于带权网络的研究结果较少.有鉴于此,基于矩阵变换和蒙特卡罗方法,分别给出了在静态和动态带权网络中个性化PageRank计算方法,并从理论上分析了算法的性能.实验结果显示,两种算法都优于传统的幂迭代算法.     

一种气候预测综合决策的方法——递归正权综合决策法

根据气候预测的特点，提供了以误差平方和为风险函数，以正权综合为模式的多途径气候预测决策方案。不仅从理论上论证了几种正权方法的优性，还提供了递归技巧，进一步提高了正权综合的预测精度。对1997年汛期降水预测所做的综合决策表明，该方法具有较好的综合决策能力。     

关于《关于正规矩阵的一些奇异值不等式》的注记

在半正定矩阵特征值的控制不等式基础上,利用奇异值和特征值之间的关系以及正规矩阵的特点,推导出正规矩阵奇异值的控制不等式,推广了有关文献的相关结论.     

An Adaptive Estimation of Forecast Error Covariance Parameters for Kalman Filtering Data Assimilation

An adaptive estimation of forecast error covariance matrices is proposed for Kalman filtering data assimilation. A forecast error covariance matrix is initially estimated using an ensemble of perturbation forecasts. This initially estimated matrix is then adjusted with scale parameters that are adaptively estimated by minimizing -2log-likelihood of observed-minus-forecast residuals. The proposed approach could be applied to Kalman filtering data assimilation with imperfect models when the model error statistics are not known. A simple nonlinear model (Burgers' equation model) is used to demonstrate the efficacy of the proposed approach.     

用层次分析法确定气象服务评价指标权重

在气象服务评价体系中,以气象服务总体评价为目标层,分层次确立一级和二级评价指标,利用2010年全国公众气象服务满意度调查中评价指标数据,应用层次分析法 (AHP) 中的9分位标度法和0.618标度法来构建判断矩阵,分析了各级评价指标的权重系数确定方法。分析发现,当评价指标少于5个时,可采用9分位标度法构建判断矩阵,以确定各评价指标的权重值;而当评价指标达到5个时,需采用0.618标度法来构建判断矩阵,计算出相应的权向量即为权重系数。将上述方法应用于2011年公众气象服务满意度调查数据中,前后两年主要评价指标对比显示,气象服务信息内容的权重在增加,而气象知识宣传普及的权重有所减小,即公众对于气象服务信息内容更为重视,同时气象部门对于公众的气象知识宣传普及工作也取得了成效。     

不确定系数多离散时滞的中立型系统的时滞相关鲁棒稳定性

研究了一类时变不确定系数多离散时滞中立型系统的时滞相关鲁棒稳定性问题.利用线性矩阵不等式技术,提出了一种计算该系统自由权矩阵和时滞上界的简化方法,并在系统中考虑了中立项时滞和离散时滞,得到了上述系统为稳定与鲁棒稳定的一些充分条件.最后,用数值例子说明了该方法的有效性和较小的保守性.     

Adaptation of the optimal fingerprint method for climate change detection using a well-conditioned covariance matrix estimate

The “optimal fingerprint” method, usually used for detection and attribution studies, requires to know, or, in practice, to estimate the covariance matrix of the internal climate variability. In this work, a new adaptation of the “optimal fingerprints” method is presented. The main goal is to allow the use of a covariance matrix estimate based on an observation dataset in which the number of years used for covariance estimation is close to the number of observed time series. Our adaptation is based on the use of a regularized estimate of the covariance matrix, that is well-conditioned, and asymptotically more precise, in the sense of the mean square error. This method is shown to be more powerful than the basic “guess pattern fingerprint”, and than the classical use of a pseudo-inverted truncation of the empirical covariance matrix. The construction of the detection test is achieved by using a bootstrap technique particularly well-suited to estimate the internal climate variability in real world observations. In order to validate the efficiency of the detection algorithm with climate data, the methodology presented here is first applied with pseudo-observations derived from transient regional climate change scenarios covering the 1960–2099 period. It is then used to perform a formal detection study of climate change over France, analyzing homogenized observed temperature series from 1900 to 2006. In this case, the estimation of the covariance matrix is only based on a part of the observation dataset. This new approach allows the confirmation and extension of previous results regarding the detection of an anthropogenic climate change signal over the country.     

Retrieval single-doppler radar wind with variational assimilation method-part i: objective selection of functional weighting factors

In variational problem, the selection of functional weighting factors (FWF) is one of the key points for discussing many relevant studies. To overcome arbitrariness and subjectivity of the empirical selecting methods used widely at present, this paper tries to put forward in optimal objective selecting method of FWF. The focus of the study is on the weighting factors optimal selection in the variation retrieval single-Doppler radar wind field with the simple adjoint models. Weighting factors in the meaning of minimal variance are calculated out with the matrix theory and the finite difference method of partial differential equation. Experiments show that the result is more objective comparing with the factors obtained with the empirical method.     

Retrieval Single-Doppler Radar Wind with Variational Assimilation Method-Part I: Objective Selection of Functional Weighting Factors

Ｉ．ＩＮＴＲＯＤＵＣＴＩＯＮＡｔｐｒｅｓｅｎｔ,ｏｎｅｏｆｔｈｅｍａｉｎｗａｙｓｆｏｒｓｔｕｄｙｉｎｇｎｕｍｅｒｉｃａｌｗｅａｔｈｅｒｆｏｒｅｃａｓｔｉｓｔｏｔｒａｎｓｆｅｒｔｈｅｉｎｉｔｉａｌｖａｌｕｅｐｒｏｂｌｅｍｏｆｄｉｆｅｒｅｎｔｉａｌｅｑｕ...     

利用多时刻资料作低纬地区风场同化的试验

本文讨论了在低纬地区利用多时刻风的观测资料作资料同化的一些试验结果。在资料同化过程中,采用经验正交迭代法。有两种组成资料矩阵的方法。一是把风的两个分量分别作为两个资料矩阵的元素,另一个是把两个分量作为同一资料矩阵的元素。对这两种方法的试验和比较表明,后者比前者有更好的结果。资料同化所得到的风场,可用于客观分析。     

混合误差协方差用于集合平方根滤波同化的试验

在集合卡尔曼滤波方法中, 根据预报集合统计提供的依流型而变的预报误差协方差对同化起到决定性的作用。但在集合样本容量不足及模式存在系统误差时, 由预报集合估计的预报误差协方差会出现明显偏差。既要减小这种估计偏差对同化产生的影响而又不增加计算量, 一种可供选择的方法是将定常或准定常的高斯型预报误差协方差和由预报集合估计的预报误差协方差加权平均用于集合卡尔曼滤波同化。利用浅水方程模式, 通过观测系统模拟试验检验在不同的模式误差、 集合成员数以及观测密度条件下, 将这种混合预报误差协方差矩阵用于在集合平方根滤波的效果。试验结果表明, 当预报集合成员数较多而模式又无误差时, 不必采用混合的预报误差协方差矩阵, 否则, 采用混合的预报误差协方差矩阵都有可能改进分析和预报。混合预报误差协方差的最优的权重系数与模式误差关系密切, 模式误差越大, 定常预报误差协方差的权重越大。最优的权重系数与集合成员数及观测密度也有一定关系。     

A Time-Averaged Covariance Method in the EnKF for Argo Data Assimilation

In the ensemble Kalman filter (EnKF), ensemble size is one of the key factors that significantly affects the performance of a data assimilation system. A relatively small ensemble size often must be chosen because of the limitations of computational resources, which often biases the estimation of the background error covariance matrix. This is an issue of particular concern in Argo data assimilation, where the most complex state-of-the-art models are often used. In this study, we propose a time-averaged covariance method to estimate the background error covariance matrix. This method assumes that the statistical properties of the background errors do not change significantly at neighbouring analysis steps during a short time window, allowing the ensembles generated at previous steps to be used in present steps. As such, a joint ensemble matrix combining ensembles of previous and present steps can be constructed to form a larger ensemble for estimating the background error covariance. This method can enlarge the ensemble size without increasing the number of model integrations, and this method is equivalent to estimating the background error covariance matrix using the mean ensemble covariance averaged over several assimilation steps. We apply this method to the assimilation of Argo and altimetry datasets with an oceanic general circulation model.

Experiments show that the use of this time-averaged covariance can improve the performance of the EnKF by reducing the root mean square error (RMSE) and improving the estimation of error covariance structure as well as the relationship between ensemble spread and RMSE.

RÉSUMÉ [Traduit par la rédaction] Dans le filtre de Kalman d'ensemble (EnKF), la taille de l'ensemble est l'un des facteurs clés qui ont une influence importante sur la performance d'un système d'assimilation de données. Il faut souvent choisir une taille d'ensemble assez petite à cause des limites des ressources informatiques, ce qui biaise souvent l'estimation de la matrice de covariance de l'erreur de fond. Cette question revêt une importance particulière pour l'assimilation des données Argo, qui fait souvent appel à des modèles de pointe très complexes. Dans cette étude, nous proposons une méthode de covariance moyennée dans le temps pour estimer la matrice de covariance de l'erreur de fond. Cette méthode suppose que les propriétés statistiques des erreurs de fond ne changent pas de façon importante d'une étape d'analyse à la suivante durant un court laps de temps, ce qui permet d'utiliser dans les étapes courantes les ensembles générés aux étapes précédentes. Ainsi, on peut construire une matrice d'ensembles conjoints combinant les ensembles des étapes précédentes et courantes pour former un plus grand ensemble dans le but d'estimer la covariance de l'erreur de fond. Cette méthode peut accroître la taille de l'ensemble sans augmenter le nombre d'intégrations du modèle; elle équivaut à estimer la matrice de covariance de l'erreur de fond en utilisant la covariance moyenne de l'ensemble calculée sur plusieurs étapes d'assimilation. Nous appliquons cette méthode à l'assimilation des ensembles de données Argo et d'altimétrie avec un modèle de circulation océanique générale.

Des essais montrent que l'emploi de cette covariance moyennée dans le temps peut améliorer la performance de l'EnKF en réduisant l’écart-type et en améliorant l'estimation de la structure de la covariance de l'erreur de même que la relation entre l'étalement et l'écart-type l'ensemble.