关于带有协作/竞争机制时变积分器网络一致性的收敛速率

本文探讨了时变无向网络达到状态一致过程中的收敛速率问题.首先基于一般的时变无向网络展开研究,证明了其收敛速率随耦合权重的增加而提高.同时,给出了收敛速率的明确下界,并指出这个下界是耦合权重的线性函数.基于这些结论,本文研究了带符号网络的收敛速率问题,发现只要带有正权值的边具有（δ,T）连通性,就可以增大这些边的权重而保持其余边（带有负权值）不变,使一致性以指数的速率达到.本文的证明过程主要基于完全一致可观这一概念.另外,本文也得到了这样的结论：一致性误差值可以从系统一段时间内的相对状态值中重建.这对于分布式网络中滤波器的状态估计有一定的借鉴意义.     

多重网格法在加速自适应网络生成中的应用

多重网格法是７０年代以来发展起来的用于加速迭代收敛的一种行之有效的方法,它能过采用不同疏密的网格距来“消除”不同频率范围内的误差分量的办法。加速了迭代的收敛速度,具有收敛速度快,收敛精度高以及节省ＣＰＵ时间等特点。     

多重网格法在加速自适应网格生成中的应用

多重网格法是70年代以来发展起来的用于加速迭代收敛的一种行之有效的方法,它通过采用不同疏密的网格距来“消除”不同频率范围内的误差分量的办法,加速了迭代的收敛速度,具有收敛速度快, 收敛精度高以及节省CPU时间等特点。将其用于台风路径预报的自适应网格的生成,试验表明,多重网格法比单重网格可提高效率达20多倍。     

初态学习下广义系统的迭代学习控制算法

针对一类在有限时间区间上运行的广义系统,提出了一种初态学习下的迭代学习控制算法,该算法对系统的控制输入采用闭环带指数变增益D型学习律.基于算子理论,给出了算法的收敛条件.该算法与闭环D型算法相比,在保证收敛的基础上加快了算法的收敛速度.数值仿真结果说明了该算法的优越性.     

出流孔型对平板气膜冷却影响机理的研究

为了研究不同孔型对平板气膜冷却的影响,针对圆形,扇形,水滴形,收敛缝形四种气膜出流孔型的流动和传热特性进行了数值模拟。研究结果表明,圆形孔、扇形孔和水滴形孔气膜出口下游出现从中心向上抬升的反向旋转涡对,将主流燃气卷吸进来;收敛缝形孔在侧向的扩张型面使得气膜出流在展向的覆盖更为均匀,这有效地阻止了高温气体的侵入;在相同吹风比下,收敛缝形孔在气膜出口附近区域的平均绝热冷却效率则明显要高于其余三种孔,随着吹风比的增大,这种差距越发明显;孔型对对流换热系数增强比的影响区域仅局限在邻近气膜孔出口大约7倍气膜孔径的范围内。      

守恒型有理函数插值半拉格朗日平流方案及性能分析

通过多种理想试验对正定、保形守恒型有理函数插值半拉格朗日平流方案分别在平面直角坐标以及阴阳网格球面坐标中进行了计算性能分析,并采用多种误差模对守恒型有理函数插值半拉格朗日平流方案的网格收敛性进行评估。结果表明,采用分段有理函数插值的守恒型半拉格朗日平流方案可以有效消除不连续分布处的数值振荡、保证正定性,物理场平滑分布时维持1-2阶收敛速度;而在不连续点或大梯度区域以及应用分维技术的多维算法都会通过有理函数的降阶特性,影响平流计算的收敛阶数,并且,在球面坐标中受球面曲率的影响,守恒型有理函数插值半拉格朗日平流算法的网格收敛速度有所降低。     

多重网格法在MM5自适应模式中的应用

将多重网格法应用于MM5中来加速自适应网格的生成,并用这种方法来模拟2002年6月17-18日发生在江南和华南的暴雨过程。试验表明：在收敛精度要求高的情况下自适应模式模拟结果的精度高于均匀网格模式,且多重网格法有助于提高运算效率。     

基于CCM算法的北半球环状模与东北亚冬季 地面气温因果关系的年际变化特征研究

北半球环状模(NorthernHemisphereAnnularMode,NAM)是北半球冬季最主要的环流系统,其变化对北半球的冬季气候变率具有重要的影响.现有研究多采用相关、合成等统计方法对NAM及气候要素进行研究,鲜少从因果关系的角度来进行分析.本文基于收敛交叉映射(Convergent Cross Mapping...     

含有开关参数化物理过程的模式变分资料同化的非光滑优化方法:几个理论问题

时间、空间上离散的模式如果含有带开关的参数化物理过程，某些对应的变分同化问题可以看成为非光滑优化问题。本系统地讨论了与此相关的几个理论问题。首先，利用次梯度这个非光滑优化中的基本概念可以对通常的伴随方程的解进行清楚的解释和定义。利用一个带对流调整的多层扩散模式，演示了通常的伴随方程的解在奇异点处不是由代价函数的Gateaux导数构成，而是代价函数的一个次梯度。其次，在非光滑优化的框架下对现有的解决这类问题的方法进行了评述。这些方法包括：（1）利用光滑优化方法和通常的伴随模式，并且讨论了这个方法的收敛条件；（2）正则化方法。这个方法是把模式中不光滑的项用光滑的项近似，以把问题变为光滑优化问题。（3）次梯度方法。这个方法利用通常的伴随模式来计算一个次梯度，是收敛的算法，不过收敛速度很慢。（4）非光滑优化中的Bundle方法。这个方法比次梯度方法收敛得快，不过需要利用所有的次梯度信息。由于计算所有的次梯度十分困难，现有的Bundle方法大都进行了一些改变，仅需要用户能够计算出一个次梯度。不过这个改变是无奈的，多个次梯度的信息可以提高Bundle方法的效率。本最主要的工作是提出了集值伴随方程的概念。集值伴随模式可以在奇异点处计算出所有支撑次梯度，因此利用集值伴随方程有可能提出基于Bundle方法的更好算法。     

一类解非线性方程的Ｎｅｗｔｏｎ型迭代法

通过将Ｎｅｗｔｏｎ Ｒａｐｈｓｏｎ法和割线法进行耦合,构造了一类解非线性方程的Ｎｅｗｔｏｎ型迭代法,利用区间套定理证明了这类算法的收敛性,并给出一种事后误差估计的方法．数值实验表明在满足凹凸性假设的条件下,该算法在大区间上的收敛速度明显快于原有的Ｎｅｗｔｏｎ Ｒａｐｈｓｏｎ方法和割线法．     

对降水资料的四维变分同化

用常规资料（Ｔ、ｐ、ｕ、ｖ、ｑ的分析值）和降水资料（２４ｈ降水量的分析值）进行四维变分（４ＤＶＡＲ）资料同化试验。试验中用了全物理过程的ＮＭＣη模式和带有充过程的伴模式。４ＤＶＡＲ试验的结果 资料同化期间和同化以后，用了积云对流修改方案和降水资料后，最小化过程迭代十次便收敛，降水预报了，特别是４ＤＶＡＲ方法比最优内插方法在改善降水预报方面更优越。     

DS-CDMA系统中两种盲多用户检测恒模算法的比较

研究了线性约束恒模算法（LCCMA,linear constrained constant modulus algorithm）和线性约束差分恒模算法（LCDCMA,linear constrained differential constant modulus algorithm）,并仿真试验了在期望用户信号幅度不同情况下这两种算法的收敛性和稳定性,仿真结果与理论推导相吻合。试验表明：LCCM算法只有在满足信号幅度是A≥1/3的情况下才能完全消除多址干扰（MAI,multiac-cess interference）,而LCDCM算法不论信号幅度是在≥1/3还是在〈1/√3条件下,都能够正确收敛到目标用户,具有很好的收敛性和稳定性,优越于LCCM算法。     

确定数值预报模式中扩散系数的一个客观方法

当数值预报模式的分辨率得到提高时,模式中扩散系数的数值大小必然随之改变。通常情况下,一方面,扩散系数的数值应足够大（即有下限值）,以便过滤掉模式中不想要的小尺度噪音;另一方面,扩散系数的数值应尽量小（即有上限值）,以免出现计算不稳定。本文提出一种确定高分辨率模式中扩散系数数值大小的客观方法,即＂双试验＂（twin experiment）同化方法（初始低分辨率模式的预报结果作为＂观测资料＂,新的高分辨率模式作为同化模式）,从而通过伴随变分同化方法来确定控制变量（即扩散系数）的数值大小。本文采用一维浅水模式测试和描述上述试验方案。通过低分辨率模式预报结果和高分辨率模式预报结果的比较（高、低分辨率模式预报结果的比较在低分辨率模式格点上进行）,采用最小二乘法可客观求得适用于高分辨率模式的扩散系数的＂最优＂值。数值试验结果表明,采用这种方法得到的高分辨率模式的扩散系数,不仅能过滤掉模式中不想要的小尺度噪音,而且能够避免出现计算不稳定。研究还指出,当扩散系数的大小略微超过其上限值时（这种情况在极小化迭代中有可能会出现）,计算不稳定的出现将使目标函数的数值迅速增加,并导致极小化程序收敛的失败;时间步长的减小（约20%）可以显著地改进目标函数的条件数,从而可避免极小化程序收敛的失败。     

HBFNEnKF混合同化方法设计及检验

基于前后张驰逼近（Back and Forth Nudging,简称BFN）和集合卡尔曼滤波（EnKF）方法,构建了一种新的同化方法HBFNEnKF（Hybrid Back and Forth Nudging EnKF）混合同化方法,并将此同化系统分别与通道浅水模式（shallow water model）和全球浅水模式对接,检验了HBFNEnKF同化方法的有效性。同时,对比了集合均方根滤波（EnSRF）、HNEnKF (Hybrid Nudging EnKF)、HBFNEnKF三种方法在有误差模式中的同化效果。试验结果表明:HBFNEnKF同化方法保留了HNEnKF方法的同化连续性,解决了EnKF同化不连续不平滑的问题,同时还有着更快的收敛速度;当采用单变量分析试验时,HBFNEnKF方法的优势最为明显,表明HBFNEnKF能够较好地保持不同模式变量间的平衡。此外,增量场尺度分析结果表明:相比EnSRF,HBFNEnKF在大尺度范围有更好的同化效果,同时能够避免在中小尺度范围内出现大量的虚假增量。     

人工神经网络西太平洋副热带高压预报业务系统

本文应用常规500hpa资料,结合具有较稠密、高分辨的“TOVS”资料（卫星信息资料）,分析、归纳了西太平洋副热带高压大幅度北移、南蓝（120°E脊线）的经验规则,在此基础上选择了具有最优下降因子的BP算法。在人工神经网络的结构方面设计了神经网络的前处理功能,将众多的单因子经基于专家系统的前处理模块,归纳的规则,作为网络的输入端,经网络学习、训练、迭代获得了较快的收敛速度和较高的历史拟合率,建立了“人工神经网络西太平洋副热带高压预报业务系统”     

一种新的温度传感器湿度补偿方法

针对温度传感器测量中易受湿度影响的问题,通过对思维进化算法（Mind Evolutionary Algorithm,MEA）中的趋同操作、异化操作及收敛条件进行研究改进,对趋同操作中的散布权值进行自适应调整,在异化操作中引入差分进化算法的变异操作,并考虑收敛条件中搜索平面平缓的情况,提出了基于改进思维进化算法的BP神经网络湿度补偿方法.由湿度影响检定实验得到的样本数据,利用此补偿方法建立湿度补偿模型,将补偿结果与未经优化的BP神经网络模型的结果进行比较研究.结果表明,基于改进思维进化算法的BP神经网络模型补偿精度较高,收敛速度快,计算量小,可有效提高温度传感器的测量精度和可靠性,便于实际应用.     

青藏高原冬、夏季月平均气温及异常分布研究

利用西藏（１５个测站）、青海（３８个测站）冬季和夏季月平均气温资料,运用ＥＯＦ、ＲＥＯＦ方法,得到了青藏高原冬、夏季气温异常的空间分布特征及时间变化趋势,分析表明：青藏高原夏季气温场与冬季气温场前１０个ＲＰＣ的累积方差贡献均在９０％以上,表明青藏高原的气温无论是冬季还是夏季都具有收敛速度快的特点。经旋转后按方差贡献的大小将青藏高原冬季气温异常敏感区分为北部、东南部型、边缘型、中部型和西部型。夏季分     

长时效的正压原始方程能量完全守恒(拟)谱模式

遵循误差反演补偿新计算原理,对正压原始方程传统气象全球拟谱模式方案进行了改造,构造了正压原始方程能量完全守恒全球拟增模式新计算方案,解决了正压原始方程的（非线性）计算稳定性问题和能量守恒整体性质保持问题,改进了相应正压原始方程传统气象全球拟谱模式方案的计算效能。新方案的数值试验表明：在计算实践上,新方案在解决能量守恒问题的同时,可解决（非线性）计算稳定性问题,并在一定条件下可解决非线性计算收敛性问题。进一步的比较数值试验还表明：在计算实践上,新方案具有在提高相应传统气象方案的计算精度,减少其计算量的同时,延长其计算时效,解决其中一类特定“气候漂移”问题方面的效用。本工作原理也适用于斜压原始方程情形。     

基于NLS-4DVar方法的雷达资料同化及其在暴雨预报中的应用

在基于本征正交分解POD（Proper Orthogonal Decomposition）的集合四维变分同化方法（POD4DEnVar）建立的雷达资料同化系统（PRAS）的基础上,本文利用非线性最小二乘法的集合四维变分同化方法（NLS-4DVar）对PRAS进行改进,解决PRAS在高度非线性情况下的适应性问题,建立了新的雷达资料同化系统（NRAS）。通过观测系统模拟试验OSSEs（Observing System Simulation Experiments）和两次实际暴雨同化试验（2010年7月8日,中国中部地区;2014年3月30日,中国华南地区）对NRAS进行检验,并与PRAS的同化结果进行了对比。结果表明:无论是OSSEs还是实际雷达资料的同化,相对于PRAS,NRAS能够进一步提高同化效果。通过增加迭代的次数,NRAS能够有效地调整初始场的风场和水汽场,进一步提高了降水强度和位置的预报精度。但随着迭代次数的增加,对初始场的调整变小,进而对降水预报效果的改进也减小。试验结果表明NRAS能够有效解决PRAS在高度非线性情况下的应用问题,通过有限次数的迭代,即可得到近似收敛的结果。因而NRAS有望在数值预报中更有效地同化雷达资料,提高中小尺度天气的预报水平。     

晴空时大气红外遥感及其反演问题研究 II. 反演试验研究

前文给出了卫星红外观测资料的反演处理方法，并对方法作了理论上的分析，在本文中，我们将此方法应用到TOVS、GOES-8实际资料及AIRS模拟观测资料处理中并重点对TOVS资料进行试验。在反演中，我们将大气温度廓线和水汽混合比（lnq）廓线用各自的经验正交函数（EOF）表示以提高反演的稳定性并缩短计算时间，同时采用一种过滤操作以加速迭代的收敛速度。除了用本文提出的方法对TOVS资料进行处理外，还用国际TOVS处理软件包（ITPP-4.0）对同样的资料进行反演。试验表明，本文方法的反演结果优于ITPP的结果。AIRS模拟反演结果表明，高分辨率红外垂直探测器的遥感精度能够达到温度1 K、水汽10%。