基于粒子群算法优化SVM的GPS高程拟合方法

采用支撑向量机(Support Vector Machine,SVM)模型进行GPS高程拟合时,拟合精度受模型参数(核参数和惩罚因子)选择影响较大,传统交叉验证法存在计算复杂,易陷入局部最优的问题.本文将粒子群(Particle Swarm Optimization,PSO)算法引入SVM模型,利用PSO全局搜索能力强...     

双线偏振雷达判别降水粒子类型技术及其检验

在综合分析国内外降水粒子相态识别方法的基础上,结合我国双线偏振雷达的应用需求,建立了一套利用双线偏振雷达探测资料识别降水粒子类型的识别模式,并根据美国KOUN雷达观测资料对该模式进行了分析验证,同时检验了模式中的几个偏振参数:差分反射率因子ZDR、差传播相移KDP、水平偏振和垂直偏振回波功率零滞后互相关系数ρHV(0)对不同降水粒子的识别效果。通过分析认为:利用该识别模式得到的结果基本合理,可以反映降水区域内降水粒子的相态结构,但还需要对资料作进一步的研究。同时在识别各类降水粒子方面,ZDR的效果要高于KDP和ρHV(0),在缺乏相关资料的情况下可以考虑用ZH和ZDR配对识别的结果作为真实的结果。     

粒子群优化广义回归神经网络与HHT样本熵结合的地震辨识研究

天然地震与人工爆破信号具有许多相似的特性,为实现地震类型的准确辨识,提出一种基于粒子群优化广义回归神经网络和HHT样本熵的地震类型辨识新方法．该方法先通过经验模态分解（EMD）将初始信号分解成6个本征模态函数（IMF）及1个残余向量,对前三个IMF进行Hilbert变换得到瞬时频率和瞬时能量,进而提取出样本熵并构造神经网络训练集与测试集;利用粒子群算法和训练集优化广义回归神经网络的光滑因子参数值,建立PSO-GRNN分类模型．将该模型结果与BPNN模型、GRNN模型、PNN模型及RBFNN模型等神经网络模型进行性能对照,得到该模型单次识别的准确率、MAE、MAPE、RMSE R2及MSE分别为95%、0.1604、0.1204、0.2381、0.7123、0.0567,绝大多数性能评价指标优于其他4种神经网络模型．该研究建立的PSO-GRNN模型性能较稳健,在100次循环随机试验中辨识效果仍然较突出,计算得到的上述评价指标均值为97.42、0.04、0.04、0.12、0.89、0.02,其对应的标准差为3.53、0.05、0.04、0.08、0.11、0.02,将PSO-GRNN模型...     

Parsivel(R)激光降水粒子谱仪及其在气象领域的应用

降水粒子特性是大气运动和云内微物理过程的综合结果,在云降水物理及人工影响天气领域有着重要的意义.传统的测量方法不适合对大量数据分析寻找规律,德国OTT公司的Parsivel(R)激光降水粒子谱测量系统可以较好解决自动测量难题.该仪器是以激光测量为基础的粒子测量传感器,采用平行激光束和光电管阵列结合,当有降水粒子穿越采样空间时,自动记录遮挡物的宽度,通过穿越时间计算降水粒子的尺度和速度,根据各种参数的综合信息对降水粒子进行分类,并能够以数字形式显示瞬时降水强度、降水粒子总数、累积降水量、降水时的能见度和雷达反射因子,以图形方式显示降水粒子尺度谱、速度谱、降水粒子分类且自动生成天气现象代码,实现天气现象的自动识别.激光降水粒子谱仪主要用于气象水文观测.在雷达气象学领域可用于Z/R关系的拟合修正,比传统的用雨量筒观测数据拟合效果好得多;由降水粒子谱仪测量雨滴的降落速度,可以对天气雷达垂直向上测量的粒子径向速度谱进行校正.人工影响天气的效果检验一直是一个难题,自然降水粒子谱分布形式与人工催化以后的降水粒子谱型理论上应当具有较大的差别,人工增雨作业降水滴谱变化物理响应和降水强度时间变化响应都有明显的区别.如果能够实时检测到这些差别,就能够充分说明人工催化的有效性.未来如果能够进行联网观测记录区域性降水、降雹,就有充分证据表明人影作业的有效性,在定量化作业效果评估以及灾害损失评估等方面应用潜力巨大.利用该仪器已经对一年的自然降水过程进行了连续观测,并将所获得的降水粒子谱、雨滴浓度值随时间变化状况与卫星反演的云顶有效粒子半径时间变化趋势进行了对比,发现有较好的一致性.     

几种非线性滤波算法的性能比较与分析

在非线性状态估计中,传统的扩展卡尔曼滤波通过线性化来实现高斯近似,由于截断误差的存在很难保证估计精度;而基本粒子滤波容易出现粒子退化,导致滤波发散。针对粒子滤波的两个基本假设：蒙特卡罗假设和重要采样假设,采用蒙特卡罗随机链的方法来提高粒子的多样性,并利用无味卡尔曼滤波来产生更高精度的替代分布,发展了无味粒子滤波。通过仿真实验证明,相比较扩展卡尔曼滤波和基本粒子滤波,改进后的无味粒子滤波算法性能更优越,对含有非线性非高斯的状态估计问题有更好的滤波效果。     

胶州湾潮余流和物质输送之间的关系

基于MIKE21的HD模型,通过模拟得到胶州湾的潮流场,胶州湾在涨急时最大流速1.04m/s,落急时最大流速约为0.96m/s。胶州湾余流总体较小,平均为0.03m/s左右。并在湾内不同位置释放自由粒子,以MIKE21的Particle tracking模型计算出其在潮流作用下的运移轨迹,结果表明粒子大多数运移到湾内近岸区域,少部分在湾口区域附近;在潮流场基础上计算了欧拉余流场,并和粒子运移结果进行对比,表明欧拉余流场在区域流向比较一致时可以表示粒子运动的趋势,为物质迁移、控制污染等方面提供了一定的参考借鉴意义。     

PDR算法对地磁室内定位精度的提升研究

利用建筑物中金属结构引起的地磁场扰动可以对室内的行人目标进行定位,而且基于地磁场的定位无需布设任何额外设施,因此可以以低成本实现定位。但仅靠单一的地磁技术无法满足室内定位的精度要求。为了解决磁场数据中单点定位的模糊性问题,本文提出了一种利用粒子滤波算法将PDR与地磁相融合的室内定位方法,并开发了地磁室内导航系统,以智能手机为硬件平台构建磁力计传感器模型,建立匹配轨迹的均方误差准则并实现PDR累积误差实时校正的迭代计算。在68 m×1.8 m的试验区域内,产生的平均定位误差为1.13 m,最大定位误差为2.17 m。本文算法的定位精度比单独PDR算法提升了42%;与单一地磁指纹匹配算法相比,定位精度提高了57%。试验证明,本文提出的融合算法对提高室内定位精度具有显著的作用。     

大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

粒子群算法优化的神经网络短期钟差预报

针对导航卫星钟差短期预报精度上的不足,该文提出了一种基于粒子群算法优化的BP神经网络钟差预报模型,通过粒子群算法来对BP神经网络的权值和阈值进行优化,利用IGS的钟差数据进行实验,并与灰色GM(1,1)模型、二次多项式模型和BP神经网络模型的预报结果进行对比分析。结果表明,粒子群优化算法的BP神经网络模型钟差预报效果良好,3h预报精度能够达到0.3ns,体现了本文钟差预报模型的实用性。     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题,本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值,提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子,结合进化因子并利用高斯图函数调整分数阶次a系数以实现精确计算和快速收敛;根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力;同时将二维Renyi熵单阈值扩展到多阈值分割上,并结合改进的分数阶达尔文粒子群算法,将二维Renyi熵多阈值应用于遥感图像分割中仿真结果表明,与其他2种智能优化分割算法相比,本文分割算法在细节处理和分割精度上均有明显优势,在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%.