潮汐资料的统计分析（二）

4．1 随机差分方程模式的建立前节所建立的潮汐资料统计模式(4)要求相继的潮位必须是相互独立，如果实际观测表明并非如此，譬如上一时刻的潮位高，下一时刻的潮位平均地说也高，则模式(4)自然不太合适。为此，我们将引入一个比模式(4)更一般的潮汐观测资料统计模式，即下面所谓随机差分方程模式：     

波峰特征量的统计分布

本文在作者另文数值模拟得到的三维海浪基础上 ,进一步分析给出了三维波峰长度、高度及方向角度等特征量的统计分布。发现考虑海浪的方向性质后波峰分布不再是均匀连续的 ;波峰的长度分布受方向函数影响 ,方向分布越宽 ,波峰的平均长度越短 ,波峰的方向角分布越宽 ;波峰高度和长度在波峰高度较小时有很大的相关性 ,而在波峰高度很大时无关     

回顾与展望

数学系创建于1977年。在完成全院各专业的数学教学任务的同时，积极开展了科学研究。在常微分方程、随机微分方程、偏微分方程、生物数学等基础数学和应用数学分支中取得了一批成果，并结合海浪、海流、潮汐、海洋工程、海洋气象、海洋地质、海洋生物及水产科学的研究获得了一些具有实用价值的成果。     

基于BP人工神经网络的水体遥感测深方法研究

利用Landsat7ETM＋遥感图像反射率和实测水深值之间的相关性,建立了动量BP人工神经网络水深反演模型,并对长江口南港河段水深进行了反演.结果表明：具有较强非线性映射能力的动量BP神经网络模型能较好地反演出长江口南港河段的水深分布情况;由于受长江口水体高含沙量的影响,模型对小于5 m的水深值反演精度较高,而对大于10 m的水深值反演精度较低.     

基于BP神经网络的地图数字化误差纠正

由于在数字化采集过程中不可避免地会引入系统误差和异常误差,因此消除和削弱这些误差的影响是提高空间数据质量的关键。然而由于图纸变形不均匀,扫描误差又极其复杂,用常规的多项式拟合技术只能消除部分有规律的系统误差,很难完全消除它们对地图数字化坐标的影响。BP神经网络是一个高度非线性映射系统,能以任意精度逼近。结合地图数字化坐标改正的特点,本文给出了基于BP神经网络地图数字化坐标误差纠正的方法,并通过实例验证了该方法的有效性。     

简化模糊H-ARTMAP神经网络在高光谱遥感分类中的应用

人工神经网络作为一种不需估计类别分布参数的遥感影像分类方法,能够克服分类中的不确定性,提高分类精度。模糊ARTMAP人工神经网络具有稳定、泛化性能好、支持增量式学习等特点,通过对简化模糊AR-TMAP神经网络和H-ARTMAP神经网络的分析和集成,构造了一种用于高光谱遥感影像分类的简化模糊H-ART-MAP网络。实验证明该方法在分类效率、运算时间和分类精度等方面都优于最大似然分类、BP神经网络、最小距离分类、光谱角制图模型等分类方法。     

基于分区的局域神经网络时空建模方法研究

区域数据表现为两种尺度的空间特性:反映全局特征的空间依赖性和反映局域特征的空间波动性.空间波动性表现为空间数据在局部地区的聚集或高低交错现象.在研究区域数据时空预测性建模时,从降低数据的空间波动和不平稳性对模型预测能力的影响角度出发,提出了一种基于分区的局域神经网络时空非线性建模的思路.分区过程由基于空间邻接关系的K-means聚类算法完成.不同的分区方案通过相关性、波动性、紧凑性等指标进行评价和优选.在确定最优分区方案的基础上,对各子区分别采用两层前馈网络进行建模,模型的输入不仅要考虑本区内单元的作用,而且要考虑相邻子区的边界效应.各神经网络模型的时空预测能力通过平均相均差和动态相似率等指标进行衡量.最后,通过对法国94个县每周流感报告病例的时空建模分析表明,与全局神经网络模型相比,基于分区的局域神经网络模型具有更好的预测能力.     

基于时刻独立脉冲耦合神经网络的高空间分辨率摇感影像分割

高空间分辨率遥感影像中地物目标内部光谱信息复杂性的增强,使得传统基于光谱特征值的数据处理方法效果不再显著,影像分割为解决这一问题提供了一种思路,成为当前高空间分辨率遥感影像处理的研究焦点.时刻独立脉冲耦合神经网络具有状态相近、空间相邻神经元相互耦合同步脉冲激发和区域之间神经元脉冲激发时刻独立两大特点,已被应用于非遥感影像分割中,并取得较好效果.本文结合高空间分辨率遥感影像特点,通过对网络参数进行实验和分析,提出一个基于时刻独立脉冲耦合神经网络的高空间分辨率遥感影像分割方法,并利用空间分辨率0.3m的航空影像进行了数据试验,将分割结果进行讨论并与现有时刻独立脉冲耦合神经网络方法和ISODATA方法分割结果进行对比分析.结果表明:时刻独立脉冲耦合神经网络在高空间分辨率遥感影像分割处理中具有很好的应用前景.     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。     

随机Dirichlet问题解的调和展开

针对重力学随机Dirichlet问题,通过适当地对边界检验函数的分解,并在随机边界样本空间中提取确定性部分的对偶基,本文将随机Dirichlet问题的一般解展开为一随机系数的调和级数形式。