利用人工神经网络方法反演大气温度廓线

高光谱大气红外探测仪AIRS(Atmospheric Infrared Sounder)资料能够显示小尺度的大气温度垂直结构,为数值预报和天气诊断提供了更加准确精细的初始场.目前处理数据主要使用晴空大气业务反演国际MODIS/AIRS处理软件包IMAPP (International MODIS/AIRS Preprocessing Package)中的特征向量统计回归算法,由于统计法算法简单,反演精度受到较大限制.现提出一种利用人工神经网络的算法来对晴空状况下AIRS模拟辐射值进行大气温度廓线反演的方法,并与特征向量统计法结果相比较.结果表明,神经网络方法与特征向量统计法反演所耗时间相当,减小了反演误差,各高度层温度反演精度均有不同程度的改进,获得了较好的反演结果.     

重力梯度特征向量和多尺度分析法在密度异常深度探测中的应用

相较于传统的重力测量手段,重力梯度测量能够以更高的灵敏度和分辨率反映出地下密度异常体的结构特征。随着科学技术的不断发展,航空及卫星重力梯度测量系统已经投入使用,并实现了大范围高精度的重力梯度测量。因此,现阶段的主要挑战在于对越来越多的重力梯度数据进行分析、处理和解释。本文根据重力梯度全张量主特征值对应的特征向量,对密度异常体的深度探测进行了研究。由于不同埋深的密度异常体具有不同的波长反映,利用多尺度分析法可以分解出不同频段重力梯度张量,从而增强对更大埋深密度异常体的探测分析能力。通过对模型和实测重力梯度数据的分析解算,结果表明,重力梯度的特征向量和多尺度分析法能够有效地确定密度异常体的深度信息,并且对干扰场源和随机噪声也具有一定的抗干扰能力。     

主成分分析及地震活动参数的约简

选择从不同侧面反映地震活动时、空、强特征的地震频次N(MLge;3.0)、b值、eta;值、A(b)值、Mf值、Ac值、C值和D值8个参量进行主成分分析. 通过主成分分析方法可以得到反映地震活动时、空、强异常特征的综合指标W. 通常这8个参量之间具有一定的相关性,各参量在不同时段的变化各有所异,预报效果并不理想. 但是综合指标W在华北13次5.8级以上地震前出现明显的异常变化. 表明综合指标W可以较好地反映地震活动时、空、强异常特征. 本文还对主成分分析所得结论的有关问题进行了讨论.      

提高地震数据信噪比的PCA方法

由于地震数据中存在各种各样的噪声,怎样去压制或者滤除这些噪声,以至提高信噪比成为当前地震信号处理中关键步骤.本文根据地震数据中随机噪声干扰和可能存在的工业单频噪声干扰的特点,采用主成分分析技术,即通过正交分解得到数据矩阵的主分量,并利用不同的主分量进行信号重构,从而达到去除单频干扰和随机噪声的目的,有效地提高了地震数据...     

状态方程求解中的拉格朗日插值公式应用

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￣（ｅｔ）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报导．     

CCA与SVD分析方法比较研究

文中从理论分析、方法比较以及实例计算几方面,对目前气象资料处理分析中常用的CCA与SVD分析方法进行了比较,结果表明(1) 对同样的变量组X,Y分别用CCA和SVD方法进行相关分析,得到了完全不同的分析结果,CCA所得到的相关就是原始变量组之间的相关;SVD所得到的相关是组合变量L,M5"BZ〗间的相关而不是原始变量组X,Y之间的相关.理论分析和实例计算都表明,两种方法分析得到的最大相关有非常显著的差别,CCA明显比SVD要大得多,且CCA收敛快而SVD收敛慢.所以SVD不能有效地提取两组变量或两个变量场之间相关关系的主要特征,只有CCA才能最大限度地提取它们之间相关关系的主要特征.(2) CCA所得出的两变量组的变量是独立正交变量,所以通过分析CCA组合变量间的相关来表示原变量组间的相关关系是有意义的.而SVD所得到的两变量组的变量不具有独立性和正交性,信息提供重复,存在共线性,所以通过分析SVD组合变量来表示两变量组的相关关系没有CCA方法有意义.(3)CCA是在考虑了各个变量场自身变化的情况下来分解两个变量场间的关系;而SVD是在没有考虑各个变量场自身变化的情况下来分解两个变量场间的协方差关系.很显然,CCA比SVD更全面、更完整和更准确.(4)凡用SVD方法分析得到的结论,由于总可以重新应用CCA方法找到相关更好的不同结果,所以有值得进一步深讨的必要.     

复经验正交函数在水温预报中的应用

复经验正交函数是一种新的物理场的分解方法，它除了可以揭示物理场的时，空分布和变化规律外，还可以反映波动或平流效应。故本文首次将该方法移植到预报方法研究上来，建立了渤海，黄海的表，底层水温预报方案，。     

基于Gradient Boosting的车载LiDAR点云分类

车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。     

特征向量映射分析在天气形势相似分析中的应用

本文提出了一种天气形势相似程度的估计分析方法。大量的实际计算分析证明，该方法可作为气象台站的常规业务预报方法投入业务使用。     

支持向量机在地震与爆破识别中的应用

为研究天然地震事件和爆破事件识别算法,对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解,并提取特征向量,提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明,基于SVM算法的向量识别分类方法,在天然地震和爆破识别中是可用的,准确率预计达85%以上。