基于改进的散射积分算法的初至波走时层析

初至波走时层析是获取近地表速度结构的一种常用方法.随着采集技术的不断发展,可使用的数据量迅速增多,传统的基于射线追踪和解方程组的地震走时层析成像方法面临着内存占用大、方程求解不稳定等问题.为了解决这些问题,本文基于前人在波形反演研究中提出的一种改进的散射积分算法,提出了一种预条件最速下降法初至波走时层析.该方法无需存储核函数矩阵与Hessian矩阵即可方便地实现目标函数梯度的计算与预条件,且该方法计算效率高、求解稳定、易于并行.数值实验结果表明,该方法可以获得与传统方法精度相当的反演结果,但所占用的内存大幅减小.     

单晶高温合金X射线衍射斑点自动识别算法研究

单晶高温合金展现出优越的抗疲劳性能和高温蠕变性能,广泛应用于航空发动机和燃气轮机的热端部件。但是,其制备过程中会产生晶体取向偏离、杂晶等缺陷。目前国际上已经普遍使用X射线劳埃衍射技术对单晶叶片的晶体缺陷进行无损检测,但是这种检测方法主要依赖人工识别,效率低,结果可重复性差,不适合批量化检测。本文结合工程需要,提出对劳埃衍射斑点进行自动识别的算法,主要包括衍射图样的预处理、轮廓检测、轮廓形态筛选及轮廓符合检测等。该算法能够自动检测出衍射图样上的衍射斑点,并最终给出斑点的位置坐标数据及其误差。根据衍射斑点的位置,通过衍射分析算法,计算出单晶叶片上的晶体取向,并最终对叶片的晶体缺陷给出综合评价。     

基于SMVF的高频雷达自适应多目标检测

针对高频雷达强海杂波和干扰环境下的多目标检测问题,结合S-method时频分布和Vitcrbi算法提出了一种多分量线性调频信号瞬时频率估计方法—SMVF法(S-method viterbi fitting),然后根据所提取的瞬时频率的直线拟合性能,提出了一种自适应多目标检测算法。实测数据的处理结果,表明了该算法在低信噪比时,与WDM法(wigncr distribution maxima) , WDV法( wigncr distribution vitcrbi)相比,估计精度提高约2000,验证了该算法的可行性和有效性。     

基于FFT-MA谱模拟的快速随机反演方法研究

虽然基于地质统计学的随机反演方法能够有效融合测井资料中的高频信息,但计算效率低,占用内存大,限制了它在实际资料中的应用.本文在保留传统随机反演方法优点的基础上,创造性地引入傅里叶滑动平均(Fast Fourier Transform-Moving Average, FFT-MA)谱模拟进行频率域的地质统计模拟,并利用逐步变形算法(Gradual Deformation Method,GDM)确保模拟结果与实际地震数据的匹配,构建了基于FFT-MA谱模拟的新的快速随机反演方法.与常规随机反演相比,新方法不仅分辨率高,而且能够使反演解得到快速收敛,有效提高计算效率,减少内存占用.模型试算获得了与理论模型吻合度较好的高分辨率反演结果.实际资料分析也表明新方法所得到的高分辨率反演结果能够对薄互储层进行良好的展示,为薄储层的识别提供高效可靠的技术支持.     

基于混合遗传算法的斜测电离图参数反演

斜向探测是获取电离层状态信息的重要手段之一,对斜测电离图的反演可以得到电离层的相关结构参数.遗传算法是一种有效的并得到普遍应用的反演方法,该算法的求解不依赖于初值的选择,可以有效地减少反演问题解的非唯一性,但也存在“过早收敛”和局部搜索能力差等缺陷,从而导致反演精度下降,影响反演结果的可靠性.本文提出将基于模拟退火的混合遗传算法应用到斜测电离图的参数反演中,该算法不仅把握总体能力强,且具有较强的局部搜索能力,是遗传算法和模拟退火算法的优势互补.为了验证该算法反演结果的可靠性和稳定性,首先分别采用遗传算法、模拟退火算法和混合遗传算法对合成的电离图进行反演,反演参数包括临界频率,最大电子浓度和半厚度.通过对三种算法反演结果的对比,得出混合遗传算法的反演结果最接近真实值,需要的迭代次数也远远小于其他两种算法;通过改变种群大小和总迭代次数来判断参数值的改变对三种算法反演结果的影响,得出混合遗传算法有效地降低了参数的选取对反演结果的影响.然后用这三种反演算法对实测电离图进行反演,并将它们的反演结果与斜测链路中点的实际垂测数据进行比较,结果显示混合遗传算法84.62%的反演结果可以控制在误差范围之内,高于遗传算法（76.93%）和模拟退火算法（65.38%）.这些都表明了混合遗传算法的反演结果具有较强的可靠性,在反演的寻优能力和稳定性上要明显优于遗传算法和模拟退火算法,对实测电离层图的反演具有很强的借鉴意义和应用价值.     

一种新型混沌遗传优化算法的研究

在对遗传算法交叉、变异后结果的处理方法进行改进并在将进化过程分段的基础上,提出1种新的混沌遗传算法。该算法利用混沌运动的遍历性择优产生初始群体,对每一轮遗传操作所得到的部分当前最优个体进行变尺度混沌搜索。仿真结果表明,该算法具有较高的优化效率,并能求得全局最优解。     

VC环境下最短路径算法的实现

设计了一种方便查找及显示最短路径的数据结构,对仅研究计算一条最短路径的Dijkstra算法加以了改进,并在VC下实现一个顶点到另一个顶点的所有最短路径的查找。     

应用改进并行遗传算法反求水文地质参数研究

利用单纯形法局部搜索速度快和遗传算法全局寻优的特点,同时为了克服两种方法各自的弊病,提出采用混合单纯形技术的并行遗传算法(Hybrid Simplex Parallel Genetic Algorithm,SPGA)进行水文地质逆问题的求解。详细阐述了SPGA算法的具体操作和实现,并将该方法应用于水源地的地下水模拟反演中。计算结果表明,SPGA算法在水文地质参数寻优计算中具有比较好的可靠性和计算效率。     

基于粒子群算法的岩体结构面产状模糊C均值聚类分析

结构面产状分析是进行岩体力学分析及稳定性评价的基础,玫瑰花图、等密度图等传统的图形分析方法较为粗糙,无法对产状数据进行准确分析,采用模糊聚类方法则可以得到较为准确的优势产状,但需要事先指定分组数及初始聚心,且模糊聚类算法为局部寻优算法,初始划分对最终的数据分析结果影响较大。为了得到较为客观的分组结果及优势产状,同时能够针对大量结构面产状数据进行聚类分析,提出了基于粒子群算法的岩体结构面产状模糊C均值聚类算法。采用粒子群算法进行模糊C均值聚类算法初始聚心的求解,在计算过程中可同时确定最佳分组数,避免了人为指定的主观性,克服了模糊C均值聚类算法易陷入局部极小值和对初始划分敏感的不足。最后,通过工程实例中不同方法的聚类效果对比分析该算法的有效性,并将该方法应用于实测结构面产状数据的分析,得到较为符合实际的优势结构面分组。     

Identification of Convective and Stratiform Clouds Based on the Improved DBSCAN Clustering Algorithm

A convective and stratiform cloud classification method for weather radar is proposed based on the density-based spatial clustering of applications with noise (DBSCAN) algorithm. To identify convective and stratiform clouds in different developmental phases, two-dimensional (2D) and three-dimensional (3D) models are proposed by applying reflectivity factors at 0.5° and at 0.5°, 1.5°, and 2.4° elevation angles, respectively. According to the thresholds of the algorithm, which include echo intensity, the echo top height of 35 dBZ (ET), density threshold, and ε neighborhood, cloud clusters can be marked into four types: deep-convective cloud (DCC), shallow-convective cloud (SCC), hybrid convective-stratiform cloud (HCS), and stratiform cloud (SFC) types. Each cloud cluster type is further identified as a core area and boundary area, which can provide more abundant cloud structure information. The algorithm is verified using the volume scan data observed with new-generation S-band weather radars in Nanjing, Xuzhou, and Qingdao. The results show that cloud clusters can be intuitively identified as core and boundary points, which change in area continuously during the process of convective evolution, by the improved DBSCAN algorithm. Therefore, the occurrence and disappearance of convective weather can be estimated in advance by observing the changes of the classification. Because density thresholds are different and multiple elevations are utilized in the 3D model, the identified echo types and areas are dissimilar between the 2D and 3D models. The 3D model identifies larger convective and stratiform clouds than the 2D model. However, the developing convective clouds of small areas at lower heights cannot be identified with the 3D model because they are covered by thick stratiform clouds. In addition, the 3D model can avoid the influence of the melting layer and better suggest convective clouds in the developmental stage.