三维复电阻率电磁场正演研究

将Cole—Cole模型表示的地下异常体各剖分单元复电阻率,引入到体积分方程求解均匀大地三维电磁场计算中,实现电偶源地面激发、接收复电阻率三维电磁场正演模拟。     

一次“双谷”型ENSO冷事件的成功预测

2011年春季利用基于Morlet小波分析的余弦函数叠加法对中东太平洋的ENSO冷事件(La Nina)未来发展进行预测,结果成功地预测出了一次呈现"双谷"型的ENSO冷事件发展过程。此方法拟合的1980年1月—2011年2月的Nino3.4指数序列与原序列的相关系数为0.68;对2000—2011年间7次ENSO事件预测结果检验,发现提前3、6、9和12个月时Nino3.4指数的平均预报相关系数(R)分别为0.79,0.81,0.83和0.64,平均预报技巧得分(SS)分别为0.87,0.80,0.80和0.27。此方法具有计算简便,易于运行,预报时效稳定的特点,特别在提前6—9个月时对ENSO的预测仍有较好效果。     

Hadley环流强度与我国中东部气温的相关分析

利用NCEP／NCAR再分析月平均风场资料和国家气候中心提供的中国160个气象站的月平均气温资料,用质量流函数计算方法描述平均经圈环流,用环流中心值大小表征其强度,分析Hadley环流强度1951--2010年的趋势变化及其与我国中东部气温的关系。结果表明：1）质量流函数能很好地表征平均经圈环流的特征,且环流中心值大小能形象地反映环流强度。2）近60a来,冬季北半球Hadley环流强度呈线性增强的趋势;夏季南半球Hadley环流在20世纪80年代初发生了由减弱趋势转变为显著增强趋势的年代际转折。3）我国中东部大部分地区气温的年代际变化能很好地被Hadley环流强度变化所解释,二者基本呈正相关关系,但显著相关区域随季节变化有所不同。     

改进多面函数拟合跨带区域高程异常的研究

针对跨带区域高程异常拟合中存在的问题,该文以多面函数模型为背景,分别采用直接法和分带法,提出采用大地坐标(B,L)作为核函数参数的改进多面函数模型,对跨带区域高程异常进行拟合。通过某跨带区域GPS水准网数据验证,结果显现了改进后多面函数模型在跨带区域拟合上的优势,其外符合精度相比其他函数模型有显著提高。     

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。     

密度权稳健估计

利用观测量分布函数作为权函数的计算公式,分析了密度权法的抗差性和收敛速率,证实了用密度权法处理含粗差数据是行之有效的。     

高阶BOC调制信号无模糊跟踪技术性能比较

BOC调制方式提升了导航信号的性能和频谱资源利用率,但是自相关函数的多峰特性使信号接收面临新的问题。本文研究高阶BOC调制方式及其无模糊跟踪技术,主要分析了Bump-Jump算法、BPSK-like算法、SCPC算法和双环路算法,比较不同跟踪技术的硬件复杂度、计算复杂度、跟踪精度和跟踪稳定性,结果可为接收机设计提供参考。     

一种改进的图像视觉显著性检测算法

视觉显著性检测在图像分割中起着重要作用。提出一种新的检测算法,首先将图像划分成不相交的超像素集合,并以其作为结点构建闭环图;然后利用背景先验知识与流形排名方法计算图中结点的显著度,得到视觉显著图;再使用Sigmoid函数对视觉显著图进行非线性校正,抑制背景结点的显著度和增强目标结点的显著度。不同算法的对比实验表明,新算法具有更好的检测性能,更易于区分背景区域和目标区域,同时也提高了鲁棒性。     

EEMD-多尺度排列熵的GPS高程时间序列降噪方法

针对GPS高程时间序列受各类噪声干扰的影响,导致难以提取有用信息的问题,提出一种基于整体经验模态分解(EEMD)结合多尺度排列熵(MPE)的阈值降噪方法。该方法以EEMD为核心算法,将原始信号分解成一系列本征模态函数(IMF),并采用MPE作为指标将其分类为噪声IMF、混合IMF和信息IMF;然后利用阈值函数处理混合IMF,实现二次降噪;再重构降噪后的数据与信息IMF,获得降噪结果。仿真信号和实例分析结果表明,该方法与相关系数法、MPE法相比,降噪评价指标RMSE、SNR和d_nSNR均为最优,说明该降噪方法效果最好,本文方法获得的降噪结果能够更好地反映出时间序列本身的非线性变化特性,可为GPS高程时间序列分析提供可靠依据。     

基于小波分解的差分灰色神经网络-AR模型及其在地铁隧道沉降预测中应用研究

提出了一种基于小波分解的差分灰色神经网络-AR模型。该方法利用小波分解,将监测数据中稳定性较好的低频序列利用差分灰色神经网络进行预测,消除了由于灰色预测残差不平稳而导致的预测误差;对呈现平稳序列的高频数据采用自相关强的AR时间序列模型进行预测,并对上述结果进行小波重构得到最终的预测结果。结合某地铁隧道的实测沉降数据,与灰色模型GM(1,1)、差分灰色神经网络模型进行对比,结果表明:本文提出的基于小波分解的差分灰色神经网络-AR模型精度更高,能够对隧道沉降监测作出更加准确的模拟和预报。