预分析初始扰动样本对降维投影四维变分同化性能的影响

降维投影四维变分同化(DRP-4DVar)方法的背景误差协方差是由基于历史预报的扰动样本统计得到的,为了改进降维投影四维变分同化系统中背景误差协方差的流依赖特性,提出了对初始扰动样本进行预分析的新思路,即在对背景场分析之前,利用降维投影四维变分同化系统本身对每个样本进行预先分析,使得统计出的背景误差协方差随实际的天气形势而变化,从而实现其在真正意义上的流依赖,且在循环同化时能够避免滤波发散现象的出现。试验结果表明,对样本进行预先分析能够通过改善同化系统中背景误差协方差的空间结构和流依赖特性,来进一步改进降维投影四维变分同化方法的性能,为数值模式提供更精确的初始场,从而提高了基本模式变量的预报精度,并改善了对强降水的模拟能力。相比较而言,对所有初始扰动样本都进行了预分析的同化试验能够得到最优的分析和预报。

两种样本生成方法对DRP-4DVar同化方法性能影响的比较及分析

降维投影四维变分同化方法(DRP-4DVar)利用历史预报的集合来统计背景误差协方差,并将分析变量投影到样本空间下求解代价函数,因而集合样本的质量对DRP-4DVar同化方法的性能有着重要影响。文中尝试使用三维变分(3DVar)控制变量的扰动方法来产生集合样本,并与原来的历史预报扰动方法做比较。历史预报扰动样本具有随流型演变的特性,能够较好地描述大气模式的误差发展和模式变量之间的平衡约束关系。但是,由于历史样本之间的时间间隔较短,且样本数量有限,使得样本之间的离散度不够大,因而很难较全面地包含实际大气可能出现的状态。3DVar控制变量的扰动方法是基于3DVar系统中背景误差协方差的结构特征来生成初始扰动样本,因而能够构建比较合理的背景误差相关结构;且将扰动样本向前预报6或12h后能够使统计的背景误差协方差满足较好的协调性与动力和物理的平衡性。在计算代价方面,历史预报结果在业务预报中心能够直接获取,不需要额外的机时来生成样本,所以非常节省时间;而积分3DVar控制变量的扰动方法得到的初始样本比较费时,但是易于实现其并行计算。通过数值试验发现,用历史预报扰动方法生成样本时,模式变量的分析误差稍小于用三维变分控制变量的扰动方法的情况。但是,经过模式向前积分9h至12h后,利用三维变分控制变量的扰动方法生成样本能得到更优的预报结果,且对降水的模拟有明显的改善。因而,当用三维变分控制变量的扰动方法产生样本时,能够进一步改进DRP-4DVar同化方法的性能,尤其是提高数值预报的精度以及对强降水的模拟能力。

基于自然最近邻的样本扰动三支聚类

利用数据样本的自然最近邻信息,给出了一种基于样本扰动理论的三支聚类算法,结合自然最近邻信息生成2组扰动数据集,随机提取特征子集并使用K⁃means聚类算法获得不同的聚类结果,利用共现概率矩阵和确定函数获得样本的稳定性,根据样本稳定性阈值将样本划分为稳定区域和不稳定区域,再对2个区域的样本使用不同的策略获得每个类簇的核心域和边界域。实验采用5个公开数据集与2种传统的聚类算法进行对比,结果验证了所提算法的有效性。

结合扰动集成RBF的故障识别方法

为提高旋转机械故障识别精度,将神经网络与集成学习方法进行结合,提出结合扰动方式的集成RBF故障模式识别方法.首先,通过ReliefF算法计算所提取出的转子故障特征数据集各个特征的权重,并且将权重值进行降序排列,从而筛选出权重趋大的系列特征构成低维特征数据集;其次,将较大权重作为无放回轮盘赌法的输入,对权重所对应的低维特征数据集进行特征扰动,产生系列化低维数据子集并将其划分为训练集和测试集;然后,采用Bagging算法中的自助采样法对训练集进行样本扰动,以此形成新的训练集并用于训练对应个数的RBF神经网络,完成差异性子分类器的构建;最终,对各个神经网络的测试数据辨识结果通过相对多数投票法进行结合,得到故障识别结果.实验结果表明,对于转子系统的故障识别,该方法相较于未集成RBF神经网络、集成BP神经网络具有较高的识别精度,并且拥有较好的泛化性能.

对抗样本三元组约束的度量学习算法

针对已有三元组约束的度量学习算法大多利用先验知识构建约束,一定程度上制约了度量学习算法性能的问题,本文借鉴对抗训练中样本扰动的思想,在原始样本附近学习对抗样本以构造对抗三元组约束,基于对抗三元组和原始三元组约束构建了度量学习模型,提出了对抗样本三元组约束的度量学习算法(metric learning algorithm with adversarial sample triples constraints,ASTCML)。实验结果表明,提出的算法既克服了已有固定约束方法受先验知识影响大的问题,也提高了分类精度,说明区分更加难以区分的三元组约束能够提升算法的性能。