核特征抽取的反馈神经网络的探索及应用

文章通过组合反馈神经网络和特征层抽取建立一个新型的神经网络预测模型,使用了核独立成分分析及独立成分分析2种方法进行比较;通过对合肥工业大学毕业生就业流向的预测和数据验证,结果表明,上述方法在预测的运算精度和速度方面均优于单纯的反馈神经网络,并且含有"核心"的成分分析方法效果优于普通成分分析。

风暴的多普勒雷达自动识别

3种基于雷达的风暴自动识别方法:(1)美国WSR-88D Build 7.0风暴算法,它利用多个预设阈值来检验回波的强度和连续性,以构造具有三维连续结构的风暴,该方法在风暴合并、分裂以及多个单体相距较近时误差较大。(2)为美国WSR-88D Biuld 9.0风暴算法(B9SI),它用7个反射率因子识别阈值替代此前唯一的一个反射率因子阈值,增加了特征核抽取和相近单体处理技术,并保留远距离上的强的2D分量。该方法在面对成串或成簇多单体时,能够识别出多个单体核,并准确定位。B9SI没有考虑反射率因子纹理结构和空间梯度的变化,也没有利用径向速度资料,因此无法描述风暴对流的发展状况。(3)CSI方法,它在降低B9SI反射率因子识别阈值的基础上,利用模糊逻辑技术对B9SI输出结果和雷达基资料做进一步的处理,以计算描述风暴对流发展强弱的对流指数。CSI首先提取一组最能描述风暴对流性特征的物理量,包括反射率因子纹理结构、反射率因子空间变化率、垂直积分含水量和径向速度标准方差,并分配权重;其次,利用每一个物理量的统计结果,结合其物理意义,设计出相应的隶属函数,以计算风暴与该物理量描述的对流性特征相匹配的概率;最后对多个概率值进行加权平均即得对流指数。此外,计算了2004年8月11日发生在广州的超级单体演变过程中的对流指数,分析表明:对流指数两次加大对应了超级单体的合并增长和辐合增长过程;风暴最强盛时对流指数为0.744;随后对流指数减小,雷达观测到的最大反射率因子对应高度明显降低,地面上开始出现大范围的强降水。

临近预报系统(SWIFT)中风暴产品的设计及应用

介绍了临近预报系统"SWIFT"(Severe Weather Integrated Forecasting Tools)中的风暴产品的设计,包括风暴识别、风暴追踪和风暴预报。在识别风暴时,采用了多反射率因子阈值、特征核抽取和相近单体处理技术,并保留远距离上的强的2D风暴,该方法在面对成串或成簇多单体时,能够分离多个单体核,并准确定位。在风暴追踪和预报算法中,对当前时刻识别出来的风暴,利用匹配方案,将其与前1时刻的风暴建立对应关系,追寻历史轨迹,匹配方案是在空间位置相关的前提下,按照相似原则进行;风暴预报采用TREC(Tracking Radar Echoes by Correlation)技术获取的移动矢量场进行外推,提供未来1小时内的风暴移动位置。在北京奥运会天气预报示范项目(Forecast Demonstration Project,简称FDP)第二次测试期间,该风暴产品得到应用。分析表明:在预报时效为30分钟时,风暴产品在X轴和Y轴上的平均绝对误差为7.1和6.2 km,样本数为3891个;随着预报时效的增加,风暴产品的平均绝对误差增大,且在经向上的误差略大于纬向上;在径向上,风暴产品的预报出现了系统性的偏慢,而在纬向上,预报出现了系统性的偏快。

基于天气雷达数据的强对流天气自动识别系统

借鉴WSR-88D中SCIT算法,并针对强对流天气的特征,研制了基于雷达数据的强对流天气自动识别系统。利用2008-04-07温州、泰顺的一次冰雹过程的多普勒天气雷达数据对该系统进行试验,结果表明该系统能够合理地对灾害性天气现象进行分类,其强对流天气识别的效果和METSTAR软件识别结果基本一致,且较METSTAR软件更具灵活性和可扩展性。目前该系统已经业务化应用,在强对流天气的预警方面起到了较好的作用。