带未知系统偏差的自适应Kalman预报新方法

本文提出了一种有效的带未知系统偏差的自适应Kalman预报新方法.应用状态空间方法和现代时间序列分析方法,基于输出预报器,给出了线性离散定常系统自适应最优状态和偏差联合预报方法,仿真例子说明了新方法的有效性.

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

基于自适应强跟踪Kalman滤波的GNSS跟踪环路设计

为提高GNSS接收机跟踪环路在复杂环境下的跟踪性能,提出一种基于自适应强跟踪Kalman滤波(ASTKF)的跟踪环路,在传统跟踪环路的基础上,以鉴相器输出为观测量进行自适应强跟踪Kalman滤波,滤波结果用于计算导航滤波器的观测量,同时将伪码频率和载波多普勒频率反馈到码NCO和载波NCO,在ASTKF中使用基于卡方分布的渐消因子计算方法,提升跟踪环路鲁棒性。半物理仿真实验表明,相比于基于Kalman滤波的跟踪环路和基于强跟踪Kalman滤波(STKF)的跟踪环路,所提出方法在水平方向上的位置误差和速度误差减小20%以上,有效提高了卫星导航接收机的定位性能。

结合自适应噪声完备集合经验模态分解的深度学习模型在电离层闪烁预报中的研究

电离层闪烁可能导致通信系统误码率增加和GNSS定位精度下降。由于电离层闪烁的偶发性,闪烁预报非常困难。为了提高对电离层闪烁的预测精度,提出了一种综合多种方法的混合预测模型,利用电离层闪烁标签值(S4label)进行辅助,结合“分解-集成”思想的深度学习模型进行预测。首先采用CEEMDAN算法将原始数据分解为多个子信号,并基于样本熵指标,使用K-Means算法将这些子信号重构为高频、低频和趋势3种信号。后利用VMD法对高频信号进行二次分解,借助自注意力LSTM模型实现对高低频信号的逐步预测。实验结果表明,与传统的LSTM模型相比,混合模型预测精度明显提高。在地磁平静期,该模型的预测效果得到显著改善,R^(2)、RMSE、MAE、MAPE代表的精度分别提升了32.2%、58.7%、51.2%、44.7%。因此,该模型能更准确地预测电离层闪烁现象的发生,对电离层闪烁的预测研究具有很好的参考价值。

尺度适应重力波拖曳方案在高分辨率数值预报中的应用研究

随着数值模式分辨率越来越高,在复杂地形区域仅考虑高层重力波拖曳作用和地形阻塞作用具有局限性,WRFv4.3模式中新型重力波拖曳方案在原有大尺度重力波拖曳和地形阻塞作用基础上新加入了边界层小尺度重力波拖曳作用,且对湍流地形拖曳作用增加了描述,从而可以达到尺度适应。为了验证新的重力波拖曳方案的效果,本文基于华北区域3 km对流可分辨模式开展了2021年冬季重力波拖曳参数化方案应用试验,对比分析了三组试验方案:不开启重力波拖曳、原有的仅考虑大尺度重力波拖曳和阻塞作用的方案以及新型的尺度适应方案的模拟结果。试验结果表明:原有重力波拖曳方案仅考虑重力波拖曳和大尺度地形阻塞,在3 km模式中对复杂地形附近整层风场影响较大,但是正效果有限;新型尺度适应重力波拖曳方案在3 km分辨率模式中大尺度重力波拖曳和阻塞拖曳作用为0,仅由边界层内小尺度重力波拖曳和湍流地形拖曳起作用,能够达到尺度适应效果;由于高层重力波拖曳为0,开启新型重力波拖曳会降低低空尤其是边界层内风场预报正偏差,对高空风场无影响;对模拟区域的统计检验结果表明,新型重力波拖曳方案可以有效减少地形复杂区域近地面风场预报的误差,但对温度等其它要素的改善有限。

模糊自适应Kalman滤波算法在SINS/DR组合导航的应用

针对里程仪测量误差导致组合导航精度降低的问题,提出基于系统工作状态和滤波器新息状态相结合的模糊自适应算法。根据新息的变化确定模糊规则,修正里程仪输出增益,使新息始终保持在零均值附近,利用修正后的新息修正观测噪声方差,降低导航定位的偏差。仿真实验结果证明,该算法能够很好地提高组合导航定位的精度。

基于Sage窗的自适应Kalman滤波用于钟差预报研究

钟差预报是时间保持工作中的一项关键技术。Kalman算法作为一种最优预报算法,具有实时性的特点,在时间保持工作中得到了广泛的应用。但是由于经典Kalman算法需要准确确定模型随机误差和测量误差,否则状态估计会引入一定的误差,在原子时算法中表现为原子钟噪声和钟差测量噪声。原子钟的噪声参数值通常是通过Allan方差估计,若估计不够准确,Kalman预报将会出现误差。通过研究基于Sage窗的自适应Kalman预报算法,实时修正状态模型误差。利用自适应因子调整状态预测协方差阵有效降低了模型误差,提高了预报精度,最后通过两台氢原子钟和两台铯原子钟的实测数据验证了算法的有效性。

一种基于软卡方检测的自适应Kalman滤波方法

在传统Kalman滤波中,卡方检测方法简单地将量测划分为正常和异常两种,针对其不足之处,改进并提出了一种新的软卡方检测方法。新方法根据卡方检测结果构造连续变化的量测,利用权重系数,充分挖掘处于正常值与异常值之间的可疑量测新息,同时还将该方法推广成多维量测的多分量卡方检测形式,建立了全面完整的软卡方检测Kalman滤波量测更新方程。最后,通过惯导/卫导组合导航仿真,验证了软卡方检测Kalman滤波的优势:无需任何参数调整且具有比Sage-Husa自适应滤波更小的统计误差波动。

基于自适应Kalman滤波的物联网异常节点位置识别研究

针对物联网异常节点识别结果不准确和时间较长等问题,文章提出一种基于自适应Kalman滤波的物联网异常节点位置识别方法。分析物联网中节点的空间分布情况,组建物联网各个节点之间的通信信道传输模型,引入载波调制方估计各个通信信道特征参量取值,通过自适应Kalman滤波提取异常节点的特征参量,对全部异常特征参量进行融合和过滤处理。分析处理结果,采用特征模糊聚类对物联网异常节点位置识别。通过实验对比可知,所提方法可以高效率高精度完成物联网异常节点位置识别。

自适应瞬变电磁波场反变换方法及其在隧道超前预报中的应用

瞬变电磁法(TEM)是一种感知地下含水体,圈定隧道含水区范围的有效方法。从瞬变电磁信号中准确提取虚拟波场是刻画含水区形态边界的关键。为提取准确可靠的虚拟波场,需要解决核函数动态范围大、波场反变换方程高度病态和实现自适应求解等问题。本研究基于精细积分方法,结合缩短波场反变换数值积分区间的经验公式,提出优化的自适应波场反变换方法。结果表明,在对均匀半空间的数值模型计算中,对正演数据的拟合误差低于0.5%;在对H型地电断面的数值模型计算中,提取的虚拟波场具有合理准确的运动学特征;在对全空间HKH型模型的数值计算中,提取的虚拟波场突出不同深度的含水层边界,在整个观测时间段拟合程度高;对于隧道实测数据,虚拟反射波在富水区边界和电性界面附近响应明显,拟合误差低于5%,虚拟波场记录圈定的含水区与视电阻率分布规律相互印证且与钻井试验吻合,证实了该方法的有效性和可靠性。

中尺度天气系统适应性观测研究进展及其在大城市短临预报中的应用构想

如何提高中尺度天气系统预报技巧是天气预报领域的重大科学问题之一。中尺度天气系统的发生和发展受到大气热动力条件、地形及污染条件等多重影响,且由于模式本身及初值的不确定性,中尺度天气系统所产生的对流天气预报仍有较大误差。通过在重点地区开展适应性观测试验降低模式初始场的不确定性是行之有效的方法之一,基于此有望更准确地揭示中尺度天气系统触发和形成机制、提高对流天气模式预报水平。首先,提出一种适应性观测试验的技术路线,即在已有的京津冀地区现代气象探测网基础上,采用集合变换卡尔曼滤波方法识别典型中尺度对流性天气的观测敏感区,结合无球探空移动观测平台,通过观测与预报互动方式,开展目标区的中尺度天气适应性观测试验,研究京津冀地区夏季对流天气触发机制,探索提高灾害性对流天气预报技巧的新方法。然后,针对大城市区域对流天气短临预报预警面临的低层大气垂直观测系统存在的“大网捞小鱼”问题,可通过构建由5个具有垂直观测能力的站点所组成的金字塔形对流层低层大气垂直观测系统,提出随云团大小和位置变化而变化的动态三角形组网观测技术,以获得不同空间尺度的大气动力廓线,进而增进对对流天气触发、发展和演变机理的认识。最后,探讨了适应性观测与大城市气象保障服务之间的内在联系,针对大城市大气垂直观测中尺度站网科学布局和以改进城市短临预报精度为目的的适应性观测等问题,给出具体建议,并展望以观测-预报互动为主要特征的中尺度适应性观测试验技术对大城市气象保障服务的科学价值和应用前景。

尺度适应性起沙机制在CMA-CUACE/Dust中的应用

沙尘暴是影响我国重要的灾害性天气之一,针对中国气象局亚洲沙尘暴数值预报系统CMA-CUACE/Dust(China Meteorological Administration Unified Atmospheric Environment for Dust)的沙尘质量浓度在中亚高估、蒙古北部低估、在我国消散过快以及极端沙尘暴预报峰值偏低等问题,应用与模式格距匹配的尺度适应性起沙机制并更新风蚀资料库对模式进行改进。对2021年3月13—17日东亚最强沙尘暴个例和2023年3—5月与业务运行环境一致的连续预报试验表明,改进后的模式(CMA-CUACE/Dust V1.5)有效改善了上述不足,极端沙尘暴过程传输至我国后的沙尘质量浓度峰值与观测接近。连续预报试验TS(threat score)评分显示:CMA-CUACE/Dust V1.5预报一致性和连续性较好,1~5 d不同时效预报TS评分明显高于改进前和韩国模式ADAM(the Asian Dust Aerosol Model),漏报率明显降低,对2023年5次沙尘过程的4次预报TS评分高于0.3,部分过程超过0.5。

自适应及抗差Kalman滤波在GNSS/INS组合导航中的应用

传统Kalman滤波在卫星/惯性组合导航中通常难以对复杂的导航环境做出自适应改变,从而影响参数估计的精度甚至使滤波发散。笔者引入Sage-Husa自适应滤波和基于新息向量的抗差滤波并经正反向融合处理组合导航数据。结果表明,水平姿态、航向角度、三维速度和位置结果的估计精度较传统Kalman滤波平均提升37.38%,64.23%,23.51%,29.06%,最高提升58.77%,95.17%,36.61%,49.20%。自适应、抗差和正反向Kalman滤波提升了参数估计精度和稳定性,可用于复杂城市导航环境下组合导航数据事后处理。

交互多模自适应容积Kalman滤波算法设计及履带车辆跟踪应用

为满足履带车辆作为机动目标的实时跟踪和对目标速度、航向角的准确估计,针对测量值含有相关乘性噪声,采用新息分析法依据噪声相关系数已知和未知改进容积Kalman滤波算法。考虑到单模型滤波器难以准确地实现机动目标的跟踪,采用交互式多模型算法对履带车辆运动轨迹进行描述,提出一种交互式多模自适应容积Kalman滤波算法。仿真表明交互式多模型自适应容积Kalman滤波算法对车辆机动具有稳定的跟踪效果且乘性噪声得到有效处理。

一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测算法

针对当前的山体滑坡监测技术监测精度低、实时性差、自动化程度低的问题,提出了一种基于灰色预测理论和抗差自适应Kalman滤波的滑坡监测技术。该技术使用抗差自适应Kalman滤波技术,对包括实时动态(RTK)载波相位差分定位数据、无人机摄影测量数据、土工带传感器数据在内的多源数据进行融合分析,将滑坡形变监测精度提高到了mm级。RTK技术和土工带传感器的使用克服了天气状况、植被覆盖对滑坡监测的影响。使用灰色预测理论对山体滑坡监测点进行形变预测,结合蠕变切线角判据,该技术实现了对山体滑坡预警等级的划分。仿真实验结果显示,该山体滑坡监测技术能够成功实现山体滑坡预测预警功能。

时变参数系统的自适应Kalman滤波在水文预报中的应用

用时变参数系统的自适应Kalman滤波预报方法 ,对时间序列模型进行最优和次优预报 ,用于解决河流年最大洪峰流量时变参数系统的自适应预报问题 ,通过松花江哈尔滨水文站年最大洪峰流量的实例计算表明 。

自适应DBSCAN算法在快速落点预报中的应用研究

能否快速精确给出高空飞行器落点信息是判断飞行任务是否成功的重要依据。针对在工程应用中使用常规DBSCAN算法对多组落点预测数据进行统计聚类时,全局参数Eps及min Pts组合对聚类结果有较大影响,且需要依靠先验经验进行人工干预,难以量化处理的问题,基于样本集数据特征与核密度估计原理,在实测落点数据集中仿真实现了两种自适应DBSCAN算法,并进行了适用性分析对比,解决了快速落点预报中DBSCAN算法参数选择不合理导致聚类质量恶化的问题。结果表明:能够合理地选择全局参数Eps及min Pts,效率较优,提高了DBSCAN算法在快速落点预报中的准确率与适用性。

自适应Kalman滤波在地表沉降动态预报中的应用

开采沉陷是煤层采出后引起的一个时间和空间过程。随着工作面的推进,不同时间的回采工作面与地表点的相对位置不同,开采对地表点的影响也不同。本文以运用自适应Kalman理论为基础,对矿区地表观沉降进行动态预报,取得较好的成果。

基于SSA-ANFIS模型的BDS-3卫星钟差短期预报

针对卫星钟差时间序列具有非线性和非平稳的特性,以及趋势分量与随机分量相互干扰可能会影响预报精度的问题,提出一种以奇异谱分析(singular spectrum analysis, SSA)为基础,融合自适应模糊神经网络(adaptive neuro-fuzzy inference system, ANFIS)的卫星钟差预报模型SSA-ANFIS。首先利用SSA对钟差一次差序列进行分解和重构,从而得到趋势项和残差项;然后,使用ANFIS对重构分量进行预报,并将预报结果叠加还原,得到最终预报钟差值;最后,通过实验对比SSA-ANFIS与GM、QP、LSTM和ANFIS模型的预报效果。结果表明,相较于LSTM和ANFIS模型,该模型预报精度分别提高25.7%~40.7%和39.4%~45.7%。

基于并行自适应遗传算法的水文模型率定研究

【目的】参数率定是影响水文模型预报精度的重要因素,采用人工智能算法可以有效提高水文模型参数的率定效果。【方法】采用基于种群离散程度的自适应算子,对GA算法的交叉、变异和迁移过程进行自适应优化,并利用粗粒度并行计算模型提高种群进化效率,综合以上手段研究了一种基于自适应策略的并行遗传算法。将传统遗传算法(GA),串行自适应遗传算法(AGA)和并行自适应遗传算法(PAGA),应用于屯溪流域新安江模型的参数率定,从率定效率、率定收敛性、率定稳定性和率定效果四个方面,验证PAGA算法的综合性能。【结果】结果表明:PAGA算法的计算加速效果显著,在10核环境下相对于AGA算法计算时间减少了87.9%;在进化后期,PAGA算法能够更加稳定的收敛于最优解,收敛后的目标函数值具有更好的稳定性;在验证期的场次洪水模拟中,采用PAGA算法率定的模型模拟效果最优,总体洪水合格率大于90%,确定性系数均值为0.85。【结论】PAGA算法能够明显降低模型参数寻优耗时,改善模型率定效果和收敛性能,为水文模型参数的率定提供了新思路。