期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
随机参数扰动方法对中国冬季降水集合预报的影响 被引量:6
1
作者 陈雨潇 徐致真 +2 位作者 陈静 李红祺 陈法敬 《大气科学》 CSCD 北大核心 2020年第5期984-996,共13页
降水数值预报有很大的不确定性,与降水预报密切相关的物理过程参数化方案中关键参数的不确定性是降水数值预报误差来源之一,对这些参数引入随机扰动的随机参数扰动方法(StochasticallyPerturbed Parameterization,简称SPP方法)可以代表... 降水数值预报有很大的不确定性,与降水预报密切相关的物理过程参数化方案中关键参数的不确定性是降水数值预报误差来源之一,对这些参数引入随机扰动的随机参数扰动方法(StochasticallyPerturbed Parameterization,简称SPP方法)可以代表模式降水预报的不确定性,是国际集合预报前沿研究领域。为了认识该方法能否代表中国冬季降水数值预报的不确定性,为业务应用提供科学依据,基于中国气象局中尺度区域集合预报模式(Global/Regional Assimilation and Prediction System-Regional Ensemble Prediciton System,简称GRAPESREPS),从对模式降水预报不确定性有较大影响的积云对流、云微物理、边界层及近地面层等四个参数化方案中选取了16个与降水密切相关的关键参数,引入了随机参数扰动方法,并通过2018年12月12日至2019年1月12日总计31天的冬季集合预报试验,对比分析了SPP方法对等压面要素及降水的集合预报效果。结果显示:在冬季应用SPP方法时,等压面要素的概率预报技巧总体来说优于无SPP方法扰动的对比试验,且对于低层、近地面要素的改进效果优于对中高层等压面要素的改进;但对降水概率预报而言,尽管检验评分数值略优于对比预报试验,但并未通过显著性检验,这表明,在东亚冬季风影响下,随机参数扰动方法对中国冬季降水概率预报技巧没有明显的改进。究其原因,可能是由于SPP方法主要代表对流性降水预报的不确定性,而中国冬季降水过程主要与斜压不稳定发生发展有关,模式降水以大尺度格点降水为主,对流性降水较少,故对冬季降水预报改进不明显,这为业务集合预报模式中应用随机参数扰动方法提供了科学依据。 展开更多
关键词 随机参数扰动方法 集合预报 中国冬季降水
下载PDF
CMA-REPS区域集合预报随机动能后向散射方案敏感性试验 被引量:1
2
作者 范宇恩 李红祺 +3 位作者 陈静 徐致真 陈法敬 邓国 《气象》 CSCD 北大核心 2022年第9期1077-1089,共13页
模式中常应用水平扩散项以抑制非线性计算不稳定或阻尼虚假短波,但这会导致数值模式在截断尺度附近出现小尺度动能过度耗散。为了将被过度耗散的小尺度动能补偿回模式,将随机动能后向散射扰动方法(stochastic kinetic energy backscatte... 模式中常应用水平扩散项以抑制非线性计算不稳定或阻尼虚假短波,但这会导致数值模式在截断尺度附近出现小尺度动能过度耗散。为了将被过度耗散的小尺度动能补偿回模式,将随机动能后向散射扰动方法(stochastic kinetic energy backscatter,SKEB)引入CMA-REPS区域集合预报系统。首先基于由一阶自回归随机过程在水平方向上进行球谐函数展开得到的随机型,然后计算由数值扩散方案引起的局地动能耗散率,进而构造随机流函数强迫,并将其转化为水平风速扰动,对耗散的动能进行随机补偿。开展了2018年9月、10月(选取1日、7日、13日、19日、25日)的10 d集合预报随机型时间及空间尺度敏感性试验,并对试验结果进行评估。获得如下结论:在CMA-REPS区域集合预报中应用SKEB方案,可在一定程度上补偿过度耗散的小尺度动能,进而改善了模式对实际大气动能谱的模拟能力。就集合预报技巧改进而言,SKEB方案可以显著改善区域模式水平风场U、V的离散度,同时水平风场、温度等要素连续分级概率评分(CRPS)和离群值评分均获得改善。对SKEB方案开展的6个时间尺度(失相关时间尺度τ选取1、3、6、9、12、15 h)和6个空间相关尺度(最大截断波数L_(max)选取80、100、120、160、200、240)敏感性试验结果表明,12 h失相关时间尺度和最大截断波数为240空间相关尺度的集合概率预报技巧更优。结论证明SKEB方案可以补偿在截断尺度耗散的小尺度动能,有效提高集合预报技巧。 展开更多
关键词 区域集合预报 随机动能后向散射扰动方法 失相关时间尺度 空间相关尺度
下载PDF
带预处理的半定规划多用户检测器 被引量:1
3
作者 穆学文 刘三阳 张亚玲 《西安电子科技大学学报》 EI CAS CSCD 北大核心 2006年第1期89-92,共4页
基于多用户检测问题的二次整数规划模型,提出了一种带预处理的半定规划多用户检测方法.该方法利用预处理方法把多用户检测问题的模型等价为一个规模较小的二次整数规划模型,给出简化模型的半定规划松弛,结合随机扰动方法得到多用户检测... 基于多用户检测问题的二次整数规划模型,提出了一种带预处理的半定规划多用户检测方法.该方法利用预处理方法把多用户检测问题的模型等价为一个规模较小的二次整数规划模型,给出简化模型的半定规划松弛,结合随机扰动方法得到多用户检测问题的次优解.这种方法改善了用户多时半定规划方法误码率高的状况,同时也缩短了直接利用半定规划方法的检测时间. 展开更多
关键词 多用户检测 半定规划松弛 二次整数规划 随机扰动方法 误码率
下载PDF
On Efficiency of Simultaneous Perturbation Stochastic Approximation Method for Implementation of an Adaptive Filter
4
作者 Hong Son Hoang Remy Baraille 《Computer Technology and Application》 2011年第12期948-962,共15页
In this paper, the simultaneous perturbation stochastic approximation (SPSA) algorithm is used for seeking optimal parameters in an adaptive filter developed for assimilating observations in the very high dimensiona... In this paper, the simultaneous perturbation stochastic approximation (SPSA) algorithm is used for seeking optimal parameters in an adaptive filter developed for assimilating observations in the very high dimensional dynamical systems. The main results show that the SPSA is capable of yielding the high filter performance similar to that produced by classical optimization algorithms, with better performance for non-linear filtering problems as more and more observations are assimilated. The advantage of the SPSA is that at each iteration it requires only two measurements of the objective function to approximate the gradient vector regardless of the dimension of the control vector (or maximally, three measurements if second-order optimization algorithms are used). The SPSA approach is thus free from the need to develop a discrete adjoint of tangent linear model as it is required up to now for solving optimization problems in very high dimensional systems. This technique offers promising perspectives on developing optimal assimilation systems encountered in the field of data assimilation in meteorology and oceanography. 展开更多
关键词 Stochastic approximation dominant Schur vectors minimum prediction error adaptive filter stability.
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部