基于多情景划分的三峡水库入库径流预报校正

本文考虑预报发生时的外界环境差异性及不同预报情景下预报误差的不同,根据降雨情况、预见期等关键影响因子的不同,实现了预报情景的划分,并进一步基于历史预报误差数据实现了不同情景下相对预报误差分布规律以及90%置信度下置信区间的推求。并基于变分模式分解和长短期记忆神经网络模型,建立了考虑预报误差和预报情景的多维、多属性径流预报校正方法,通过三峡水库实例分析发现,入库径流预报的平均相对误差由实际的8.32%降低为6.36%,减少幅度达到23.6%。此外,平均绝对误差、均方根误差及确定性系数等其他指标都得到了不同程度的改善。说明本文的方法可增加校正模型的有效信息输入,从而提高径流预报模型精度。

非线性对流扩散方程的预报校正紧差分格式

结合预报校正的MacComack方法与高阶紧致差分格式方法的优点,在空间导数采用四阶紧致差分格式进行离散之后,对得到的空间半离散格式采用预报校正的MacCormack方法进行时间推进,得到一种求解非线性对流扩散方程的高精度方法。数值试验表明,该格式可以有效求解非线性对流扩散方程,显示出算法的有效性。

枫树坝水库洪水实时预报校正方法研究

枫树坝水库降雨径流概念性模型的建立及其自动采集系统的完善，为枫树坝水库洪水实时预报校正研究 提供了前提条件。概念性水文模型考虑因素尽管较全面，但汇流经验单位线计算流量过程精度有待提高。基于洪 水预报误差信息，对一阶自回归模型自适应递推、二阶自回归自适应递推和卡尔曼滤波校正方法进行研究分析。 实际洪水与模拟计算结果对比分析表明，二阶自回归递推和卡尔曼滤波校正计算方法提高了洪水预报精度。

预报校正法在非饱和土壤水分运动数值模拟中的应用

以土壤水动力学原理为基础,研究了垂直入渗条件下土壤水分运动规律。采用非迭代的预报校正法的差分法,对非饱和土壤水分运动过程进行了模拟。结果表明,试验实测数据与模拟计算值吻合较好。该方法可以用于实际土壤水分运动的预测和模拟。

求解信赖域子问题的Milne-Hamming预报校正算法

在已建立的微分方程模型的基础上,结合Milne-Hamming预报校正格式求解二次模型信赖域子问题.提出了Milne-Hamming预报校正算法,分析了算法对应折线的性质,并将其与隐式欧拉切线算法进行数值实验比较.数值实验结果验证了该算法有效、可行.

基于机器学习模型的数值降雨预报校正

以潮白河流域12个站点为研究对象,选取12个站点的未来12 h不同预见期的预报降水数据,构建基于支持向量机(support vector machine,SVM)模型、随机森林(random forest,RF)模型和多层感知机(multilayer perceptron,MLP)模型的不同预见期预报降雨校正模型,模型输入为站点对应网格及其周边8个网格的降雨预报数据,模型参数采用贝叶斯优化技术进行估计。利用均方根误差和确定性系数评估各模型对不同预见期预报降水的校正效果。结果表明:未经校正的原始预报在不同预见期的预报精度均较差;各个误差校正模型在率定期与验证期对不同预见期降雨均具有较好的校正效果;经SVM、RF和MLP模型校正后,均方根误差的平均值在率定期分别降低了:54.2%、50.0%和20.8%,在验证期分别降低42.9%、33.3%和14.3%;确定性系数的平均值在率定期与验证期也均有显著提高;3个误差校正模型中,SVM模型表现最优,RF模型次之。研究成果可为其他流域数值降雨预报数据校正提供参考。

求解信赖域子问题的Adams四阶预报校正格式算法

在已建立的微分方程模型的基础上,联合Adams四阶预报—校正格式求解二次模型信赖域子问题。文章提出了Adams四阶预报—校正格式算法,分析了算法对应折线的性质,并将其与Adams四阶显式算法、Adams四阶隐式算法进行数值实验比较。数值实验结果验证了该算法有效、可行。

基于改进非线性预报-校正内点法的最优潮流

提出一种改进的非线性预报校正内点法,该方法在校正阶段应用了多中心校正的超立体空间映射技术,经过合理配置一些关键参数改善了映射空间的结构,使算法在每次迭代时只需1次校正计算就能获得较大的迭代步长,从而快速收敛至最优解。通过IEEE14,IEEE30,IEEE57,IEEE118这4个测试系统的仿真计算表明,该算法收敛快,其迭代次数基本与每次迭代进行4次中心校正计算的多中心校正内点法相当,而且鲁棒性好,未出现数值稳定问题。

广义离散随机线性系统自校正最优预报器

运用现代时间序列分析［１］的方法研究广义离散随机线性系统最优及自适应状态估计．将状态估计转化为输出预报和白噪声估计，从而提出了系统的最优预报器，并且证明最优预报器对于初始值的选取渐近稳定．在噪声统计未知时提出了自校正预报器．仿真例子说明了其有效性．

跳跃式再入快速预报校正制导算法研究

针对深空探测跳跃式再入返回飞行任务,提出了一种加速的数值预报校正制导算法,该算法通过在预报过程中对开普勒飞行段进行解析轨道预报,以此提高制导算法的预报和迭代校正速度。考虑到忽略大气影响的解析轨道预报精度问题,加速算法选择了合适的解析预报激活高度,并在一次下降段和一次上升段分别采用加速制导算法和传统预报校正制导算法的分段混合策略,从而实现制导效率与制导精度的综合性能最优。最后,通过蒙特卡洛仿真试验证明了新算法的加速效果非常明显,有利于预报校正算法的在线应用。

基于AR模型的多步自校正预报器及其应用

提出了基于AR模型的多步自校正预报器;简述了AR模型与ARMA模型的关系,避免了白噪声序列项麻烦,使得建模和参数估计的计算量大为减少;应用实例表明该方法的有效性.

自校正信息融合Wiener预报器及其收敛性

对带相关观测噪声和未知噪声统计的多传感器系统,用相关方法得到噪声统计在线估值器.在按分量标量加权线性最小方差最优信息融合准则下,用现代时间序列分析方法,基于滑动平均(moving average)新息模型的辨识,提出了自校正解耦融合Wiener预报器.用动态误差系统分析(dynamic error system analysis)方法证明了自校正融合Wiener预报器收敛于最优融合Wiener预报器,因而它具有渐近最优性.它的精度比每个局部自校正Wiener预报器精度都高.它的算法简单,便于实时应用.一个目标跟踪系统的仿真例子说明了其有效性.

一种以泰勒展开为基础的数学模型及其自校正预报显式算法

从多元函数的泰勒展开出发，给出了一种描述离散系统的模型结构，并给出了基于这种模型所描述系统的自校正预报的显式算法。

一种以泰勒展开为基础的数学模型自校正预报隐式算法

文中给出了单输入单输出离散系统以泰勒展开为基础的数学模型的自校正预报的隐式算法。

控制受限加权预报自校正系统的稳定性分析

针对控制幅值受限的、含稳定的未建模动态和有界干扰的对象 ,给出了一种鲁棒加权预报自校正控制算法。这种算法是在最小二乘型参数估计的基础上通过引入死区而得到的 ;通过引入一补偿函数f(t) ,并结合关键性技术引理便捷地对系统的鲁棒稳定性作了详细证明。结果表明 ,即使受控对象不稳定 (通常涉及控制幅值受限的控制系统稳定都需要对象稳定 ) ,所建立的系统也可以稳定。

基于预报-校正法的城市用水量预测模型的研究

神经网络已成为提供预测与决策支持的有力工具,但传统的神经网络预测方法有一缺点就是对于峰值和谷值预测效果不佳,其预测值和实际值常有较大的误差。通过引入预报-校正法的思想,在传统的神经网络预测方法基础上另外构建一个独立的神经网络用于学习误差估计,加以对传统的神经网络预测值进行校正。实验结果表明,该方法能改进传统的神经网络预测的缺点,显著改善预测效果。此外,该方法在类似的基于神经网络的函数逼近等方面也有很好的改进效果。

热工对象时变系统的自校正预报

针对热工对象具有慢时变性的特点，提出一种将其近似为时不变系统的方法。利用该方法离线建立的系统预报模型，具有在线计算量大为减少的优点。并把单输入、单输出的多步自校正方法推广到了多输入、单输出系统。计算机仿真表明本方法是确实可行的。

自校正解耦融合Kalman预报器及其收敛性

对于带有未知模型参数和噪声方差的多传感器系统,通过系统辨识方法,得到模型参数和噪声方差的信息融合估计,将其代入到最优分量按标量加权融合Kalman预报器中,得到自校正信息融合Kalman预报器,实现了状态分量的解耦。通过动态误差系统分析(DESA)方法严格证明了提出的自校正Kalman预报器按一个实现收敛于最优融合Kalman预报器,因此它有渐近最优性。应用信号处理的仿真例子验证了其有效性。

自校正解耦融合Wiener状态预报器

对含未知模型参数和噪声统计的多传感器单输入单输出系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,可得到未知模型参数和噪声统计估值器,进而在按状态分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦信息融合Wiener状态预报器。它实现了自校正分量解耦局部Wiener状态预报器和自校正分量解耦融合预报器。证明了它的收敛性和渐近最优性。一个目标跟踪系统的仿真例子说明了其有效性。

自校正预报PID调节器及其应用

提出一种设计自校正预报PID调节器的新方法。该方法具有结构新颖、鲁棒性强和容易实现等优点。并在热处理和加热炉上获得了成功应用。具有较大的推广应用价值。