基于卫星云图的风矢场度量模型与算法探讨

首先通过换算视场坐标确定灰度矩阵中每个元素对应的采样点在地球上的经纬度,从而将灰度矩阵转化为卫星云图,并添加海岸线.在此基础上,使用相关匹配法对具有一定时间间隔的两幅相关卫星云图进行模板匹配生成风矢场(云导风)矢量.然后,借助于近年来发展起来的数值微分方法,从图像灰度中提取出图像梯度信息,再利用正则化方法,实现了云导风的反演.对云图中加入灰度梯度信息和未加入灰度梯度信息的风场反演结果进行比较.结果表明,加入图像灰度梯度信息后所实施的新反演方法可有效减小图像干扰的影响,同时也大大提高了风矢量反演的精度,为卫星云图反演云导风探索出一条新路.     

基于卫星云图的风矢场(云导风)度量模型与算法探讨

对通过卫星云图来识别移动云块、计算风矢的问题进行了探讨.采用以点法式平面方程为核心的空间曲面方程组,实现了视场坐标变换;结合相邻帧差、中值滤波、阈值截取三种方法对卫星云图进行预处理,获得了云块分布;建立了滑动搜索图像匹配模型,并从数据挖掘以及图像特征的角度出发,设计了基于数据和基于统计参数这两种自适应算法,对匹配窗口大小、搜索范围进行优化;最后,为模型的继续改进提出了建议.     

线性比式和优化问题的完全多项式时间近似算法

本文针对线性比式和优化问题提出一个完全多项式时间近似算法,该算法主要利用原问题的等价问题及网格结点参数获得有限个与结点参数相关的线性规划问题,通过求解这些线性规划问题获得原问题的近似最优解.最终证明算法的收敛性,并给出了算法的计算复杂度,通过计算结果呈现算法的有效性与可行性.     

云导风的初步探究

针对云导风反演算法进行了深入研究.通过分析卫星云图的灰度特性和纹理特征,提出了基于最大灰度和梯度交叉相关系数的云导风反演方法.依据最大信息熵准则自适应调整窗口大小,根据NCEP数值预报产品指定风矢高度.实验结果表明,方法有效提高了反演的义精度和效率.     

高维稀疏数据对象——属性空间分割

针对高维稀疏数据预处理过程,提出了运用两阶段协同聚类算法(MTSCCA)来获得质量较好的高维稀疏对象-属性的子空间,并通过实证研究证明了算法的有效性.     

修正共轭梯度算法求解四元数Sylvester张量方程

本文提出一类张量形式的修正共轭梯度算法求解四元数Sylvester张量方程.证明在不计舍入误差的情况下,所提方法可在有限迭代步内获得张量方程组的解.进一步,通过选择特殊类型的初始张量,可获得方程组的唯一极小Frobenius范数解.通过数值算例验证了所提出算法的可行性和有效性.     

快速自底向上构造神经网络的方法

介绍了一种构造神经网络的新方法 .常规的瀑流关联 (Cascade-Correlation)算法起始于最小网络(没有隐含神经元 ) ,然后逐一地往网络里增加新隐含神经元并训练 ,结束于期望性能的获得 .我们提出一种与构造算法 (Constructive Algorithm)相关的快速算法 ,这种算法从适当的初始网络结构开始 ,然后不断地往网络里增加新的神经元和相关权值 ,直到满意的结果获得为止 .实验证明 ,这种快速方法与以往的常规瀑流关联方法相比 ,有几方面优点 :更好的分类性能 ,更小的网络结构和更快的学习速度 .     

求解多维0-1背包问题的人工鱼群算法

对于多维0-1背包问题,国内外学者提出了诸如模拟退火、遗传算法、蚁群算法以及其他启发式算法.给出一种新的智能寻优方法——人工鱼群算法.算法通过各人工鱼的局部寻优,从而在群体中体现出全局最优.描述了人工鱼群算法的具体步骤并编程实现,通过多维背包算例进行了求解测试,获得了满意的效果.     

多行程车辆路径问题中变邻域搜索算法的应用

多行程车辆路径问题是标准车辆路径问题的一个变体,每个车辆在运行期间可以使用不止一次.对于这种NP-HARD问题,提出了一个改进变邻域搜索算法并设计了四个邻域结构用于求解和制定多行程路径问题的调度规划.算法测试了一组标准实例问题,获得的解决方法与文献中提出的三种不同数据集进行比较计算证明,算法提供了较高质量的求解结果.最后采用三个标准函数进行数值计算,与PSO和GA算法进行比较证明,提出的VNS算法虽然运行花费时间较长,但是达到全局收敛性的比率和全局收敛性都远超其他两种算法.     

一个带固定步长的ODE型算法

提出了一种新的求解无约束优化问题的ODE型方法,其特点是:它在每次迭代时仅求解一个线性方程组系统来获得试探步;若该试探步不被接受,算法就沿着该试探步的方向求得下一个迭代点,其中步长通过固定公式计算得到.这样既避免了传统的ODE型算法中为获得可接受的试探步而重复求解线性方程组系统,又不必执行线搜索,从而减少了计算量.在适当的条件下,还证明了新算法的整体收敛性和局部超线性收敛性.数值试验结果表明:提出的算法是有效的.