研究I的结果表明:线性平衡方程(LBE)在热带地区不适用,而进一步改进方向是削弱LBE在该区域的约束程度。本文以此为基础,在GRAPES(global/regional assimilation and prediction system)全球变分同化系统中引入动力与统计混合平衡约束方...研究I的结果表明:线性平衡方程(LBE)在热带地区不适用,而进一步改进方向是削弱LBE在该区域的约束程度。本文以此为基础,在GRAPES(global/regional assimilation and prediction system)全球变分同化系统中引入动力与统计混合平衡约束方案。新方案在逐层求解LBE的基础上增加垂直方向的线性回归,回归系数随纬度和高度变化。针对背景误差协方差的分析表明,新方案可以更好的保证独立分析变量间预报误差不相关的基本要求,并大幅度减小热带地区平衡气压预报误差方差的量值和占总方差的比例。单点试验结果表明,与LBE方案相比,新方案对中、高纬影响很小,但在热带地区成功实现了风、压场分析的解耦,两者分析更为独立。并且,虽未考虑具体波动模态,但新方案给出的风、压场协相关结构与研究I的理论分析结果相近。一个月的同化循环与预报结果表明,引入新方案后,赤道外地区的同化预报效果为中性偏正,而热带地区风场的同化预报效果显著提高,LBE方案中平流层低层的风场同化预报异常被基本消除。展开更多
聚类是一种重要数据分析技术,在众多领域中得到广泛地应用.然而,由于数据分布的内在特点,传统的聚类算法并不能保证聚类结果具有平衡性,这与很多现实的需求不一致.本文提出了一种基于K-Means的平衡约束聚类算法,该算法对K-Means算法每...聚类是一种重要数据分析技术,在众多领域中得到广泛地应用.然而,由于数据分布的内在特点,传统的聚类算法并不能保证聚类结果具有平衡性,这与很多现实的需求不一致.本文提出了一种基于K-Means的平衡约束聚类算法,该算法对K-Means算法每次迭代中数据点的分配策略进行修改,达到对每个簇可包含的数据点数目上限进行约束的目的.同时,算法支持用户自定义簇可包含的数据点数目上限,满足不同的平衡约束聚类需求.另外,本算法参数少,只需设置目标簇数目及其可包含的数据点数目上限,时间复杂度低,具有简单、快速的特点.在6个UCI(University of California Irvine)真实数据集上进行的实验结果表明,文中提出的平衡约束聚类算法相比其他平衡约束聚类算法具有更佳的聚类效果和时间性能.展开更多
该文在GRAPES(Global/Regional Assimilation and PrEdiction System)模式面三维变分(3D_Var)框架中引入了一种描述不同控制变量之间动力平衡约束的新方案。新方案采用统计得到的流函数和模式气压变量(π)之间的回归系数代替原方案中的...该文在GRAPES(Global/Regional Assimilation and PrEdiction System)模式面三维变分(3D_Var)框架中引入了一种描述不同控制变量之间动力平衡约束的新方案。新方案采用统计得到的流函数和模式气压变量(π)之间的回归系数代替原方案中的线性平衡方程,来表达旋转风和质量场之间的平衡关系;采用流函数和势函数之间的回归系数,补充表达了原方案中所没有的旋转风和散度风之间的平衡关系。与原方案相比,新方案算法简单,避免了垂直方向的反复插值,减少了插值误差的引入。通过随机扰动试验和单点试验可以发现,在地转关系成立较好的区域,新方案中旋转风和质量场的耦合程度与原方案接近一致;而在地转关系不适用区域,新方案可以有效减小两者的耦合程度。此外,由于新方案中添加了旋转风和散度风之间的动力平衡约束,边界层的风场分析也更加接近大气真实状况。展开更多
文摘研究I的结果表明:线性平衡方程(LBE)在热带地区不适用,而进一步改进方向是削弱LBE在该区域的约束程度。本文以此为基础,在GRAPES(global/regional assimilation and prediction system)全球变分同化系统中引入动力与统计混合平衡约束方案。新方案在逐层求解LBE的基础上增加垂直方向的线性回归,回归系数随纬度和高度变化。针对背景误差协方差的分析表明,新方案可以更好的保证独立分析变量间预报误差不相关的基本要求,并大幅度减小热带地区平衡气压预报误差方差的量值和占总方差的比例。单点试验结果表明,与LBE方案相比,新方案对中、高纬影响很小,但在热带地区成功实现了风、压场分析的解耦,两者分析更为独立。并且,虽未考虑具体波动模态,但新方案给出的风、压场协相关结构与研究I的理论分析结果相近。一个月的同化循环与预报结果表明,引入新方案后,赤道外地区的同化预报效果为中性偏正,而热带地区风场的同化预报效果显著提高,LBE方案中平流层低层的风场同化预报异常被基本消除。
文摘聚类是一种重要数据分析技术,在众多领域中得到广泛地应用.然而,由于数据分布的内在特点,传统的聚类算法并不能保证聚类结果具有平衡性,这与很多现实的需求不一致.本文提出了一种基于K-Means的平衡约束聚类算法,该算法对K-Means算法每次迭代中数据点的分配策略进行修改,达到对每个簇可包含的数据点数目上限进行约束的目的.同时,算法支持用户自定义簇可包含的数据点数目上限,满足不同的平衡约束聚类需求.另外,本算法参数少,只需设置目标簇数目及其可包含的数据点数目上限,时间复杂度低,具有简单、快速的特点.在6个UCI(University of California Irvine)真实数据集上进行的实验结果表明,文中提出的平衡约束聚类算法相比其他平衡约束聚类算法具有更佳的聚类效果和时间性能.
文摘该文在GRAPES(Global/Regional Assimilation and PrEdiction System)模式面三维变分(3D_Var)框架中引入了一种描述不同控制变量之间动力平衡约束的新方案。新方案采用统计得到的流函数和模式气压变量(π)之间的回归系数代替原方案中的线性平衡方程,来表达旋转风和质量场之间的平衡关系;采用流函数和势函数之间的回归系数,补充表达了原方案中所没有的旋转风和散度风之间的平衡关系。与原方案相比,新方案算法简单,避免了垂直方向的反复插值,减少了插值误差的引入。通过随机扰动试验和单点试验可以发现,在地转关系成立较好的区域,新方案中旋转风和质量场的耦合程度与原方案接近一致;而在地转关系不适用区域,新方案可以有效减小两者的耦合程度。此外,由于新方案中添加了旋转风和散度风之间的动力平衡约束,边界层的风场分析也更加接近大气真实状况。
