排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
气候系统具有非平稳特征,根本原因在于其外强迫随时间发生改变,因此外部驱动力的分析对于理解气候系统的动力学特征至关重要,而如何有效提取系统外部驱动信息是一个亟待解决的前沿科学问题。最近几年,在生物神经学领域中应用的一种提取非平稳信号中外强迫信息的方法——慢特征分析法(Slow Feature Analysis,SFA),在气象领域中也得到了初步成功的尝试,结果显示出此方法对气候系统的外强迫信息分析及有关动力学机制的探究有较好的应用前景。本文主要介绍SFA方法的理论思想及实施步骤,并通过一个理想的非平稳时间序列检验其提取外强迫信息的能力,结果证明在衰减的Logistic模型中,可利用SFA算法提取出模型中的外强迫,且与真实外强迫的相关系数可达0.99;此外,还介绍将该方法应用于Arosa臭氧时间序列,分析其提取的外强迫信息的动力学特征;并介绍了在气候时间序列建模中引入外强迫因子的预测效果。 相似文献
2.
慢特征分析方法(Slow Feature Analysis,SFA)是从已知的非平稳时间序列中提取缓变信息的有效方法。本文首先通过Logistic非平稳时间序列模型对SFA方法提取慢特征信息的能力进行了检验,然后以哈尔滨市为黑龙江省代表站,对月气温距平序列进行慢特征信号提取及预测研究。结果表明:慢特征分析方法可以有效地提取哈尔滨市气温距平序列中的慢特征信号。提取的慢特征信号能够反映原序列的变化趋势、极值等信息。拟合和预测试验表明,与平稳性模型相比,引入SFA信号后的气温预测模型可以在一定程度上提高预测能力,改善预测效果。对近48个月独立样本预测也得到相同结论。 相似文献
3.
利用慢特征分析法提取二维非平稳系统中的外强迫特征 总被引：1，自引：1，他引：0
慢特征分析法（Slow Feature Analysis,SFA）是一个从快变的信号中提取慢变特征的有效方法,它的提出丰富了人们对非平稳系统外强迫特征的重建手段。本文以Henon映射为基础,构造二维非平稳系统模型,尝试SFA方法在二维复杂非平稳系统中重建外强迫特征的能力。试验表明,SFA方法能够较好地从单时变参数Henon映射中提取出外强迫信号;通过结合小波变换技术,可以还原双时变参数Henon映射中的外强迫信号。另外,本文利用SFA方法重建了北京市气温的外强迫信号,分析其外强迫信号的尺度特征及其可能的物理机制。这些工作将为气候系统驱动力的研究提供新的思路。 相似文献
1