利用1961—2015年黄淮地区8个辐射站太阳辐射和日照时数等常规气象资料,分别评价6种常用的太阳总辐射和有效辐射估算模型在黄淮地区的适用性,同时采用多元回归分析和迭代等方法,对辐射参数进行优化调整,建立了适合本地区的辐射最优化估算模型。结果表明:童宏良公式和邓根云公式分别在估算太阳总辐射和地面有效辐射时的误差最小,相比其余的辐射估算模型,两者在黄淮地区适用性最好。另外太阳总辐射本地化修正模型的相对误差绝对值(value of Absolute Relative Error,ARE)和均方根误差(Root Mean Squared Error,RMSE)分别为16.28%和1.730 MJ·m^(-2)·d^(-1),优于童宏良公式等常用太阳辐射估算模型;有效辐射本地化修正模型的ARE和RMSE分别为23.19%和1.404 MJ·m^(-2)·d^(-1),优于邓根云公式等常用有效辐射估算模型;因此黄淮地区本地化辐射修正模型适用于当地地表净辐射估算,且具有较好的估算精度。
在X荧光光谱分析中,为了解决传统谱分析方法中存在的特征峰计数率损失以及影子峰的问题,本文拟采用一种基于深度学习的长短期记忆(Long and Short Term Memory,LSTM)神经网络模型,该模型对核脉冲幅度时间序列具有较好的适用性,通过对样...
详细信息
在X荧光光谱分析中,为了解决传统谱分析方法中存在的特征峰计数率损失以及影子峰的问题,本文拟采用一种基于深度学习的长短期记忆(Long and Short Term Memory,LSTM)神经网络模型,该模型对核脉冲幅度时间序列具有较好的适用性,通过对样本的学习能够对核脉冲信号的幅度进行准确估计。鉴于核脉冲信号样本较大,模型训练效率低,特引入卷积神经网络(Convolutional Neural Network,CNN),利用其特有的卷积核结构逐层提取样本特征,能够有效减少样本数量,降低模型训练复杂度。使用粉末铁矿样品测量得到的一系列离线核脉冲序列产生模型训练所需的数据集,该数据集的64000个条目中,44800个用作训练集,12800个用作验证集,余下6400个用作测试集。实验结果表明:训练好的CNN-LSTM模型能够极大地节省训练时间,克服传统方法局部收敛的缺陷,也能够对不同程度畸变的输入脉冲进行准确的参数估计,在训练集和验证集上得到的准确率都高于99%。进一步分析计数修复结果,得到三个影子峰校正比例的平均值为91.52%,表明训练的CNN-LSTM模型对畸变脉冲产生的计数损失的校正比例约为91.52%。该模型能够有效校正因畸变脉冲幅度损失造成的影子峰,改善X射线荧光光谱中特征峰计数率精度,在X射线荧光光谱领域具有较高的应用价值。
暂无评论