Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: model błędu

Sortuj według:

Ogranicz wyniki do:

Accurate Establishment of Error Models for the Satellite Gravity Gradiometry Recovery and Requirements Analysis for the Future GOCE Follow-On Mission

Zheng W., Wang Z., Ding Y., Li Z.

Acta Geophysica

2016

Vol. 64, no. 3

732--754

Firstly, the new single and combined error models applied to estimate the cumulative geoid height error are efficiently produced by the dominating error sources consisting of the gravity gradient of the satellite-equipped gradiometer and the orbital position of the space-borne GPS/GLONASS receiver using the power spectral principle. At degree 250, the cumulative geoid height error is 1.769 × 10–1 m based on the new combined error model, which preferably accords with a recovery accuracy of 1.760 × 10–1 m from the GOCE-only Earth gravity field model GO_CONS_GCF_2_TIM_R2 released in Germany. Therefore, the new combined error model of the cumulative geoid height is correct and reliable in this study. Secondly, the requirements analysis for the future GOCE Follow-On satellite system is carried out in respect of the preferred design of the matching measurement accuracy of key payloads comprising the gravity gradient and orbital position and the optimal selection of the orbital altitude of the satellite. We recommend the gravity gradient with an accuracy of 10–13-10–15 /s2 , the orbital position with a precision of 1-0.1 cm and the orbital altitude of 200-250 km in the future GOCE Follow-On mission.

Identyfikacja systemów jakości wody w rzekach

Kraszewski A.

Prace Naukowe Politechniki Warszawskiej. Inżynieria Środowiska

1999

z. 29

3-88

Znacznie ważniejszym niż rozwój samych modeli matematycznych wydaje się zbadanie do jakiego stopnia i w jakim zakresie stosowane modele matematyczne jakości wody w rzekach odzwierciedlają modelowany system. Zgodnie z z,asadc{ niepewności Kalmana [l] zagadnieniem kluczowym wydaje się przy tym pokazanie w jaki sposób niepewność związana z danymi pomiarowymi wpływa na niepewność modeli matematycznych jakości wody w rzekach, identyfikowanych na podstawie tych danych. W pracy przedstawiono analizę teoretyczną błędu procesu związanego z pominięciem dyspersji. W przypadku stanu nieustalonego postuluje się znalezienie największej częstotliwości warunku brzegowego lub wejścia, a następnie obliczenie rozszerzonego kryterium Dobbinsa, które rozstrzyga o zasadności użycia modelu bezdyspersyjnego. Opisano również podstawy teoretyczne procedury estymacji parametrów, która wykorzystując analizę wrażliwości modelu do obliczenia jakobianu równań stanu, umożliwia zastosowanie metody gradientowej. Procedura ta pozwala na obliczenie wariancji parametrów modelu, które są miarą ich niepewności. Algorytm ten zastosowano doJestymacji parametrów kilku różnych modeli jakości wody w rzekach i pokazano, jak niepewność ich parametrów zależy od liczby danych pomiarowych i od stopnia komplikacji modelu. Na zakończenie podjęto próbę zastosowania techniki sieci neuronowych do wspomagania procesu estymacji parametrów modeli jakości wody w rzekach. W przypadku niewielkiej liczby danych pomiarowych sieć neuronowa wydaje się znacznie zmniejszać niepewność estymat parametrów nieliniowych modeli linii tlenowej.

The extent to which applied models actually reflect the reality of a river's water quality is more important than the development of mathematical models per se. The Kalman uncertainty principle [l] seems to demonstrate how uncertain measurement data influence the uncertainty inherent in models used for studying water quality. This work presents a theoretical analysis of the process error that results from the neglect of dispersion in WQ modelling. In non-stationary cases finding the maximum frequency of an input or - boundary condition is postulated. Then, using an extended Dobbins criterion whether a plug-flow model can be used is determined. This study also describes the theoretical basis of a parameter estimation algorithm that applies a model sensitivity analysis. This permits the calculation of the jacobian of state equation, and thus enables the application of the gradient procedure. Such an algorithm allows the calculation of parameter variances that are the measure of its uncertainty. The procedure was applied for the parameter estimation of several different river quality models demonstrating how parameter uncertainty depends upon the quantity of the measurement data and on the degree of complication of the model structure. Finally, an attempt was made to apply an artificial neural network technique to aid in the estimation of river quality model parameters. In the case of a small quantity of measurement data, the application of an artificial.