正常重力和椭球地表对弹道计算的影响

为了更精确地考虑地球对超远程弹道计算的影响,提出了一个计入精确正常重力的椭球地表弹道模型。讨论了在椭球地表情况下火箭落点以及飞行高度的计算方法,推导出精确正常重力的计算公式,得到了椭球地表弹道模型,最后计算和分析了采用平面地表模型所产生的射程误差。分析结果表明:对于射程较大的远程弹道,与使用平面地表弹道模型相比,采用该文的椭球地表弹道模型的误差较小。     

石英振梁式重力传感器原理误差模型

为了建立石英振梁式重力传感器原理误差模型,首先,将石英振梁式重力传感器等效成转动惯量-弹性支承-阻尼系统,导出重力加速度作用条件下石英振梁式重力传感器的系统传递函数和输出差动频率公式; 其次,导出由于舍掉高次项而产生的谐振频率计算误差公式和由于输出差动频率线性化处理而产生的线性化误差公式; 然后,从挠性梁的加工、石英谐振器的加工和质量块的质心偏移3个方面,导出石英振梁式重力传感器加工误差公式; 最后,建立石英振梁式重力传感器原理误差模型,并进行了原理误差定量计算.理论分析和原理误差定量计算表明:输出差动频率线性化误差、挠性梁的加工误差和双音叉石英谐振器的加工误差是主要原理误差,谐振频率计算误差和质量块的质心偏移是次要原理误差;石英振梁式重力传感器原理误差的数量级为6×10-7g,可以满足10-6g级的高精度重力测量要求.     

重力勘探及其应用

重力勘探主要是通过测量由地下密度不均匀体引起的重力异常来推断测区的地质构造或矿产分布情况等.重力数据通过整理、各项校正、异常分离等可以得到勘探目标的重力异常特征.通过解重力反演问题,可以确定地质体的埋深、大小等几何参数、密度等物性参数以及密度分界面的起伏.实际应用中,要尽可能多的利用已有的信息约束反演过程,从而提高反演结果的质量.重力勘探在区域地质构造研究、寻找矿产、油、气资源、工程地质调查、水文地质调查等领域中发挥着重要的作用.实例说明,不同的地质特征对应不同的重力异常特征,重力勘探正是利用获得的异常特征分析、推断测区的地质构造.     

基于卷积神经网络的重力异常反演

重力异常反演是地球勘探中常用的方法,它是通过地表观测重力异常推断地下介质的密度分布。针对传统反演方法存在的多解性、初始模型依赖和计算时间较长等问题,本文提出一种基于卷积神经网络(CNN)的重力异常反演方法,该方法首先通过大量正演计算获得训练数据集;然后采用该数据集训练CNN网络,使其建立从地表观测重力异常到地下密度模型之间的映射关系;最后将重力异常数据输入到训练好的卷积神经网络,得到对应的地下密度模型。实验结果表明,该方法能快速、准确的反演出地下重力异常体的密度、位置和形状,具有较强的泛化能力,能有效解决重力异常反演问题。     

用GPS／重力、地形确定山区正高

近年来人们往往利用GPS／重力来确定正常高,但正常高不同于表示绝地高程的正高,为此,笔者在GPS／重力确定正高方面作了一些研究,对由似大地水淮面转换成大地水淮面公式的意义及其误差,以及如何提高正高度精度都作了讨论,这于山区开发会有益的。     

重力异常垂向一阶导数的一种简便算法

利用拉格朗日插值导出了重力异常垂向一阶导数的计算公式，给出了地面以及地面之上不同高度的求导系数。该公式可以计算地面上的重力垂向一阶导数，还可以直接计算地面之上任意高度上垂向一阶导数。鉴于该公司除系数不同外，与上延公式完全相同，因此，程序设计尤为简单。使用本公式对模型数据和实际资料进行了处理，证明了本算法的实用性。     

重力异常稳健迭代密度界面反演研究

重力异常界面反演是重力勘探中的一个重要研究课题,它是一个求解第一类Fredholm非线性积分方程问题,目前情况下直接求解比较困难,只能采用拟合法或逐步线性化办法实现反演计算.在计算过程中,由于反演的不适定性,往往不能很好地获得反演解.我们从二度体重力异常正演公式出发,导出地下界面迭代反演的计算公式;然后利用广义似然函数对模型参数进行优化选择,从而获得模型参数修正量迭代计算方法,实现二度体单一密度界面的稳健迭代(最小二乘加权迭代)反演.模型计算表明方法可以很好地反演出地下界面.     

基于Cryosat-2数据的南海2'×2'重力异常计算与分析

利用Cryosat-2数据计算南海高空间分辨率高精度重力异常,对Cryosat-2 level 2 SIR_GDR-2A数据进行轨迹分析和交叉点分析。基于测高数据集(第1~4周期),借助加权最小范数最小二乘解计算网格剩余垂线偏差分量,然后计算中国南海海域(4°~24°,105°~120°)2'×2'重力异常。结果表明,Cryosat-2数据轨迹密度高且分布均匀规则,交叉点不符值均方根值为15.9 cm,略高于同步时间段的Jason-2 GDR数据。与船测重力相比,中国南海海域(4°~24°,105°~120°)2'×2'重力异常误差为4.5×10-5m·s-2。     

基于细胞神经网络方法的重力异常分离

用细胞神经网络(CNN)方法对重力异常进行分离,讨论如何根据目标局部重力异常特征训练模板.采用拟BP学习算法实时训练神经网络模板, 为保证全局误差函数最小,使用梯度下降法,用全局误差函数对权值变量求导的方法推导权值修正公式.通过模型的不同组合方式来模拟各种地质条件,并总结出细胞神经网络方法的适用条件.应用结果表明,用细胞神经网络方法提取目标异常是切实可行的,只要选择合适的模板,突出目标异常,就能将水平(横向)叠加异常区分开,具有较强的横向分辨能力,特别是可以突出局部异常的边界,据此可用于圈定火成岩体,寻找局部矿藏.     

基于模式识别神经网络的重力匹配算法

为了提高重力辅助惯性导航系统在重力异常明显区域内的定位精度和匹配率,用模式识别神经网络的方法进行了重力匹配.在匹配时刻,根据惯导指示位置确定在一定的网格点范围内搜索载体真实位置,以每个网格点为终点把惯导指示航迹放置到重力图上,由此提取一系列的参考重力图上数据,并把它和对应网格点的位置定义成一个模式类,把所有的模式类作为概率神经网络的样本训练一个模式识别神经网络,然后把重力仪测量数据使用该神经网络识别到某个模式类,对比模式类的定义可以确定此时的载体位置.计算仿真研究表明,该算法的重力匹配率优于通常的相关匹配算法,其组合导航系统的定位误差在1个重力图网格左右.