海浪模型的matlab代码
SDWBA
该存储库包含Matlab代码，该代码使用随机畸变波Born近似散射模型来计算南极磷虾的声目标强度。
已经开发了此处包含的实现，并将其用于CCAMLR南极磷虾声生物量估算。
由于对代码进行了修订和更正，因此此实现存在多个版本，但是直到创建此存储库之前，都没有在版本控制系统中对其进行维护。
该软件包的每个历史版本已通过git标记在当前存储库中标识。
这些可用。
第一个版本（）具有归因声明：
Users
of
the
code
should
give
reference
to
the
following
papers
which
detail
its
derivation
and
parameterization:
Conti,
S.
G.,
and
Demer,
D.
A.
2006.
Improved
parameterization
of
the
SDWBA
for
estimating
krill
target
strength.
ICES
Journal
of
Marine
Science,
63:
928-935.
Demer,
D.
A.
2024-02-29 15:38:33
29.65MB
1
海浪模型的matlab代码海浪预测
该存储库使用递归神经网络根据以前的数据预测海浪。
它从模拟中获取时空数据，然后在时间序列数据中应用递归神经网络。
时间序列数据中的每个节点都是空间域。
该代码是论文中CRNN的修订版：卷积RNN：一种从顺序数据中提取特征的增强模型（）
调用以下函数等效于应用一个CRNN层。
对于具有几个CRNN层的深层模型，应多次调用该函数。
给定一个张量，该函数提取kernel_size时间步长的补丁，并使用一个或多个递归层对其进行处理。
然后返回递归神经网络的隐藏状态作为代表路径的特征向量。
精氨酸：
张量：要执行操作的张量，其形状为[batch,
time-steps,
features]或[batch,
time-steps,
features,
1]
。
kernel_size：每个补丁/窗口中包含的时间步数（与标准一维卷积相同）。
步幅：两个连续补丁/窗口之间的时间步数（与标准一维卷积中的时间步数相同）。
out_channels：从每个面片/窗口中提取的要素数量（在标准的一维卷积中，称为要素图的数量），它是处理每个面片/窗口的循环图层的隐藏维。
rnn
2022-03-10 15:15:07
7KB
1
海浪模型的matlab代码Python海洋课程
这是为使用python笔记本设计的海洋学学生的课程的集合。
这些是在美国国家科学基金会（NSF）授予罗格斯大学的海洋观测研究所（OOI）资助下开发的。
该课程在西华盛顿大学Huxely环境科学系的Salish海洋学课程中针对多个主题进行了实施。
它们是为环境科学中的高年级本科生设计的，没有任何事先的编码经验；
但是，对于其他具有海洋学和/或python脚本编写经验的学生，可以轻松地对它们进行修订。
一些课程最后提示要进行更复杂，指导较少的分析，以使学生在python脚本编写环境中更自如。
这些课程是在Jupyter
Notebooks中创建的，以简化使用过程，并使本地python编译与Google
Colabs之间的转换或多或少地无缝。
我建议尽可能在自己的计算机上进行本地处理，因为Google
Colabs文件导航非常麻烦，并且在处理可调整大小的数据集时Colabs的速度可能会很慢。
但是，如我在2020/2021中所了解的那样，在远程教学时，使用Google
Colabs可以避免在学生的个人计算机上安装Python不可避免的问题，这会
2021-10-07 11:16:02
218.83MB
1
海浪模型的matlab代码桑迪亚国家实验室-极端海州轮廓（SNL-ESSC）
抽象的
生成描述极端海洋状态的环境轮廓作为数值或物理模型模拟的输入，这是当前设计用于承受极端海洋状态的海洋结构的标准实践的一部分。
这些环境等高线的特征在于有效波高（Hs）与能量周期（Te）或峰值周期（Tp）值的组合，这些值是使用基于后验模拟或在足够长的时间内的浮标观测值的一组数据针对给定的重复间隔计算的记录。
逆一阶可靠性方法（I-FORM）的使用是生成环境轮廓的标准设计实践。
本文在开发I-FORM之前开发了增强的数据分析方法，包括使用主成分分析（PCA）创建所考虑变量的不相关表示形式以及新的分布和参数拟合技术。
这些修改更好地代表了测得的数据，因此，应有助于更极端地表现出极端海况的环境轮廓，以便确定海洋结构的设计载荷。
参考
下文描述了此代码中实现的方法。
如果您在工作中使用“极端海州轮廓”代码，我们请您引用本文：
[1]
Aubrey
C.
Eckert-Gallup，CédricJ.
Sallaberry，Ann
R.
Dallman，Vincent
S.
Neary，“主成分分析（PCA）的应用和
2021-09-03 10:11:53
101KB
1