2,464
个编辑
更改
→其他例子
[[数值天气预报]]（numerical weather prediction）中，SVD对大型矩阵也有重要应用。利用Lanczos方法,可以估算在给定初始前向时间段内，对中心数值天气预报线性增长最快的几个扰动。这些扰动实际上是该时间间隔内全球天气线性化传播子对应最大奇异值的奇异向量。在这种情况下,输出奇异向量代表整个天气系统。随后，这些扰动通过完整的非线性模型运行，生成[[集合预报]]（ensemble forecast），为当前中心预测周围的不确定性提供了处理方法。
[[数值天气预报]]（numerical weather prediction）中，SVD对大型矩阵也有重要应用。利用Lanczos方法,可以估算在给定初始前向时间段内，对中心数值天气预报线性增长最快的几个扰动。这些扰动实际上是该时间间隔内全球天气线性化传播子对应最大奇异值的奇异向量。在这种情况下,输出奇异向量代表整个天气系统。随后，这些扰动通过完整的非线性模型运行，生成[[集合预报]]（ensemble forecast），为当前中心预测周围的不确定性提供了处理方法。
[[降阶建模]]（reduced-order modeling）中也少不了SVD的身影。降阶建模旨在减少复杂系统中的自由度数量。研究人员将SVD与径向基函数（radial basis functions）结合，用于插值三维非稳态流问题的解。<ref>{{citation | last1=Walton | first1=S. | last2=Hassan | first2=O. | last3=Morgan | first3=K. | date=2013 | title="Reduced order modelling for unsteady fluid flow using proper orthogonal decomposition and radial basis functions" | journal=Applied Mathematical Modelling | volume=37 | issue=20–21 | pages=8930–8945 | doi=10.1016/j.apm.2013.04.025}}</ref>
[[降阶建模]]（reduced-order modeling）中也少不了SVD的身影。降阶建模旨在减少复杂系统中的自由度数量。研究人员将SVD与径向基函数（radial basis functions）结合，用于插值三维非稳态流问题的解。<ref>{{citation | last1=Walton | first1=S. | last2=Hassan | first2=O. | last3=Morgan | first3=K. | date=2013 |url=https://linkinghub.elsevier.com/retrieve/pii/S0307904X13002771| title="Reduced order modelling for unsteady fluid flow using proper orthogonal decomposition and radial basis functions" | journal=Applied Mathematical Modelling | volume=37 | issue=20–21 | pages=8930–8945 | doi=10.1016/j.apm.2013.04.025}}</ref>
值得一提的是，科学家们已经利用SVD改进了地面引力波干涉仪aLIGO的[[引力波形建模]]（gravitational wave modeling）。<ref>{{citation | last1=Setyawati | first1=Y. | last2=Ohme | first2=F. | last3=Khan | first3=S. | date=2019 | title="Enhancing gravitational waveform model through dynamic calibration" | journal=Physical Review D | volume=99 | issue=2 | pages=024010 | doi=10.1103/PhysRevD.99.024010 | arxiv=1810.07060 | bibcode=2019PhRvD..99b4010S}}</ref>SVD有助于提高波形生成的准确性和速度，支持引力波搜索和更新两种不同的波形模型。
值得一提的是，科学家们已经利用SVD改进了地面引力波干涉仪aLIGO的[[引力波形建模]]（gravitational wave modeling）。<ref>{{citation | last1=Setyawati | first1=Y. | last2=Ohme | first2=F. | last3=Khan | first3=S. | date=2019 | title="Enhancing gravitational waveform model through dynamic calibration" | journal=Physical Review D | volume=99 | issue=2 | pages=024010 | doi=10.1103/PhysRevD.99.024010 | arxiv=1810.07060 | bibcode=2019PhRvD..99b4010S}}</ref>SVD有助于提高波形生成的准确性和速度，支持引力波搜索和更新两种不同的波形模型。