隨著數(shù)據(jù)收集技術(shù)的日趨發(fā)達(dá)和廣泛應(yīng)用,研究者在許多領(lǐng)域能以較低成本獲取超高維數(shù)據(jù),例如在環(huán)境科學(xué)、醫(yī)學(xué)和金融學(xué)等等.由于“維數(shù)災(zāi)難”帶來計(jì)算成本、估計(jì)精度和模型可解釋性上的挑戰(zhàn),特征篩選成為相關(guān)領(lǐng)域的研究熱點(diǎn)問題.近年來,大量超高維模型對應(yīng)的篩選方法被提出和研究,還有許多無模型約束的獨(dú)立特征篩選方法被提出,并得到了廣泛應(yīng)用.但是,目前仍沒有一種特征篩選方法可以處理協(xié)變量中同時(shí)存在類別變量和連續(xù)變量的超高維數(shù)據(jù).針對這種普遍存在的數(shù)據(jù),本文嘗試提出一種一致性的獨(dú)立特征篩選指標(biāo),并從理論和實(shí)驗(yàn)中證明其有效性.空氣質(zhì)量預(yù)報(bào)是環(huán)境科學(xué)領(lǐng)域的研究熱點(diǎn),但是空氣質(zhì)量數(shù)據(jù)往往也存在預(yù)測變量維數(shù)過高的問題.直接利用所有變量進(jìn)行預(yù)測往往會導(dǎo)致預(yù)測精度下降和模型解釋性降低,故本文嘗試將特征篩選方法應(yīng)用到大氣污染物濃度預(yù)報(bào)中,提高模型性能.本文的具體工作如下:（1）針對協(xié)變量中同時(shí)存在類別變量和連續(xù)變量的超高維數(shù)據(jù),本文基于條件分布函數(shù)和無條件分布函數(shù)之間的差異建立了一個一致性特征篩選（UFS）指標(biāo).特別地,當(dāng)響應(yīng)變量和協(xié)變量都是連續(xù)型變量時(shí),本文使用核估計(jì)對條件分布函數(shù)進(jìn)行估計(jì).基于一些假設(shè),本文證明了一... 

【文章來源】：南京信息工程大學(xué)江蘇省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３．２?２０１３年淮安各季節(jié)當(dāng)日ＰＭ２．５濃度與６３個預(yù)報(bào)因子的距離相關(guān)系數(shù)（圖中虛線??是選取重要預(yù)報(bào)因子的距離相關(guān)系數(shù)臨界值）．??

?時(shí)間序號（＊＞??圖３．３?２０１３年淮安各季節(jié)逐日ＰＭ２．５濃度預(yù)報(bào)和觀測值的時(shí)間序列圖．??由圖３．３（ｃ）和（ｄ）可知，模型對秋冬季部分重污染天氣預(yù)報(bào)的精度相對較差．可??能由于樣本量較少，不能覆蓋大部分氣象條件，且秋冬季預(yù)報(bào)因子只選取了前一曰??的ＰＭ２．５濃度值、前期的氣溫和氣壓，當(dāng)出現(xiàn)特殊天氣（風(fēng)、雨）和排放源發(fā)生變化（秸??稈燃燒、工業(yè)交通）時(shí)，模型不能捕捉到變化．??４６??Ｉ??

??圖３．４給出了２０１３年淮安逐日ＰＭ２．５濃度觀測和預(yù)報(bào)值的散點(diǎn)圖．對比各季節(jié)ＰＭ２．５??預(yù)測濃度和觀測濃度，二者波動趨勢較一致，相關(guān)系數(shù)分別為０．４５、０．７３、０．６９和０．５７．??均通過了置信度水平為０．０１的顯著性檢驗(yàn)．說明模型對ＰＭ２．５逐日變化趨勢的捕捉能??力夏季＞秋季＞冬季＞春季．春季由于ＰＭ２．５濃度均值低、濃度變化劇烈，相關(guān)系數(shù)極易??受異常值影響，除去圖４ａ中一個明顯的異常值，相關(guān)系數(shù)可達(dá)到０．５４．總體而言，本研??究所建立的ＤＣ－ＳＶＲ試預(yù)報(bào)模型基本能夠預(yù)報(bào)淮安逐日ＰＭ２．５濃度的變化趨勢，具有??較好的預(yù)報(bào)精度．??２００?Ｉ?．?７?．?－７，?２Ｓ０ｉ?．?■￣７￣１?■?７１??＿?㈤春季?ｐ?Ｓ?季?ｙ＝２／＊?Ｒ＝＾??＇ｅ?ｉｓｏ?／?＂ｇ?２００?／??吃?＾＾ｙ＝〇．５ｘ?Ｋ?１００?／＊�。�?＾－－ｙ＝〇．５ｘ??＾?５０?卜??Ｑ?如’?．?峯?■?Ｉ??０?，?Ｉ?Ｉ???０?５０?１００?ＩＳＯ?２００?０?５Ｄ?１００?１５０?２００?２５０??＿?［（〇？￥－?ｙ＝２／?＿?｜?■冬季?ｙ＝２／??ｉ２００?／？?ｖ＾ｘ?．?Ｖ００?／？ｚ＾－??＾?，?．?１?＾?Ｊ／�！�??０?５０?１００?１５０?２００?２５０?０?１００?２００?３００?４００??ｒａｔｊ＾ｊＳＳＯｉｇ?ｍ３）?ＥＭ＾ａＣｍｔＯｉｇ?ｍ３）??圖３．４?２０１３年淮安各季節(jié)逐日ＰＭ２．５濃度觀測和預(yù)報(bào)值的散點(diǎn)圖．??（４）與其他預(yù)報(bào)方法對比??表３．３給出了４種統(tǒng)計(jì)預(yù)報(bào)方案．利用相同的資料

【參考文獻(xiàn)】：
期刊論文
[1]基于GA-BP神經(jīng)網(wǎng)絡(luò)的供暖期空氣質(zhì)量指數(shù)預(yù)測分析[J]. 楊云,楊毅.  陜西科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(04)
[2]基于CMAQ模式和自適應(yīng)偏最小二乘回歸法的中國地區(qū)PM2.5濃度動力-統(tǒng)計(jì)預(yù)報(bào)方法研究[J]. 程興宏,刁志剛,胡江凱,徐祥德,張建春,李德平.  環(huán)境科學(xué)學(xué)報(bào). 2016(08)
[3]基于支持向量機(jī)回歸的城市PM2.5濃度預(yù)測[J]. 謝永華,張鳴敏,楊樂,張恒德.  計(jì)算機(jī)工程與設(shè)計(jì). 2015(11)
[4]數(shù)據(jù)挖掘技術(shù)在氣象預(yù)報(bào)研究中的應(yīng)用[J]. 彭昱忠,王謙,元昌安,林開平.  干旱氣象. 2015(01)
[5]CMAQ模式及其修正技術(shù)在上海市PM2.5預(yù)報(bào)中的應(yīng)用檢驗(yàn)[J]. 王茜,吳劍斌,林燕芬.  環(huán)境科學(xué)學(xué)報(bào). 2015(06)
[6]周邊氣象條件對南京城區(qū)大氣污染物濃度的影響[J]. 常爐予,趙天良,何金海,湯莉莉,于紅霞,單云鵬.  氣象與環(huán)境學(xué)報(bào). 2013(06)
[7]基于WRF模式的蘭州秋冬季大氣污染預(yù)報(bào)模型研究[J]. 何建軍,余曄,劉娜,趙素平,陳晉北.  氣象. 2013(10)
[8]基于CMAQ模式產(chǎn)品的福州市空氣質(zhì)量預(yù)報(bào)系統(tǒng)[J]. 陳彬彬,林長城,楊凱,林文,王宏,余永江.  中國環(huán)境科學(xué). 2012(10)
[9]成都市空氣質(zhì)量預(yù)報(bào)中WRF的本地化參數(shù)選取[J]. 姚琳,葉芝祥,陸成偉,常仕鐳.  成都信息工程學(xué)院學(xué)報(bào). 2012(05)
[10]天津?yàn)I海新區(qū)秋冬季大氣污染特征分析[J]. 王莉莉,王躍思,吉東生,辛金元,胡波,王萬筠.  中國環(huán)境科學(xué). 2011(07)

博士論文
[1]上海城市化對臭氧污染影響的數(shù)值模擬[D]. 顧瑩.華東師范大學(xué) 2010

碩士論文
[1]超高維數(shù)據(jù)的特征篩選研究[D]. 李星祥.南京信息工程大學(xué) 2016



本文編號：3278135