本文關(guān)鍵詞：基于DAP-SVDD長春地區(qū)未來24小時霧霾預(yù)測模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著社會對霧霾天氣關(guān)注程度的上升,霧霾預(yù)測勢必成為一個新的研究領(lǐng)域,但目前針對霧霾天氣發(fā)生情況尚沒有成形完整的理論模型。現(xiàn)有的針對霧霾相似性天氣霾以及PM2.5預(yù)報主要利用神經(jīng)網(wǎng)絡(luò)建模,但是由于霧霾成因復(fù)雜度較高且數(shù)據(jù)不平衡的特點,在利用神經(jīng)網(wǎng)絡(luò)建立霧霾預(yù)報模型時易陷入維數(shù)災(zāi)害,從而降低預(yù)報準(zhǔn)確率。本文針對上述霧霾樣本數(shù)據(jù)特點,提出了一種基于二分法自動搜尋偏向參數(shù)的DAP聚類與支持向量數(shù)據(jù)描述(SVDD)相結(jié)合的建模方法。傳統(tǒng)的AP聚類雖然可以形成若干個凸型數(shù)據(jù)簇,但是由于偏向參數(shù)選擇的隨機(jī)性使得聚類效果不穩(wěn)定,無法確定最優(yōu)解從而導(dǎo)致最終預(yù)測模型分類精度的不穩(wěn)定。針對這個問題,本文引入二分法,在全局范圍內(nèi)搜尋偏向參數(shù)并通過Silhouette指標(biāo)確定最優(yōu)解,進(jìn)而得到最優(yōu)聚類效果。由于樣本數(shù)據(jù)不平衡導(dǎo)致傳統(tǒng)的分類模型很難精準(zhǔn)進(jìn)行預(yù)測分類,因此本文選用單分類模型SVDD算法作為下游處理器,在各個數(shù)據(jù)簇上分別建模,最終統(tǒng)一打包封裝形成DAP-SVDD預(yù)測模型。具體工作如下:(1)分析了研究背景、目的意義及研究現(xiàn)狀近些年來霧霾天氣越來越受到社會的關(guān)注,對人類的日常生活產(chǎn)生了較大的負(fù)面影響,因此若能建立一套霧霾預(yù)測系統(tǒng),精準(zhǔn)的預(yù)測出霧霾發(fā)生情況,則可以方便市民提前采取預(yù)防措施減少不必要的危害。但是目前國內(nèi)尚沒有成型的霧霾預(yù)測模型可以應(yīng)用到現(xiàn)實生活中以方便人們提前采取措施預(yù)防霧霾可能造成的危害。基于霧霾樣本數(shù)據(jù)的不平衡性,傳統(tǒng)的二分類SVM機(jī)器學(xué)習(xí)模型很難精準(zhǔn)的對霧霾發(fā)生情況其進(jìn)行預(yù)測,于是本文系統(tǒng)的了解了常用于故障點診斷的SVDD算法以及AP聚類算法之后,發(fā)現(xiàn)SVDD算法在小樣本不平衡高維數(shù)據(jù)集上的分類預(yù)測具有較高的準(zhǔn)確率,而AP聚類則可以自動生成若干小樣本凸型數(shù)據(jù)集,因此本文將結(jié)合二者進(jìn)行結(jié)合與改進(jìn),充分發(fā)揮二者的優(yōu)點。(2)提出了基于二分法尋找偏向參數(shù)的DAP-SVDD霧霾預(yù)測模型由于樣本數(shù)據(jù)較大且分布特征不確定,在應(yīng)用SVDD預(yù)測分類模型之前,需要利用AP聚類算法對其進(jìn)行聚類且轉(zhuǎn)化成若干個凸型數(shù)據(jù)簇,以提高預(yù)測精準(zhǔn)度。而偏向參數(shù)的設(shè)定直接影響聚類效果好壞,傳統(tǒng)的偏向參數(shù)統(tǒng)一選取各樣本相似度均值的一半作為確定值,但是由于每個樣本數(shù)據(jù)集特點不同,導(dǎo)致統(tǒng)一選取固定值會造成聚類實現(xiàn)效果的不確定性,無法判別其是否為最佳聚類效果。針對這個問題,本文提出了AP聚類的改進(jìn)算法DAP算法,即利用二分法在參數(shù)選取范圍內(nèi)依次代入計算,利用評價指標(biāo)評判出最優(yōu)參數(shù),之后利用SVDD算法作為下游處理器建立預(yù)測模型。(3)設(shè)計并實現(xiàn)了基于DAP-SVDD的長春市霧霾預(yù)測模型首先將搜集到的長春地區(qū)空氣質(zhì)量數(shù)據(jù)以及大氣污染數(shù)據(jù)分為測試集和訓(xùn)練集,再利用SPSS數(shù)據(jù)分析軟件以及MATLAB仿真軟件對設(shè)計好的DAP-SVDD模型進(jìn)行訓(xùn)練建立預(yù)測判別建模,之后再利用測試集對模型進(jìn)行測試得到模型預(yù)測準(zhǔn)確率。(4)霧霾預(yù)測結(jié)果分析、對比和仿真在對建立好的DAP-SVDD預(yù)測模型進(jìn)行仿真并得到預(yù)測準(zhǔn)確率后,再將樣本數(shù)據(jù)分別在采用傳統(tǒng)偏向參數(shù)的AP-SVDD模型、未進(jìn)行數(shù)據(jù)上游處理的SVDD模型、以及傳統(tǒng)的二分類C-SVM模型進(jìn)行建模測試,將其測試準(zhǔn)確率結(jié)果進(jìn)行比較分析,結(jié)果表明改進(jìn)后的模型比育有傳統(tǒng)模型在訓(xùn)練時間、預(yù)報準(zhǔn)確率上都有很大提高。
【關(guān)鍵詞】：AP聚類 支持向量數(shù)據(jù)描述 二分法 霧霾預(yù)測
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：X51;TP183
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-13
• 1.1 研究背景10-12
• 1.1.1 研究意義及目的10-11
• 1.1.2 研究現(xiàn)狀11-12
• 1.2 本文工作12-13
• 第2章 背景知識簡介13-29
• 2.1 主成分分析方法(Principal Component Analysis，，PCA）13-16
• 2.2 聚類分析方法16-20
• 2.2.1 聚類分析一般原理16-18
• 2.2.2 AP聚類18-20
• 2.3 遺傳算法基本原理20-23
• 2.4 SVDD方法概述23-28
• 2.4.1 支持向量數(shù)據(jù)描述23-25
• 2.4.2 核函數(shù)25-26
• 2.4.3 支持向量描述學(xué)習(xí)的實現(xiàn)算法26-28
• 2.5 本章小結(jié)28-29
• 第3章 基于DAP-SVDD霧霾預(yù)測模型設(shè)計29-40
• 3.1 建模方法的選擇29-30
• 3.2 改進(jìn)AP-SVDD算法——DAP-SVDD30-32
• 3.2.1 DAP-SVDD算法30-31
• 3.2.3 算法的實現(xiàn)31-32
• 3.3 基于DAP-SVDD霧霾預(yù)測系統(tǒng)結(jié)構(gòu)32-33
• 3.4 基于DAP-SVDD霧霾預(yù)測模型設(shè)計流程33-39
• 3.4.1 數(shù)據(jù)預(yù)處理33-34
• 3.4.2 DAP-SVDD模型實現(xiàn)34-39
• 3.5 本章小結(jié)39-40
• 第4章 DAP-SVDD模型在長春未來 24h霧霾天氣預(yù)測中的應(yīng)用40-54
• 4.1 研究問題描述40
• 4.2 基于DAP-SVDD長春地區(qū)霧霾預(yù)測模型的訓(xùn)練40-48
• 4.2.1 樣本數(shù)據(jù)選取40-41
• 4.2.2 樣本數(shù)據(jù)預(yù)處理41-44
• 4.2.3 DAP-SVDD模型各訓(xùn)練參數(shù)設(shè)置44-47
• 4.2.4 DAP-SVDD預(yù)測模型訓(xùn)練47-48
• 4.3 基于DAP-SVDD長春地區(qū)霧霾預(yù)測模型的仿真及分析48-52
• 4.3.1 基于DAP-SVDD長春市霧霾預(yù)測模型測試實驗48
• 4.3.2 基于DAP-SVDD長春市霧霾預(yù)測模型結(jié)果分析48-49
• 4.3.3 基于DAP-SVDD長春市霧霾預(yù)測模型結(jié)果對比49-51
• 4.3.4 基于DAP-SVDD長春市霧霾預(yù)測模型仿真51-52
• 4.4 本章小結(jié)52-54
• 第5章 結(jié)論與展望54-56
• 5.1 結(jié)論54
• 5.2 進(jìn)一步工作54-56
• 參考文獻(xiàn)56-58
• 作者簡介及在學(xué)期間所取得的科研成果58-59
• 致謝59

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 劉紅年;胡榮章;張美根;;城市灰霾數(shù)值預(yù)報模式的建立與應(yīng)用[J];環(huán)境科學(xué)研究;2009年06期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 毛宇清;孫燕;陳曲;沈澄;;南京地區(qū)灰霾預(yù)報方法試驗研究[A];第26屆中國氣象學(xué)會年會大氣成分與天氣氣候及環(huán)境變化分會場論文集[C];2009年

  本文關(guān)鍵詞：基于DAP-SVDD長春地區(qū)未來24小時霧霾預(yù)測模型研究，由筆耕文化傳播整理發(fā)布。

本文編號：256736