本文關(guān)鍵詞：基于深度學(xué)習(xí)的氣象溫度預(yù)測研究

  更多相關(guān)文章： 深度神經(jīng)網(wǎng)絡(luò) 氣象溫度預(yù)測 淺度神經(jīng)網(wǎng)絡(luò) 支持向量機

【摘要】：氣象溫度預(yù)測即是氣象預(yù)測的重點問題,也是難點問題,對社會生產(chǎn)生活實踐有著巨大的影響,是一項具有挑戰(zhàn)性和深遠意義的工作。隨著氣象數(shù)據(jù)觀測技術(shù)手段的不斷進步,氣象數(shù)據(jù)呈現(xiàn)了爆炸性增長,這給遭遇了發(fā)展瓶頸的氣象預(yù)測技術(shù)帶來了新的機遇和挑戰(zhàn)。針對上述情況,本文基于能夠適應(yīng)海量數(shù)據(jù)的深度學(xué)習(xí)的方法,通過實驗對比分析的研究方法,對氣象溫度預(yù)測問題進行研究和探索。在本文中介紹了相關(guān)的深度學(xué)習(xí)的模型和氣象溫度預(yù)測的理論,并通過對比實驗,證明了深度學(xué)習(xí)相關(guān)模型在氣象溫度預(yù)測上的可行性和對比于淺度神經(jīng)網(wǎng)絡(luò)和支持向量機等傳統(tǒng)氣象溫度預(yù)測方法的優(yōu)越性,獲得了較好的研究成果。隨后,根據(jù)上面實驗的成果,本文又提出了基于支持向量機模型對深度學(xué)習(xí)模型進行改進的方法,并且實驗證明了該改進算法的有效性和可用性。本文的研究內(nèi)容為今后深度學(xué)習(xí)的相關(guān)方法在氣象溫度預(yù)測實踐技術(shù)上的應(yīng)用和發(fā)展提供了一定的理論基礎(chǔ)。
【關(guān)鍵詞】：深度神經(jīng)網(wǎng)絡(luò) 氣象溫度預(yù)測 淺度神經(jīng)網(wǎng)絡(luò) 支持向量機
【學(xué)位授予單位】：寧夏大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：P457.3;TP183
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-13
• 1.1 研究背景與意義7-8
• 1.1.1 研究背景7
• 1.1.2 研究意義7-8
• 1.2 國內(nèi)外研究現(xiàn)狀8-12
• 1.2.1 氣象預(yù)測研究現(xiàn)狀8-9
• 1.2.2 深度學(xué)習(xí)研究現(xiàn)狀9-12
• 1.3 研究內(nèi)容12
• 1.4 結(jié)構(gòu)安排12-13
• 第二章 相關(guān)理論介紹13-21
• 2.1 神經(jīng)網(wǎng)絡(luò)相關(guān)理論介紹13-15
• 2.1.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)13
• 2.1.2 設(shè)計數(shù)據(jù)流的起始和終點13-14
• 2.1.3 隱藏層包含單元數(shù)設(shè)計14
• 2.1.4 初始權(quán)值的選擇14-15
• 2.2 支持向量機相關(guān)理論介紹15-16
• 2.2.1 支持向量機簡介15-16
• 2.2.2 LibSVM簡介16
• 2.3 深度學(xué)習(xí)相關(guān)理論介紹16-20
• 2.3.1 深度學(xué)習(xí)網(wǎng)絡(luò)模型16-20
• 2.3.2 深度學(xué)習(xí)算法策略20
• 2.4 本章小結(jié)20-21
• 第三章 數(shù)據(jù)來源及預(yù)處理21-25
• 3.1 數(shù)據(jù)來源21-22
• 3.2 有效數(shù)據(jù)選取22
• 3.3 數(shù)據(jù)標準化及數(shù)據(jù)劃分22-24
• 3.3.1 數(shù)據(jù)標準化22-23
• 3.3.2 數(shù)據(jù)劃分23-24
• 3.4 本章小結(jié)24-25
• 第四章 氣象溫度預(yù)測實驗設(shè)計與實現(xiàn)25-31
• 4.1 實驗環(huán)境25
• 4.2 基于傳統(tǒng)預(yù)測方法的實驗實施25-27
• 4.2.1 基于淺層神經(jīng)網(wǎng)絡(luò)的實驗實施25-26
• 4.2.2 基于支持向量機的預(yù)測方法實施26-27
• 4.3 基于深度學(xué)習(xí)模型的預(yù)測方法實施27-30
• 4.3.1 SAE模型27-29
• 4.3.2 DBN模型29-30
• 4.3.3 基于支持向量機改進的深度學(xué)習(xí)氣象預(yù)測模型30
• 4.4 本章小結(jié)30-31
• 第五章 實驗結(jié)果對比與分析31-44
• 5.1 淺度神經(jīng)網(wǎng)絡(luò)實驗結(jié)果與分析31-34
• 5.1.1 淺度神經(jīng)網(wǎng)絡(luò)實驗結(jié)果31
• 5.1.2 淺度神經(jīng)網(wǎng)絡(luò)實驗分析31-34
• 5.2 支持向量機實驗結(jié)果與分析34-37
• 5.2.1 支持向量機實驗結(jié)果34-36
• 5.2.2 支持向量機實驗分析36-37
• 5.3 深度學(xué)習(xí)方法實驗結(jié)果與分析37-42
• 5.3.1 SAE(Sparsity Auto Encoder)方法實驗結(jié)果與分析37-39
• 5.3.2 DBN(Deep Belief Network)方法實驗結(jié)果與分析39-41
• 5.3.3 基于支持向量機改進的深度學(xué)習(xí)氣象溫度預(yù)測實驗結(jié)果與分析41-42
• 5.4 改進的算法與原始深度學(xué)習(xí)方法和傳統(tǒng)方法比較42-43
• 5.5 本章小結(jié)43-44
• 第六章 總結(jié)與展望44-46
• 6.1 總結(jié)44
• 6.2 不足與展望44-46
• 6.2.1 本文存在的不足之處44-45
• 6.2.2 深度學(xué)習(xí)在氣象預(yù)測方向上的展望45-46
• 參考文獻46-49
• 致謝49-50
• 個人簡歷50
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文50

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 徐凌宇;方曉君;徐仁杰;沈立煒;;基于時序挖掘的時間融合算法及在海表面溫度預(yù)測中的應(yīng)用[J];上海大學(xué)學(xué)報(自然科學(xué)版);2007年05期

2 王先銘;趙哲身;;被動通風系統(tǒng)建模與室內(nèi)溫度預(yù)測[J];上海大學(xué)學(xué)報(自然科學(xué)版);2012年02期

3 范顯峰,姜興渭;基于模型的衛(wèi)星熱控制系統(tǒng)溫度預(yù)測與故障診斷[J];高技術(shù)通訊;2002年04期

4 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 李沁笛;趙彬;;基于相似理論的高大空間工作區(qū)平均速度溫度預(yù)測[A];全國暖通空調(diào)制冷2010年學(xué)術(shù)年會論文集[C];2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 劉鑫達;基于深度學(xué)習(xí)的氣象溫度預(yù)測研究[D];寧夏大學(xué);2016年

2 尹彬;高溫礦井風流溫度預(yù)測分析及應(yīng)用[D];遼寧工程技術(shù)大學(xué);2012年

3 潘亮;基于嵌入式系統(tǒng)的機場跑道溫度預(yù)測系統(tǒng)的研究與開發(fā)[D];大連海事大學(xué);2013年

4 高杏梅;煤礦井下設(shè)備溫度預(yù)測及預(yù)警系統(tǒng)研究[D];西安科技大學(xué);2014年

  本文關(guān)鍵詞：基于深度學(xué)習(xí)的氣象溫度預(yù)測研究

  更多相關(guān)文章： 深度神經(jīng)網(wǎng)絡(luò) 氣象溫度預(yù)測 淺度神經(jīng)網(wǎng)絡(luò) 支持向量機

，

本文編號：512987