隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展與進(jìn)步,各行各業(yè)的發(fā)展與需求對(duì)氣象預(yù)測(cè)要求在不斷提高。與傳統(tǒng)的氣象預(yù)測(cè)模式相比,獲取氣象數(shù)據(jù)的渠道日益豐富,氣象數(shù)據(jù)資料呈現(xiàn)爆炸式增長(zhǎng),如何有效利用這些海量氣象數(shù)據(jù)對(duì)于推進(jìn)氣象領(lǐng)域進(jìn)步有決定性作用,氣象數(shù)據(jù)具有的高維性和大規(guī)模特點(diǎn),意味著傳統(tǒng)的氣象模式很難將各維度的氣象數(shù)據(jù)以及各氣象數(shù)據(jù)之間有效聯(lián)系起來(lái),而現(xiàn)今的數(shù)據(jù)挖掘技術(shù)較為成熟,為研究與探索氣象領(lǐng)域中各個(gè)屬性?xún)?nèi)在規(guī)律與聯(lián)系、尋找天氣變化有指導(dǎo)性意義。本論文針對(duì)氣象中降水預(yù)測(cè)問(wèn)題進(jìn)行研究與分析,在掌握和分析現(xiàn)有最新氣象數(shù)據(jù)挖掘技術(shù)的基礎(chǔ)上,對(duì)現(xiàn)有的天氣預(yù)測(cè)模型提出相應(yīng)改進(jìn)。摒棄單分類(lèi)的氣象預(yù)測(cè)模型,利用Adaboost算法集成強(qiáng)分類(lèi)器達(dá)到提升性能的目的,通過(guò)詳細(xì)研究氣象樣本數(shù)據(jù)特點(diǎn),對(duì)氣象數(shù)據(jù)挖掘建模,數(shù)據(jù)屬性處理,并對(duì)集成預(yù)測(cè)模型進(jìn)行深入研究,主要完成以下工作。(1)針對(duì)Adaboost算法集成分類(lèi)器在氣象降水預(yù)測(cè)中存在著學(xué)習(xí)性能退化而導(dǎo)致的精度不足問(wèn)題,本文通過(guò)理論推導(dǎo)證明集成分類(lèi)器的誤差上界與學(xué)習(xí)過(guò)程中歸一化因子的關(guān)系以及優(yōu)化的本質(zhì)思想,對(duì)Adaboost算法在樣本的學(xué)習(xí)過(guò)程中權(quán)值的更新方式進(jìn)行調(diào)整,提出基于歸一化因子與依賴(lài)度的權(quán)值修正算法,改進(jìn)后的算法目標(biāo)是依據(jù)信賴(lài)度調(diào)整樣本的權(quán)值的更新幅度,以此來(lái)緩解誤差累積問(wèn)題,從而達(dá)到提高性能的目的,實(shí)驗(yàn)表明,該種改進(jìn)方式提高了預(yù)測(cè)的性能。(2)針對(duì)氣象領(lǐng)域中的降水?dāng)?shù)據(jù)集總是存在著數(shù)據(jù)集分布不平衡問(wèn)題,本文提出基于損失代價(jià)敏感的不平衡學(xué)習(xí)方式,通過(guò)改進(jìn)Adaboost算法中每個(gè)樣本根據(jù)不同的分類(lèi)預(yù)測(cè)結(jié)果而產(chǎn)生不同的損失代價(jià)為核心思想,以最小化損失代價(jià)為目標(biāo)函數(shù),引入懲罰因子,通過(guò)理論證明與推導(dǎo),調(diào)整基分類(lèi)器學(xué)習(xí)過(guò)程中的權(quán)值更新方式,同時(shí)給出基分類(lèi)器的誤差閾值。通過(guò)實(shí)驗(yàn)表明,該種改進(jìn)確實(shí)提高了對(duì)數(shù)據(jù)集中的少數(shù)類(lèi)的學(xué)習(xí)能力,有效的提高了集成分類(lèi)器的性能。通過(guò)降水實(shí)驗(yàn)以及評(píng)價(jià)方案的數(shù)據(jù)結(jié)果可知,本文提出的改進(jìn)算法與傳統(tǒng)數(shù)據(jù)挖掘算法相比,有較好的性能體現(xiàn)。該種預(yù)測(cè)模型增強(qiáng)了氣象預(yù)測(cè)效率,且對(duì)氣象數(shù)據(jù)總是具有良好的表現(xiàn),為以后的氣象數(shù)據(jù)挖掘提供了更好的解決方案借鑒。
【學(xué)位單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：TP181;P426.6
【部分圖文】：

逡逑進(jìn)行評(píng)估，通過(guò)評(píng)估的結(jié)果進(jìn)行應(yīng)用［４＜Ｍ１］。挖掘過(guò)程如下圖２－１所示。逡逑問(wèn)ｉ定名邐灥倉(cāng)庫(kù)邐屖邐知識(shí)邐應(yīng)用逡逑：邐邋準(zhǔn)備邋＇＇＾清洗與集邐ｆ邋．邐廠、邐／Ｓ逡逑邐ｒ－￣￣？邐邐＾邐ｒ邐＇／二逡逑１邐＾邐１邋■邋一—0邋ｒｊ邋ｉ＼逡逑分類(lèi)／回歸邐數(shù)據(jù)庫(kù)邐數(shù)據(jù)挖抑一—評(píng)估邐」－邐、廣，逡逑＿邐數(shù)據(jù)挖掘流程邐——逡逑圖２－１數(shù)據(jù)挖掘過(guò)程示意圖逡逑問(wèn)題定義是根據(jù)挖掘的對(duì)象來(lái)分析需要解決的問(wèn)題，數(shù)據(jù)挖掘研宄者對(duì)現(xiàn)有的問(wèn)題逡逑分析來(lái)決定展開(kāi)接下來(lái)的一系列操作，分析該問(wèn)題可能是分類(lèi)預(yù)測(cè)、聚類(lèi)分析、回歸分逡逑析等，之后根據(jù)研宄目標(biāo)展開(kāi)接下來(lái)的數(shù)據(jù)處理工作等。逡逑數(shù)據(jù)準(zhǔn)備是確定數(shù)據(jù)挖掘任務(wù)執(zhí)行階段所涉及的數(shù)據(jù)集，該階段主要是通過(guò)現(xiàn)有的逡逑相關(guān)數(shù)據(jù)資料中選取適合數(shù)據(jù)挖掘算法研宄的數(shù)據(jù)源，將選出來(lái)的數(shù)據(jù)作為此次任務(wù)中逡逑的試驗(yàn)?zāi)繕?biāo)。逡逑數(shù)據(jù)處理中包含多個(gè)對(duì)數(shù)據(jù)的處理的過(guò)程，每個(gè)過(guò)程有不同的處理方式，該過(guò)程主逡逑要是數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、特征選擇

ＢＰ神經(jīng)網(wǎng)絡(luò)有很多種拓?fù)浣Y(jié)構(gòu)，為了表述方便，本文使用最為普遍的三層的網(wǎng)絡(luò)逡逑結(jié)構(gòu)作為推算案例，推算其運(yùn)算公式。存在三層ＢＰ神經(jīng)網(wǎng)絡(luò)，用ｆ表示輸入神經(jīng)元，＿／逡逑代表隱含層，々代表輸出層，其結(jié)構(gòu)如圖２－２所示，如圖所示，在隱含層％中，第個(gè)逡逑神經(jīng)元的輸入是：逡逑ｎｅｔｊ邋＝邋＾邋ｗｊｊｘｉ邐（２－１）逡逑輸出層的第ｙ＿個(gè)神經(jīng)兀的輸出為ｏｙ．邋＝ｇ（ｎｅｆ；），第個(gè)輸出神經(jīng)兀的輸入為：逡逑ｎｅｔｋ＝Ｙ．ｗ＾ｊ°ｊ邐２－２）逡逑Ｊ逡逑相應(yīng)的輸出為＝呈（《４），其中§陽(yáng)為Ｓ型激活函數(shù)，其表達(dá)規(guī)則如下：逡逑ｇ（ｘ）邋＝邋ｌ邋＋邋ｅ－（＾）邐（２－３）逡逑其中，０為網(wǎng)絡(luò)閾值，網(wǎng)絡(luò)中各個(gè)神經(jīng)元的輸出為：逡逑0ｊ邋＝１／（１邋＋邋ｅｘｐ（－（Ｊ］邋ｗｙｉｏ，．邋＋邋ｄｊ）））邐（２－４）逡逑0ｋ＝Ｈ｛＼邋＋邋ｅｘｐ（－（＾］邋ｗｋＪ0ｊ邋＋邋ｄｋ）））邐（２－５）逡逑ｊ逡逑ＢＰ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程其實(shí)是在輸出值與實(shí)際值產(chǎn)生了誤差后逆向地將誤差向前傳逡逑１１逡逑

將由于存在Ｐ＋ｇ邋＝邋ｌ的關(guān)系，而對(duì)歸一化因子的問(wèn)題的分析可以看作變量；的逡逑函數(shù)關(guān)系尋找極值問(wèn)題的理解，該種關(guān)系可以被視作為歸一化因子與兩數(shù)之差的函數(shù)關(guān)逡逑系，如下圖３－１所ＴｆＣ：逡逑１６逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 彭昱忠;王謙;元昌安;林開(kāi)平;;數(shù)據(jù)挖掘技術(shù)在氣象預(yù)報(bào)研究中的應(yīng)用[J];干旱氣象;2015年01期

2 王永欣;張化祥;王爽;;基于屬性加權(quán)的主成分分析算法[J];濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年06期

3 吳俊利;張步涵;王魁;;基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法在短期風(fēng)速預(yù)測(cè)中的應(yīng)用[J];電網(wǎng)技術(shù);2012年09期

4 高爽;冬雷;高陽(yáng);廖曉鐘;;基于粗糙集理論的中長(zhǎng)期風(fēng)速預(yù)測(cè)[J];中國(guó)電機(jī)工程學(xué)報(bào);2012年01期

5 付忠良;;不平衡多分類(lèi)問(wèn)題的連續(xù)AdaBoost算法研究[J];計(jì)算機(jī)研究與發(fā)展;2011年12期

6 馬廷淮;穆強(qiáng);田偉;李德泉;;氣象數(shù)據(jù)挖掘研究[J];武漢理工大學(xué)學(xué)報(bào);2010年16期

7 薛建軍;王維國(guó);王秀榮;張建忠;李佳英;;決策氣象服務(wù)回顧與展望[J];氣象;2010年07期

8 吳建生;劉麗萍;金龍;;粒子群-神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)算法氣象預(yù)報(bào)建模研究[J];熱帶氣象學(xué)報(bào);2008年06期

9 何偉;孔夢(mèng)榮;趙海青;;基于貝葉斯分類(lèi)器的氣象預(yù)測(cè)研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2007年15期

10 賀玲;吳玲達(dá);蔡益朝;;數(shù)據(jù)挖掘中的聚類(lèi)算法綜述[J];計(jì)算機(jī)應(yīng)用研究;2007年01期

相關(guān)會(huì)議論文 前1條

1 王在文;;基于非線(xiàn)性支持向量機(jī)方法的奧運(yùn)場(chǎng)館氣象預(yù)報(bào)[A];第27屆中國(guó)氣象學(xué)會(huì)年會(huì)城市氣象，讓生活更美好分會(huì)場(chǎng)論文集[C];2010年

本文編號(hào)：2810902