氣象中降水的分析與研究一直以來(lái)都是一個(gè)十分熱門的領(lǐng)域。在對(duì)降水的研究與分析方面,傳統(tǒng)的分析方法主要存在著模型過(guò)于復(fù)雜,計(jì)算過(guò)大以及無(wú)法充分挖掘利用已有的數(shù)據(jù)等問(wèn)題。隨著近年來(lái)氣象數(shù)據(jù)的爆炸式增長(zhǎng),這些問(wèn)題也變得愈發(fā)嚴(yán)重。本文以遼寧省氣象災(zāi)害預(yù)警中心實(shí)際的業(yè)務(wù)需求為背景,對(duì)降水展開(kāi)了研究與分析,有別于傳統(tǒng)的方法,首先從數(shù)據(jù)方面入手,將所收集到的雷達(dá)回波數(shù)據(jù)進(jìn)行相應(yīng)的預(yù)處理,從而得到了多層雷達(dá)回波反射率數(shù)據(jù),隨后基于得到的多層雷達(dá)回波反射率數(shù)據(jù)使用機(jī)器學(xué)習(xí)的方法對(duì)問(wèn)題進(jìn)行研究與分析。在數(shù)據(jù)的處理方面,本文對(duì)現(xiàn)有的雷達(dá)回波數(shù)據(jù)進(jìn)行充分的利用以及信息的挖掘,根據(jù)多普勒氣象雷達(dá)的工作模式,將其采集到的雷達(dá)回波數(shù)據(jù)進(jìn)行分解以及去除雜波等操作后,得到了相應(yīng)的多層雷達(dá)回波反射率數(shù)據(jù)。通過(guò)數(shù)據(jù)的采集時(shí)間以及經(jīng)緯度坐標(biāo)等信息,將歷史降水?dāng)?shù)據(jù)與分解后的雷達(dá)回波反射率數(shù)據(jù)進(jìn)行整合,隨后按照降水量的大小對(duì)降水等級(jí)進(jìn)行相應(yīng)的劃分,最終得到了多層雷達(dá)回波反射率和降水等級(jí)數(shù)據(jù)集。本文使用LightGBM集成學(xué)習(xí)算法模型來(lái)完成降水的研究與分析工作。首先對(duì)得到的多層雷達(dá)回波及降水等級(jí)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理,并將多層雷達(dá)回波... 

【文章來(lái)源】：沈陽(yáng)工業(yè)大學(xué)遼寧省

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

集成學(xué)習(xí)的工作模型析Fig.2.1Integratedlearningworkmodel

沈陽(yáng)工業(yè)大學(xué)碩士學(xué)位論文10（3）可以在不進(jìn)行特征選擇的情況下，處理高維度的數(shù)據(jù)；（4）在不對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理的情況下，既可以處理連續(xù)型的數(shù)據(jù)，也可以處理離散型的數(shù)據(jù)。集成學(xué)習(xí)的本質(zhì)是將多個(gè)模型進(jìn)行組合，這就引出了如何將這些弱學(xué)習(xí)器進(jìn)行組合的問(wèn)題。當(dāng)前集成方法主要分為Bagging、Stacking和Boosting三個(gè)種類，接下來(lái)對(duì)這三種方法分別作出介紹：（1）Bagging即袋裝法，也稱自助法，此種方法通常使用同質(zhì)的個(gè)體學(xué)習(xí)器進(jìn)行組合，然后獨(dú)立并行的對(duì)這些個(gè)體學(xué)習(xí)器進(jìn)行訓(xùn)練和學(xué)習(xí)，最后按照平均過(guò)程將它們進(jìn)行組合。此外，進(jìn)行學(xué)習(xí)過(guò)程中的每個(gè)分類器都隨機(jī)從原來(lái)的樣本中進(jìn)行有放回的采樣，從而訓(xùn)練得到基模型，每一個(gè)得到的基模型都相當(dāng)于一個(gè)決策者，具體的訓(xùn)練過(guò)程如圖2.2所示。圖2.2集成學(xué)習(xí)bagging方式Fig.2.2Integratedlearningofbagging（2）Stacking即棧方法，此種方法通常使用不同類型的個(gè)體學(xué)習(xí)器，對(duì)它們進(jìn)行并行的訓(xùn)練與學(xué)習(xí)，最終訓(xùn)練將它們進(jìn)行組合。此種方法是一種組合多個(gè)模型的方法，它主要依托于組合學(xué)習(xí)器的概念，但是在實(shí)際的生產(chǎn)當(dāng)中，此種方法的使用頻率相對(duì)較少。在訓(xùn)練過(guò)程中將每個(gè)個(gè)體學(xué)習(xí)器的輸出進(jìn)行組合，將組合后的結(jié)果作為一個(gè)特征向量，再次進(jìn)行重新訓(xùn)練，具體的訓(xùn)練過(guò)程如圖2.3所示。首先訓(xùn)練出多個(gè)不同的模型，然后再以之前訓(xùn)練的各個(gè)模型的輸出作為輸入再次訓(xùn)練一個(gè)模型，從而得到一個(gè)最終的輸出。在實(shí)際的使用過(guò)程當(dāng)中，通常以單層的logistic回歸作為組合模型。

第2章相關(guān)技術(shù)理論介紹11圖2.3集成學(xué)習(xí)stacking方式Fig.2.3Integratedlearningofstacking(3)Boosting即提升方法，它由邁克·肯斯提出，是一種用來(lái)減小有監(jiān)督學(xué)習(xí)中偏差的機(jī)器學(xué)習(xí)算法，該方法中通常使用同質(zhì)類的個(gè)體學(xué)習(xí)器，進(jìn)行并行的學(xué)習(xí)[37]。其組合在一起的不同弱個(gè)體學(xué)習(xí)器之間不再是相互獨(dú)立的，而是迭代的進(jìn)行模型擬合，具體的的訓(xùn)練過(guò)程如圖2.4所示。圖2.4集成學(xué)習(xí)boosting方式Fig.2.4Integratedlearningofboosting


本文編號(hào)：3341217