基于分類算法降水量預(yù)測(cè)模型研究.pdf

1、人類賴以生存的氣候環(huán)境受自然因素和人類實(shí)踐活動(dòng)的雙重影響，變化幅度較大，導(dǎo)致各類氣象災(zāi)害頻繁發(fā)生。因此，氣象要素的預(yù)測(cè)研究逐漸成為大氣科學(xué)發(fā)展研究的熱點(diǎn)。目前，此類研究普遍采用計(jì)算機(jī)技術(shù)，結(jié)合氣象學(xué)相關(guān)理論進(jìn)行建模，嘗試對(duì)未來氣象變化發(fā)展規(guī)律進(jìn)行模擬和預(yù)測(cè)，旨在探索氣象變化趨勢(shì)，對(duì)未來大氣狀況進(jìn)行比較準(zhǔn)確地預(yù)測(cè)，為人類的生產(chǎn)實(shí)踐提供理論決策指南。
　　 統(tǒng)計(jì)學(xué)習(xí)方法(生函數(shù)、統(tǒng)計(jì)分析、插值擬合等)和機(jī)器學(xué)習(xí)方法(神經(jīng)網(wǎng)絡(luò)算法、貝

2、葉斯分類、決策樹、支持向量機(jī)、覆蓋算法等)是降水量數(shù)據(jù)預(yù)測(cè)的兩種常用方法。從數(shù)據(jù)計(jì)算的總體效果來看，統(tǒng)計(jì)學(xué)習(xí)方法在準(zhǔn)確性和復(fù)雜度方面比機(jī)器學(xué)習(xí)方法要低。本文旨在對(duì)氣象數(shù)據(jù)的降水量進(jìn)行預(yù)測(cè)，故選擇機(jī)器學(xué)習(xí)方法。貝葉斯分類、決策樹分別從概率統(tǒng)計(jì)和屬性決策方面對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)，線性特征的數(shù)據(jù)預(yù)測(cè)表現(xiàn)較好，而非線性數(shù)據(jù)的預(yù)測(cè)卻不盡如意。由于氣象數(shù)據(jù)中存在非線性特征現(xiàn)象，故這些方法不適宜進(jìn)行實(shí)驗(yàn)建模和預(yù)測(cè)降水量。本文通過近年應(yīng)用比較廣泛的BP算法、

3、支持向量機(jī)和覆蓋算法對(duì)降水量預(yù)測(cè)進(jìn)行建模，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，以期在今后的實(shí)踐中能夠采用比較準(zhǔn)確、合理的預(yù)測(cè)方法進(jìn)行降水量的預(yù)測(cè)。
　　 本文采用覆蓋算法、支持向量機(jī)算法以及基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)原理神經(jīng)網(wǎng)絡(luò)工具箱同時(shí)進(jìn)行降水量預(yù)測(cè),以淮北市1970-2009年的氣象數(shù)據(jù)為基礎(chǔ)，分別預(yù)測(cè)該地區(qū)年降水量的變化趨勢(shì)，并進(jìn)行對(duì)比分析。計(jì)算結(jié)果表明,覆蓋算法模型相對(duì)于支持向量機(jī)和BP算法模型在降水量預(yù)測(cè)方面具有較高的預(yù)測(cè)精度。

4、r>　　 本文的工作主要包括：
　　 1．介紹降水量預(yù)測(cè)的概念、現(xiàn)狀和方法，并對(duì)這些方法進(jìn)行分析，重點(diǎn)介紹目前氣象科學(xué)廣泛使用的分類算法模型。
　　 2．論述人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型和分類模型，對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，BP 神經(jīng)網(wǎng)絡(luò)的原理、方法、基本結(jié)構(gòu)和權(quán)值調(diào)整等內(nèi)容進(jìn)行介紹與分析。
　　 3．討論線性支持向量機(jī)的原理，分線性可分和線性不可分兩個(gè)方面進(jìn)行分析，同時(shí)介紹非線性支持向量機(jī)，以及覆蓋算法的M-P 神經(jīng)元的