降水問(wèn)題一直是氣象預(yù)報(bào)中非常關(guān)鍵的課題。氣象預(yù)報(bào),特別是降水預(yù)報(bào)是一項(xiàng)復(fù)雜的任務(wù),因?yàn)樗蕾囉诟鞣N參數(shù)變量如溫度,濕度,風(fēng)速和風(fēng)向等來(lái)預(yù)測(cè)。這些變量隨時(shí)都在變化,不同地理位置的天氣計(jì)算也隨之變化。為了提高降水預(yù)測(cè)模型的預(yù)測(cè)精度,本文提出了一種基于支持向量機(jī)的粒子群優(yōu)化(PSO-SVM)預(yù)測(cè)模型,以取代傳統(tǒng)降水中使用的線性閾值方法。在支持向量機(jī)算法中,選擇參數(shù)是對(duì)其預(yù)測(cè)精度有重要影響的問(wèn)題,針對(duì)該問(wèn)題,提出了采用粒子群優(yōu)化算法尋找支持向量機(jī)模型的最優(yōu)參數(shù)。PSO-SVM算法通過(guò)使用歷史數(shù)據(jù)訓(xùn)練模型進(jìn)行降水預(yù)報(bào),輸出一個(gè)有效的結(jié)果,幫助各行各業(yè)的人做出最適合的決策。實(shí)驗(yàn)表明,在相同條件下,所提出的算法的性能比基于同一組實(shí)驗(yàn)數(shù)據(jù)的直接預(yù)測(cè)模型的準(zhǔn)確度好得多。同時(shí)通過(guò)與其他優(yōu)化方法的對(duì)比,說(shuō)明PSO在優(yōu)化SVM參數(shù)上的優(yōu)勢(shì)。另一方面,實(shí)驗(yàn)結(jié)果也證明了使用的SVM-PSO模型的有效性和優(yōu)點(diǎn)。在上述研究的基礎(chǔ)上,為了進(jìn)一步提高模型的效率,采用深度置信網(wǎng)絡(luò)對(duì)數(shù)據(jù)規(guī)模較大的氣象數(shù)據(jù)進(jìn)行分析預(yù)測(cè)。分析結(jié)果表明,由于其在數(shù)據(jù)處理上采用批處理技術(shù)減少模型建立的時(shí)間,在模型應(yīng)用時(shí)不再重新建立模型的特性,在實(shí)際應(yīng)...

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．?１最優(yōu)分類面示意圖??

＝冷１丨??圖２．?１最優(yōu)分類面示意圖??如圖２．１所示是ＳＶＭ算法實(shí)現(xiàn)對(duì)線性可分樣本的分類。圖２．１中的方和圓分別代表??０，１兩種觀測(cè)樣本，＃表示分類超平面，％和／／２是包含兩個(gè)樣本的所在平面即為一個(gè)??分類超平面。顯而易見(jiàn)巧和義距離樣本距離為０，不利于分類，分類間隔??＝?....

圖４．５訓(xùn)練集在不同參數(shù)優(yōu)化算法下的最佳分類準(zhǔn)確率曲線??本文實(shí)驗(yàn)樣本數(shù)為?２００，?４００，?６００，?８００，１０００，１２００，?１４００，?１６００，１８００，２０００，??對(duì)于每?

若ｇｅｎ達(dá)到最大迭代次數(shù)時(shí)，或者滿足程序的停止標(biāo)準(zhǔn)，最終獲得ＳＶＭ模型的最??優(yōu)參數(shù)。否則，需要返回到步驟２。結(jié)束訓(xùn)練和驗(yàn)證程序，得到ＰＳＯ－ＳＶＭ模型的結(jié)果。??ＳＶＭ－ＰＳＯ預(yù)測(cè)模型圖如圖４．４所示。??（開(kāi)始）??，??數(shù)據(jù)預(yù)處理?Ｎ??１?－Ｔ－?１?｜?＞?種群規(guī)??訓(xùn)....

圖４．?６對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)得到是準(zhǔn)確率隨數(shù)據(jù)規(guī)模變化的曲線??３１??

數(shù)據(jù)作為測(cè)試集用于驗(yàn)證模型準(zhǔn)確率。根據(jù)試算，取敏感系數(shù)＾＝０．００１?（默認(rèn)系數(shù)），對(duì)??懲罰因子Ｃ和核函數(shù)寬度系數(shù)ｇ采用四種不同的尋優(yōu)算法對(duì)參數(shù)進(jìn)行尋優(yōu)。??如圖４．５所示，是訓(xùn)練集在不同參數(shù)優(yōu)化算法下最終ＣＶ意義下的最佳分類準(zhǔn)確率??曲線。其中ＣＶ是變異系數(shù)（Ｃｏｅｆｆｉｃｉ....

圖４．?７不同模型對(duì)測(cè)試集的準(zhǔn)確率曲線??圖４．７是將測(cè)試數(shù)據(jù)放入訓(xùn)練好的ｍｏｄｅｌ中運(yùn)行得到的準(zhǔn)確率曲線

南京信息工程？人學(xué)碩上學(xué)位論文??如圖４．６所示，圖中的曲線是使用訓(xùn)練產(chǎn)生的ｍｏｄｅｌ對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)得到是準(zhǔn)確??率隨數(shù)據(jù)規(guī)模變化的曲線。由訓(xùn)練集訓(xùn)練出的ＳＶＭ算法ｍｏｄｅｌ包含最佳的ＲＢＦ核參數(shù)??ｇ和懲罰參數(shù)ｃ，將訓(xùn)練集中的標(biāo)簽去除，放入該模型進(jìn)行預(yù)測(cè)，然后將預(yù)測(cè)結(jié)果和實(shí)?....

本文編號(hào)：4056176