基于Adaboost算法的多分类器模型的研究及其在降水预测中的应用

发布时间：2020-09-02 17:35

　　随着社会经济的不断发展与进步,各行各业的发展与需求对气象预测要求在不断提高。与传统的气象预测模式相比,获取气象数据的渠道日益丰富,气象数据资料呈现爆炸式增长,如何有效利用这些海量气象数据对于推进气象领域进步有决定性作用,气象数据具有的高维性和大规模特点,意味着传统的气象模式很难将各维度的气象数据以及各气象数据之间有效联系起来,而现今的数据挖掘技术较为成熟,为研究与探索气象领域中各个属性内在规律与联系、寻找天气变化有指导性意义。本论文针对气象中降水预测问题进行研究与分析,在掌握和分析现有最新气象数据挖掘技术的基础上,对现有的天气预测模型提出相应改进。摒弃单分类的气象预测模型,利用Adaboost算法集成强分类器达到提升性能的目的,通过详细研究气象样本数据特点,对气象数据挖掘建模,数据属性处理,并对集成预测模型进行深入研究,主要完成以下工作。(1)针对Adaboost算法集成分类器在气象降水预测中存在着学习性能退化而导致的精度不足问题,本文通过理论推导证明集成分类器的误差上界与学习过程中归一化因子的关系以及优化的本质思想,对Adaboost算法在样本的学习过程中权值的更新方式进行调整,提出基于归一化因子与依赖度的权值修正算法,改进后的算法目标是依据信赖度调整样本的权值的更新幅度,以此来缓解误差累积问题,从而达到提高性能的目的,实验表明,该种改进方式提高了预测的性能。(2)针对气象领域中的降水数据集总是存在着数据集分布不平衡问题,本文提出基于损失代价敏感的不平衡学习方式,通过改进Adaboost算法中每个样本根据不同的分类预测结果而产生不同的损失代价为核心思想,以最小化损失代价为目标函数,引入惩罚因子,通过理论证明与推导,调整基分类器学习过程中的权值更新方式,同时给出基分类器的误差阈值。通过实验表明,该种改进确实提高了对数据集中的少数类的学习能力,有效的提高了集成分类器的性能。通过降水实验以及评价方案的数据结果可知,本文提出的改进算法与传统数据挖掘算法相比,有较好的性能体现。该种预测模型增强了气象预测效率,且对气象数据总是具有良好的表现,为以后的气象数据挖掘提供了更好的解决方案借鉴。
【学位单位】：南京信息工程大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP181;P426.6
【部分图文】：

示意图,数据挖掘,过程,示意图

逡逑进行评估，通过评估的结果进行应用［４＜Ｍ１］。挖掘过程如下图２－１所示。逡逑问ｉ定名逦灥仓库逦屖逦知识逦应用逡逑：逦邋准备邋＇＇＾清洗与集逦ｆ邋．逦厂、逦／Ｓ逡逑逦ｒ－￣￣？逦逦＾逦ｒ逦＇／二逡逑１逦＾逦１邋■邋一—0邋ｒｊ邋ｉ＼逡逑分类／回归逦数据库逦数据挖抑一—评估逦」－逦、广，逡逑＿逦数据挖掘流程逦——逡逑图２－１数据挖掘过程示意图逡逑问题定义是根据挖掘的对象来分析需要解决的问题，数据挖掘研宄者对现有的问题逡逑分析来决定展开接下来的一系列操作，分析该问题可能是分类预测、聚类分析、回归分逡逑析等，之后根据研宄目标展开接下来的数据处理工作等。逡逑数据准备是确定数据挖掘任务执行阶段所涉及的数据集，该阶段主要是通过现有的逡逑相关数据资料中选取适合数据挖掘算法研宄的数据源，将选出来的数据作为此次任务中逡逑的试验目标。逡逑数据处理中包含多个对数据的处理的过程，每个过程有不同的处理方式，该过程主逡逑要是数据清洗、数据转换、特征选择

拓扑结构,数据挖掘,神经,隐含层

ＢＰ神经网络有很多种拓扑结构，为了表述方便，本文使用最为普遍的三层的网络逡逑结构作为推算案例，推算其运算公式。存在三层ＢＰ神经网络，用ｆ表示输入神经元，＿／逡逑代表隐含层，々代表输出层，其结构如图２－２所示，如图所示，在隐含层％中，第个逡逑神经元的输入是：逡逑ｎｅｔｊ邋＝邋＾邋ｗｊｊｘｉ逦（２－１）逡逑输出层的第ｙ＿个神经兀的输出为ｏｙ．邋＝ｇ（ｎｅｆ；），第个输出神经兀的输入为：逡逑ｎｅｔｋ＝Ｙ．ｗ＾ｊ°ｊ逦２－２）逡逑Ｊ逡逑相应的输出为＝呈（《４），其中§阳为Ｓ型激活函数，其表达规则如下：逡逑ｇ（ｘ）邋＝邋ｌ邋＋邋ｅ－（＾）逦（２－３）逡逑其中，０为网络阈值，网络中各个神经元的输出为：逡逑0ｊ邋＝１／（１邋＋邋ｅｘｐ（－（Ｊ］邋ｗｙｉｏ，．邋＋邋ｄｊ）））逦（２－４）逡逑0ｋ＝Ｈ｛＼邋＋邋ｅｘｐ（－（＾］邋ｗｋＪ0ｊ邋＋邋ｄｋ）））逦（２－５）逡逑ｊ逡逑ＢＰ神经网络学习过程其实是在输出值与实际值产生了误差后逆向地将误差向前传逡逑１１逡逑

归一化因子,极值问题,误差率,函数关系

将由于存在Ｐ＋ｇ邋＝邋ｌ的关系，而对归一化因子的问题的分析可以看作变量；的逡逑函数关系寻找极值问题的理解，该种关系可以被视作为归一化因子与两数之差的函数关逡逑系，如下图３－１所ＴｆＣ：逡逑１６逡逑

【参考文献】