一种改进的朴素贝叶斯分类器在南方地区降水等级预报中的应用
发布时间：2023-01-06 09:18
雨涝是影响我国的重要自然灾害,如何提高降水预报准确率一直是天气预报的难点。本文应用统计方法对数值预报产品进行释用,以期提高降水预报准确率。本文采用模式输出统计方法（MOS）,使得数值预报产品中的动力学信息和统计学知识得到融合,利用了 2012-2014年6-9月T511数值预报数据和中国自动站与CMORPH降水产品融合的网格数据集建立了两种适应度函数的朴素贝叶斯降水等级预报模型（BPS0-NB1、BPS0-NB2）。模型在选择预报因子方面,采用了人工智能方法——二进制粒子群算法进行最优因子的组合。为了检验二进制粒子群算法优化的朴素贝叶斯分类器的预报性能,本文采用2015年7-9月数据对南方地区五个站进行降水等级预报检验,结果表明：1.BPSO-NB1模型将晴雨预报的适应度函数值升高了 0.239,在因子选择方面应用效果较好。2.BPS0-NB1、BPS0-NB2模型晴雨预报准确率比T511模式提升了 24%以上,小雨TS评分BPSO-NB1、BPS0-NB2模型比T511模式提升了 0.1以上。3.BPS0-NB1、BPS0-NB2模型都可以显著地降低T511数值预报的小雨、中雨的空报...
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究目的与意义
1.3 方法介绍及其研究进展
1.3.1 贝叶斯方法
1.3.2 粒子群方法
1.4 本文的主要内容
第二章 算法原理
2.1 贝叶斯方法
2.1.1 概率论中的一些基本定义
2.1.2 贝叶斯公式原理
2.1.3 贝叶斯分类法
2.1.4 朴素贝叶斯分类器
2.2 粒子群算法
2.2.1 群智能算法概述
2.2.2 粒子群算法基本原理
2.2.3 二进制粒子群算法
第三章 资料及处理
3.1 资料的选取
3.2 模型预报因子选择
3.3 位置向量的0、1化处理
3.4 限制因子数量
第四章 粒子群优化的朴素贝叶斯降水预报模型
4.1 模型构建
4.1.1 模型基本步骤
4.1.2 模型流程
4.2 模型试验
4.2.1 先验概率
4.2.2 试验站因子组合
4.2.3 试验降水预报结果
4.3 本章小结
第五章 个例分析
5.1 降水概况
5.2 个例天气形势分析
5.2.1 环流背景分析
5.2.2 垂直速度及水汽条件分析
5.3 模型预报降水落区与实况的比较
5.4 本章小结
第六章 全文总结
6.1 全文总结
6.2 研究展望
参考文献
致谢
【参考文献】：
期刊论文
[1]气象预报应用人工智能的现状分析和影响初探[J]. 唐伟,周勇,王喆,龚江丽,沈文海. 中国信息化. 2017(11)
[2]基于粒子群-支持向量机定量降水集合预报方法[J]. 孔庆燕,史旭明,金龙. 数学的实践与认识. 2017(05)
[3]HM-Bayes网络降水空间插值模型的改进及其应用[J]. 刘虹利,王红瑞,孙沁田,杨中文,洪思扬. 系统工程理论与实践. 2016(11)
[4]基于朴素贝叶斯算法的流域降水预测方法[J]. 黄炜,李雪真,赵嘉,赵丽华,李臣民. 水利水电科技进展. 2016(04)
[5]统计方法在数值模式中应用的若干新进展[J]. 朱玉祥,黄嘉佑,丁一汇. 气象. 2016(04)
[6]基于Bayes判别法的霜生自动化观测模型探讨[J]. 华连生,温华洋,朱华亮,张正铨. 气象. 2015(08)
[7]一种Bayes降水概率预报的最优子集算法[J]. 胡邦辉,刘善亮,席岩,王学忠,游大鸣,张惠君. 应用气象学报. 2015(02)
[8]BPSO优化朴素贝叶斯分类器的降水分级预报试验[J]. 张群,席岩,胡邦辉,王学忠,张惠君. 解放军理工大学学报(自然科学版). 2014(04)
[9]基于AREM模式的贝叶斯洪水概率预报试验[J]. 殷志远,彭涛,王俊超,沈铁元. 暴雨灾害. 2012(01)
[10]基于粒子群和投影寻踪的样本重构神经网络集成模型在降水预报中的应用[J]. 吴春梅,吴建生. 计算机与现代化. 2011(02)
博士论文
[1]粒子群算法的基本理论及其改进研究[D]. 刘建华.中南大学 2009
[2]粒子群优化算法及其应用研究[D]. 李丹.东北大学 2007
[3]贝叶斯学习理论中若干问题的研究[D]. 王利民.吉林大学 2005
[4]贝叶斯学习理论及其应用研究[D]. 宫秀军.中国科学院研究生院（计算技术研究所） 2002
硕士论文
[1]基于改进PSO-RBF神经网络的气温预测模型[D]. 陈广.兰州大学 2015
[2]改进的PSO算法优化神经网络模型及其应用研究[D]. 蒋林利.厦门大学 2014
[3]粒子群算法研究及在气象资料检索中的应用[D]. 黄艳红.南京信息工程大学 2012
[4]朴素贝叶斯分类器的研究与应用[D]. 王国才.重庆交通大学 2010
[5]基于MOS方法的客观降水预报模型的研究与应用[D]. 黄亿.南京信息工程大学 2008
[6]粒子群优化算法的研究与改进[D]. 薛婷.大连海事大学 2008
本文编号：3728077
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究目的与意义
1.3 方法介绍及其研究进展
1.3.1 贝叶斯方法
1.3.2 粒子群方法
1.4 本文的主要内容
第二章 算法原理
2.1 贝叶斯方法
2.1.1 概率论中的一些基本定义
2.1.2 贝叶斯公式原理
2.1.3 贝叶斯分类法
2.1.4 朴素贝叶斯分类器
2.2 粒子群算法
2.2.1 群智能算法概述
2.2.2 粒子群算法基本原理
2.2.3 二进制粒子群算法
第三章 资料及处理
3.1 资料的选取
3.2 模型预报因子选择
3.3 位置向量的0、1化处理
3.4 限制因子数量
第四章 粒子群优化的朴素贝叶斯降水预报模型
4.1 模型构建
4.1.1 模型基本步骤
4.1.2 模型流程
4.2 模型试验
4.2.1 先验概率
4.2.2 试验站因子组合
4.2.3 试验降水预报结果
4.3 本章小结
第五章 个例分析
5.1 降水概况
5.2 个例天气形势分析
5.2.1 环流背景分析
5.2.2 垂直速度及水汽条件分析
5.3 模型预报降水落区与实况的比较
5.4 本章小结
第六章 全文总结
6.1 全文总结
6.2 研究展望
参考文献
致谢
【参考文献】：
期刊论文
[1]气象预报应用人工智能的现状分析和影响初探[J]. 唐伟,周勇,王喆,龚江丽,沈文海. 中国信息化. 2017(11)
[2]基于粒子群-支持向量机定量降水集合预报方法[J]. 孔庆燕,史旭明,金龙. 数学的实践与认识. 2017(05)
[3]HM-Bayes网络降水空间插值模型的改进及其应用[J]. 刘虹利,王红瑞,孙沁田,杨中文,洪思扬. 系统工程理论与实践. 2016(11)
[4]基于朴素贝叶斯算法的流域降水预测方法[J]. 黄炜,李雪真,赵嘉,赵丽华,李臣民. 水利水电科技进展. 2016(04)
[5]统计方法在数值模式中应用的若干新进展[J]. 朱玉祥,黄嘉佑,丁一汇. 气象. 2016(04)
[6]基于Bayes判别法的霜生自动化观测模型探讨[J]. 华连生,温华洋,朱华亮,张正铨. 气象. 2015(08)
[7]一种Bayes降水概率预报的最优子集算法[J]. 胡邦辉,刘善亮,席岩,王学忠,游大鸣,张惠君. 应用气象学报. 2015(02)
[8]BPSO优化朴素贝叶斯分类器的降水分级预报试验[J]. 张群,席岩,胡邦辉,王学忠,张惠君. 解放军理工大学学报(自然科学版). 2014(04)
[9]基于AREM模式的贝叶斯洪水概率预报试验[J]. 殷志远,彭涛,王俊超,沈铁元. 暴雨灾害. 2012(01)
[10]基于粒子群和投影寻踪的样本重构神经网络集成模型在降水预报中的应用[J]. 吴春梅,吴建生. 计算机与现代化. 2011(02)
博士论文
[1]粒子群算法的基本理论及其改进研究[D]. 刘建华.中南大学 2009
[2]粒子群优化算法及其应用研究[D]. 李丹.东北大学 2007
[3]贝叶斯学习理论中若干问题的研究[D]. 王利民.吉林大学 2005
[4]贝叶斯学习理论及其应用研究[D]. 宫秀军.中国科学院研究生院（计算技术研究所） 2002
硕士论文
[1]基于改进PSO-RBF神经网络的气温预测模型[D]. 陈广.兰州大学 2015
[2]改进的PSO算法优化神经网络模型及其应用研究[D]. 蒋林利.厦门大学 2014
[3]粒子群算法研究及在气象资料检索中的应用[D]. 黄艳红.南京信息工程大学 2012
[4]朴素贝叶斯分类器的研究与应用[D]. 王国才.重庆交通大学 2010
[5]基于MOS方法的客观降水预报模型的研究与应用[D]. 黄亿.南京信息工程大学 2008
[6]粒子群优化算法的研究与改进[D]. 薛婷.大连海事大学 2008
本文编号：3728077
本文链接：https://www.wllwen.com/projectlw/qxxlw/3728077.html
