学位论文 > 优秀研究生学位论文题录展示

基于SVM的梅雨量预测研究

作　者: 朱天一
导　师: 王定成
学　校: 南京信息工程大学
专　业: 计算机应用技术
关键词: 梅雨支持向量机时间序列网格寻优遗传算法粒子群优化
分类号: P457.6
类　型: 硕士论文
年　份: 2011年
下　载: 101次
引　用: 0次
阅　读: 论文下载

内容摘要

近100多年来全球气候变化日益剧烈,各种天灾接踵而至,夏季旱涝灾害是其中重要灾害之一。长江中下游梅雨期资料对度量当地夏季旱涝是一项主要指标,因此对梅雨总量的预测研究对研究长江中下游夏季旱涝情况有重要的意义。如何通过观测有限个历史样本建立模型实现预测是寻找最优预测模型的重要工作。统计学习理论是针对小样本情况下的机器学习理论,其核心思想是通过控制学习机的复杂度实现对其推广能力的控制。在这一理论下发展起来的支持向量机(Support Vector Machines,SVM)以VC维(VC Dimension)和结构风险最小化原则(Structural Risk Minimization,SRM)为基础,解决了小样本、过学习、非线性、高维数、局部小等许多实际问题。时间序列预测是智能计算中主要研究课题之一。本文主要研究的重点是根据近106a(1885-1990年)长江中下游沿江梅雨期的梅雨总量数据和49a(1954-2002年)泰州地区梅雨量数据,分别建立径向基核函数、多项式核函数的时间序列支持向量机(SVM)回归模型,并采用网格寻优参数函数、遗传算法、粒子群优化算法对模型的参数分别进行优化,然后对这六种模型的预测效果进行比较,选择出最佳的模型。

全文目录

摘要  3-4
Abstract  4-7
第一章绪论  7-13
  1.1 引言  7
  1.2 国内外研究现状  7-10
    1.2.1 梅雨量预测研究现状  7-9
    1.2.2 支持向量机回归研究现状  9-10
  1.3 研究背景及历史意义  10-11
  1.4 论文的组织结构  11-13
第二章统计学习理论与支持向量机  13-23
  2.1 统计学习理论  13-17
    2.1.1 经验风险最小化原则  13-14
    2.1.2 统计学习理论的主要思想  14-17
  2.2 支持向量机  17-22
    2.2.1 支持向量机回归原理  18-22
  2.3 本章小结  22-23
第三章基于SVM的时间序列预测  23-31
  3.1 时间序列概述  23-24
    3.1.1 时间序列的概念  23
    3.1.2 时间序列的种类  23-24
  3.2 SVM时间序列预测原理  24-25
  3.3 SVM核参数的确定方法  25-29
    3.3.1 网格搜索法  25-26
    3.3.2 遗传算法  26-28
    3.3.3 粒子群优化算法  28-29
  3.4 本章小结  29-31
第四章特征向量的预处理  31-35
  4.1 变量的统计特征  31-33
  4.2 样本数据归一化方法  33-34
  4.3 本章小结  34-35
第五章 SVM的时间序列模型在梅雨量预测中的应用  35-50
  5.1 长江中下游地区梅雨预测试验  35-44
    5.1.1 数据资料  35
    5.1.2 试验流程  35-36
    5.1.3 样本的构造  36
    5.1.4 核函数  36-37
    5.1.5 核参数的选取  37
    5.1.6 试验结果对比  37-44
  5.2 泰州地区梅雨量预测试验  44-49
    5.2.1 泰州地区梅雨量数据背景  44
    5.2.2 试验流程图  44-45
    5.2.3 样本的构造  45
    5.2.4 实验分析对比  45-49
  5.3 本章小结  49-50
第六章总结与展望  50-52
  6.1 总结  50
  6.2 展望  50-52
参考文献  52-57
致谢  57-58
附录一缩写词表  58-59
附录二本文对应图表  59-60
作者简介  60

基于SVM的梅雨量预测研究

内容摘要

全文目录

相似论文