基于贝叶斯雷暴释用预报模型的最优子集技术研究

发布时间：2025-06-06 02:44

　　雷暴蕴含着巨大的不稳定能量,能够产生风雨雷电等灾害性天气,对人类活动及人民的生命安全和财产安全形成巨大的威胁,一直是天气预报业务的重点。本文以站点强对流产生的雷暴作为研究对象,提出了新的雷暴预报方法,即二进制粒子群-朴素贝叶斯分类器(Binary Particle Swarm Optimization-Na?ve Bayesian Classifiers,BPSONBC)和二进制粒子群-贝叶斯判别准则(Binary Particle Swarm Optimization-Bayes Discriminatory Criterion,BPSO-BDC)方法。应用二进制粒子群优化(Binary Particle Swarm Optimization,BPSO)算法,结合朴素贝叶斯分类器(Na?ve Bayesian Classifiers,NBC)和贝叶斯判别准则(Bayes Discriminatory Criterion,BDC)方法,可以自动筛选备选因子集中NBC和BDC模型的最优子集,不仅使得繁琐的NBC和BDC模型的预报因子选取工作变得简单方便,而且使它们的预报结果成为所有预报子集...

【文章页数】：89 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
        1.1.1 雷暴特点
        1.1.2 雷暴预报方法
    1.2 研究目的和意义
    1.3 研究现状
    1.4 本文主要内容
第二章 基本原理
    2.1 贝叶斯方法
        2.1.1 贝叶斯定理
        2.1.2 贝叶斯分类
        2.1.3 朴素贝叶斯分类器
        2.1.4 贝叶斯判别准则
    2.2 粒子群算法
        2.2.1 基本原理
        2.2.2 BPSO算法
    2.3 逐步判别方法
        2.3.1 基本原理
        2.3.2 判别因子筛选
    2.4 K近邻非参数回归方法
        2.4.1 K近邻非参数回归
        2.4.2 K近邻非参数回归模型
        2.4.3 相似性测度
    2.5 本章小结
第三章 资料及处理
    3.1 资料
    3.2 强对流天气指数
        3.2.1 计算公式
        3.2.2 历史最小值
    3.3 评分标准
    3.4 建模样本“消空”
    3.5 观测资料处理
    3.6 预报因子选取
        3.6.1 Fisher判别准则选因子
        3.6.2 BPSO算法选因子
    3.7 本章小结
第四章 贝叶斯雷暴预报模型
    4.1 NBC雷暴预报模型
        4.1.1 建立预报模型
        4.1.2 预报因子
        4.1.3 概率判别方程
        4.1.4 拟合结果分析
        4.1.5 试报结果分析
        4.1.6 稳定性检验
    4.2 BDC雷暴预报模型
        4.2.1 建立预报模型
        4.2.2 预报因子
        4.2.3 判别方程
        4.2.4 拟合结果分析
        4.2.5 试报结果分析
        4.2.6 稳定性检验
    4.3 本章小结
第五章 贝叶斯最优子集雷暴预报模型
    5.1 BPSO-NBC雷暴预报模型
        5.1.1 建立预报模型
        5.1.2 预报因子
        5.1.3 拟合结果分析
        5.1.4 试报结果分析
        5.1.5 稳定性检验
    5.2 BPSO-BDC雷暴预报模型
        5.2.1 建立预报模型
        5.2.2 预报因子
        5.2.3 拟合结果分析
        5.2.4 试报结果分析
        5.2.5 稳定性检验
    5.3 模型对比
        5.3.1 拟合结果对比
        5.3.2 试报结果对比
    5.4 本章小结
第六章 经典雷暴预报模型
    6.1 逐步判别雷暴预报模型
        6.1.1 建立预报模型
        6.1.2 预报因子
        6.1.3 判别方程
        6.1.4 拟合结果分析
        6.1.5 试报结果分析
        6.1.6 稳定性检验
    6.2 K近邻非参数回归雷暴预报模型
        6.2.1 建立预报模型
        6.2.2 预报因子
        6.2.3 回归模型
        6.2.4 近邻个数K的确定
        6.2.5 试报结果检验
        6.2.6 稳定性检验
    6.3 模型对比
        6.3.1 拟合结果对比
        6.3.2 试报结果对比
    6.4 本章小结
第七章 全文总结与展望
    7.1 全文总结
    7.2 论文的创新之处
    7.3 研究展望
致谢
参考文献
在校期间研究成果



本文编号：4049666