当前位置:大学毕业论文> 专科论文>材料浏览

关于支持向量机研究生毕业论文范文 与支持向量机方法在温度预报中的应用以沈阳地区为例方面研究生毕业论文范文

主题:支持向量机论文写作 时间:2024-01-19

支持向量机方法在温度预报中的应用以沈阳地区为例,该文是有关支持向量机学年毕业论文范文和沈阳和支持向量机和温度预报相关学年毕业论文范文.

支持向量机论文参考文献:

支持向量机论文参考文献 论文分析方法有哪些国家级期刊的查询方法论文调查方法论文方法有哪些

摘 要:本文利用沈阳站温度资料和东北中尺度数值模式预报场资料,采用K-means 算法进行季节划分试验,基于支持向量机方法(Support Vector Machine,简称SVM)进行交叉验证和预报检验,试图建立温度季节预报模型.结果表明:聚类季节划分与传统季节划分之间存在差异,传统的春、秋两季被划分为不连续的两类,传统的夏、冬两季被划分的不明显,仅在时间长度上有所差异;支持向量机方法对夏季温度预报准确率最高,各时次温度误差≤2℃的准确率平均为81.2%.冬季温度预报准确率最低,各时次温度误差≤2℃的准确率平均为69.2%.冬季客观方法对夜间降温幅度的预报能力存在不足,而春季客观方法对夜间最低气温的预报能力存在不足.平均绝对误差除个别时次超过2℃外,其他时次均在误差范围内,客观预报方法是可用的.

关键词:支持向量机方法;聚类分析;季节划分

基金项目:2015年沈阳市科技局项目(F15-109-3-00)和沈阳市精细化预报团队共同资助中图分类号:S165 文献标识码:A DOI编号: 10.14025/j.cnki.jlny.2017.15.012

沈阳市位于辽河平原中部,受季风影响较大,属于北温带受季风影响的半湿润大陆性气候,全年温差较大,四季分明.夏季热而多雨,冬季寒冷漫长,春秋两季温度变化迅速.随着科技的进步和社会的发展,农业和各种重大活动对气象服务的需求日益增高,温度的精细化预报成为目前天气预报面临的挑战与问题.大气环流的变化存在复杂性和非线性,温度的变化与各种预报因子间存在非线性相关,支持向量机(Support Vector Machine,简称SVM)方法是处理非线性分类和回归等问题的一种有效的方法.近年来,多地气象部门利用模式直接输出产品,应用SVM 方法制作各种气象要素预报,取得了一定成果.冯汉中[1]等利用1998 年~2000 年9~11 月T106 模式36 小时预报的各种输出产品构造因子,以单站有无降水为预报对象,采用MOS 法方式构造样本,通过建立单站的晴雨SVM 分类预报模型, 利用1990 年~2000 年4~9 月ECMWF 北半球的500hPa 高度、850hPa 温度、地面气压的0 小时分析场资料,确定关键区域,构造预报因子,以PP 法方式构造样本,通过训练建立了四川盆地内单站气温的SVM 回归预报模型,并进行了模拟试验,结果表明无论是单站晴雨的SVM 分类预报模型还是单站平均气温的SVM 回归预报模型都显示出了良好的预报能力.高永娜[2]等以风向、风速、云量、相对湿度、露点温度、气压6 个相关因素为因子,采用Libsvm软件进行预测建模,用真实数据进行分析对比,得出SVM 方法预测气温数据与真实数据有较高的拟合度.王在文[3]等利用北京市气象局中尺度业务模式(MM5V3)的数值预报产品和观测资料,制作北京15 个奥运场馆站点6~48 小时逐3 小时的气象要素释用产品,对比MM5V3 模式,2 米温度的均方根误差减小12.1%,与同期MOS 方法预报结果相对,2 米温度预报效果SVM 略优于MOS.

本文采用K-means 算法进行季节划分试验,在东北中尺度数值模式WRF-3KM 直接输出产品的基础上,基于支持向量机方法,进行交叉验证和预报检验,建立本地区的温度预报的季节模型,为农业生产及大城市精细化预报业务提供保障.

1 资料与方法

1.1 资料

本文所用资料为沈阳站(站号:54342)历史同期(1980年~2010 年)温度资料,2013 年~2014 年东北中尺度数值模式WRF-3KM 未来12~36 小时预报场资料和沈阳国家观测站实况资料.

1.2 方法

1.2.1 SVM 方法为解决基于数据的非线性建模问题,基于V.N.Vapnik 等提出的统计学习理论(小样本理论)[4-8],近年来提出了支持向量机(Support Vector Machines,简称SVM,下同)方法[9-10],其基本思路为:以结构风险最小化为前提,定义最优化线性超平面,把寻找最优线性超平面的算法归结为求解一个凸规划问题,从理论上得到的局部最优解,也就是全局的最优解;进而基于Mercer 核展开定理,通过非线性映射,把样本空间映射到一个高维乃至于无穷维的特征空间,使在特征空间中可以应用线性学习机的方法,解决样本空间中的非线性分类和回归的问题.本文通过回归问题预报温度.

回归分析又称函数估计,其解决的问题是:根据给定的样本集{(xi,yi)}|i等于1,…,k},其中xi 为预报因子值,yi 为预报对象值,寻求一个反映样本数据的最优(按某一规定的误差函数计算,所得函数关系对样本数据集拟合的“最好”)函数关系y等于f(x).

1.2.2 K-means 算法K-means 算法[11-12]为经典的基于划分的聚类方法,是十大经典数据挖掘算法之一.其基本思想是:随机选择K 个对象,每个对象代表一个簇的初始均值,也称初始类中心,对剩余的每个对象,根据其与各个簇均值的距离,将其指派到最相似的簇.然后计算每个簇的新均值,这个过程不断的重复,直到准则函数收敛.本文采用K-means 算法进行季节划分试验,K 值为4.

2 季节划分

采用02 时、08 时、14 时和20 时的沈阳站历史同期资料,对4 个时次进行年平均处理,采用K-means 方法,进行聚类划分,按传统的春、夏、秋、冬4 季,将所有样本数划分为4 类,结果如图1.从图中可以看出,聚类分析后,将具有相同变化趋势的样本划分为一类,与传统季节划分方式存在差异,将传统的春、秋两季划分为不连续的两类,而传统的夏、冬两季划分的变化不明显,仅在时间长度上有所差异.

3 预报方程建立

3.1 预报因子选取

选取与温度预报相关的因子,因子包括:500hPa 位势高度、700hPa 相对湿度、850hPa 相对湿度、925hPa 相对湿度、850hPa U 分量、925hPa U 分量、850hPa V 分量、925hPa V 分量、850hPa 垂直速度、925hPa 垂直速度、总云量、海平面气压、地面气压、2 米相对湿度、2 米温度、地表温度、850hPa 温度、10米纬向风分量、10 米经向风和总降水量,共20 个预报因子.

3.2 预报方程构建

将样本随机划分成两部分,80%的样本用于方程模型的建立,20%的样本用于模型的检验.共随机抽取10 次,寻求建立最优化模型.构建方程时,核函数采用径向基函数(参数包括:参数c 和参数g),通过寻求参数c 和参数g,建立最优化模型,参数的选择没有规律,因此需要进行大量试验.回归模型的择优标准为绝对差,损失函数叠加上界为2000,回归迭代最大次数10000.

分析沈阳地区四季温度客观预报方法参数选取表(表1:冬季;表2:春季;表3:秋季;表4:夏季).冬季参数c:11~83,参数g:0.03~0.15,回归带宽:2.0,支持向量个数占训练样本的24.4%~57.6%;春季参数c:4~100,参数g:0.02~0.21,回归带宽:2.0,支持向量个数占训练样本的20.0%~50.7%;秋季参数c:11~101,参数g:0.02~0.20,回归带宽:1.9~2.0,支持向量个数占训练样本的26.2%~42.1%;夏季参数c:11~83,参数g:0.04~0.15,回归带宽:2.0,支持向量个数占训练样本的17.9%~34.0%.各季节及预报时次的参数之间存在显著差异,由于冬、春季训练样本相对较少,所以依赖的支持向量比重相对多一些.

4 检验

分析沈阳地区冬季温度客观预报方法检验结果(见表5).温度误差≤2℃的准确率最高为81.1%,最低为52.3%,平均为69.5%;温度误差≤1℃的准确率最高为48.5%,最低为20.3%,平均为33.1%;温度误差≤0.5℃的准确率最高为28.7%,最低为9.2%,平均为18.6%;从结果来看,预报最差的两个时次时效为27 小时和30 小时,即夜间23 时和02 时,说明客观方法对夜间降温幅度的把握还存在一定的不足.平均绝对误差除时效27 小时外,其他各时次误差都在2℃以内,表明检验样本中,大多数成员的误差都在2℃以内,只有少数成员超过了2℃的误差,客观预报方法是可用的.

分析沈阳地区春季温度客观预报方法检验结果(见表6).温度误差≤2℃的准确率最高为89.6%,最低为50.0%,平均为75.3%;温度误差≤1℃的准确率最高为53.3%,最低为19.1%,平均为37.6%;温度误差≤0.5℃的准确率最高为34.1%,最低为11.9%,平均为21.2%;春季较冬季预报结果有明显提高,预报最差的两个时次时效为30 小时和33 小时,即清晨02 时和05 时,正是夜间最低气温出现的时刻,春季客观方法对夜间最低气温的把握还存在一定的不足.平均绝对误差各时次均在2℃以内,12 小时时效误差在1℃以内,表明检验样本中,除少数极端样本预报出现失误外,其他成员均在2℃的误差范围内,客观预报方法可用.

分析沈阳地区秋季温度客观预报方法检验结果(见表7).温度误差≤2℃的准确率最高为87.2%,最低为69.3%,平均为76.6%;温度误差≤1℃的准确率最高为45.7%,最低为24.0%,平均为40.7%;温度误差≤0.5℃的准确率最高为27.6%,最低为16.0%,平均为22.0%;秋季较冬、春季预报结果有了进一步提高,尤其是夜间最低气温的预报,主要是由于秋季最低气温变化相对平稳.平均绝对误差除时效30 小时外,其他各时次误差都在2℃以下,客观预报方法可用.

分析沈阳地区夏季温度客观预报方法检验结果(见表8).温度误差≤2℃的准确率最高为88.3%,最低为72.2%,平均为81.2%;温度误差≤1℃的准确率最高为50.4%,最低为39.7%,平均为47.0%;温度误差≤0.5℃的准确率最高为29.8%,最低为19.2%,平均为24.3%;夏季客观方法预报是一年四季中最高的,各个时次温度误差≤2℃的准确率都在72%以上,各个时次的平均绝对误差为1.27℃,夏季客观预报方法最为准确.

5 结论

本文采用K-means 算法进行季节划分试验,在东北中尺度数值模式WRF-3KM 直接输出产品的基础上,基于支持向量机方法,进行交叉验证和预报检验,结果表明:

聚类季节划分与传统季节划分存在差异,将传统的春、秋两季划分为不连续的两类,而传统的夏、冬两季划分的变化不明显,仅在时间长度上存有差异.

支持向量机方法对四季温度进行预报,其中夏季温度预报准确率最高,各时次温度误差≤2℃的准确率平均为81.2%.冬季温度预报准确率最低,各时次温度误差≤2℃的准确率平均为69.2%.冬季客观方法对夜间降温幅度的预报能力存在不足,而春季客观方法对夜间最低气温的预报能力存在不足.平均绝对误差除个别时次超过2℃外,其他时次均在误差范围内,客观预报方法是可用的.

上文总结,此文为一篇关于沈阳和支持向量机和温度预报方面的相关大学硕士和支持向量机本科毕业论文以及相关支持向量机论文开题报告范文和职称论文写作参考文献资料.

基于一体化教学的教学方法和实践以海洋专业水下焊接技术教学为例
摘要水下焊接是海航专业的一门重要课程,也是一门实践性很强的课程 在海洋资源开发利用水平不断提高和潜水技术持续发展的情况下,水下焊接技术已成为海洋工程和水下管道组装和维修的关键性技术 为提升海洋专业水下.

高职院校酒水服务应用课程教学方法探究以三亚中瑞酒店管理职业学院为例
摘要酒水服务应用课程是高职院校酒店管理专业的必修课程,该课程是一门兼具理论性与实践性的课程 而高职院校中酒店管理专业学生文化基础较为薄弱,且自我意识强,所以教师在教授此门课程中要运用以学生为中心的教学.

沈阳地区梅花嫁接方法
摘要梅花是园林绿化中的重要观花乔木,梅花的繁殖方法主要是嫁接,3 种嫁接方法中切接方法嫁接成活率最高,达75,嫁接时间为每年的5 月初 关键词沈阳;梅花;嫁接梅花( e)属于蔷薇科,李属 小乔木,稀灌.

GIS技术支持下的林业多主题抽样调查体系以尼勒克县为例
张 明(新疆林业规划院,新疆乌鲁木齐 830049)摘要林业调查体系的构建是极为复杂且具有地学特征的系统,随着当前科学技术的发展,地理信息系统也随之得到了提升和进步,使得地统计学理论逐渐应用于林业统.

论文大全