基于集成学习和流数据挖掘的雷电预报研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-20页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-17页 |
| 1.2.1 集成学习综述 | 第9-12页 |
| 1.2.2 流数据挖掘综述 | 第12-16页 |
| 1.2.3 雷电预报研究综述 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 本文组织结构 | 第18-20页 |
| 第2章 相关理论简介 | 第20-27页 |
| 2.1 机器学习分类算法 | 第20-25页 |
| 2.1.1 决策树 | 第20-23页 |
| 2.1.2 支持向量机 | 第23-24页 |
| 2.1.3 神经网络 | 第24-25页 |
| 2.1.4 朴素贝叶斯 | 第25页 |
| 2.2 时间序列数据挖掘 | 第25-26页 |
| 2.3 粗糙集简介 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于流数据挖掘的雷电数据模型 | 第27-37页 |
| 3.1 雷电数据分析 | 第27-29页 |
| 3.1.1 数据来源 | 第27页 |
| 3.1.2 数据分布 | 第27-29页 |
| 3.2 基本定义 | 第29-32页 |
| 3.3 雷电数据模型 | 第32-36页 |
| 3.3.1 雷电数据矩阵转换 | 第32-34页 |
| 3.3.2 多维时序雷电数据建模 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于集成学习策略的雷电预报 | 第37-52页 |
| 4.1 基于多机器学习竞争的雷电预报框架 | 第37-40页 |
| 4.2 雷电数据指标选取 | 第40-44页 |
| 4.2.1 雷电数据处理与因子选择 | 第40-44页 |
| 4.2.2 雷电预报效果评估指标 | 第44页 |
| 4.3 核心算法模块 | 第44-51页 |
| 4.3.1 时序聚类模块 | 第45-47页 |
| 4.3.2 多机器学习竞争模块 | 第47-50页 |
| 4.3.3 集成预测模块 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 雷电预报实现 | 第52-60页 |
| 5.1 实验环境 | 第52-53页 |
| 5.1.1 实验平台 | 第52页 |
| 5.1.2 实验工具 | 第52-53页 |
| 5.2 实验数据 | 第53-54页 |
| 5.3 实验设置 | 第54页 |
| 5.4 实验结果与分析 | 第54-59页 |
| 5.4.1 预测准确性对比 | 第54-57页 |
| 5.4.2 预测有效性对比 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间的研究成果 | 第68页 |
