基于数据挖掘的沙尘暴智能预报系统的研究
| 第一章 绪论 | 第1-16页 |
| ·沙尘暴预报 | 第7-8页 |
| ·沙尘暴预报的目标 | 第7页 |
| ·沙尘暴预报的研究现状 | 第7-8页 |
| ·统计预报 | 第8页 |
| ·数据挖掘简介 | 第8-10页 |
| ·已有的工作基础 | 第10-14页 |
| ·沙尘暴源数据集的特点 | 第10-11页 |
| ·沙尘暴预报系统基础 | 第11-14页 |
| ·本文工作 | 第14-16页 |
| 第二章 数据预处理 | 第16-26页 |
| ·数据预处理的主要方法 | 第16-18页 |
| ·主成份分析 | 第18-22页 |
| ·聚类方法的改进 | 第22-25页 |
| ·小结 | 第25-26页 |
| 第三章 分类器的设计与实现 | 第26-45页 |
| ·主要分类方法 | 第26-31页 |
| ·贝叶斯决策理论 | 第26-27页 |
| ·最大似然和贝叶斯参数估计 | 第27-28页 |
| ·非参数方法 | 第28页 |
| ·判别函数法 | 第28-29页 |
| ·多层神经网络 | 第29页 |
| ·随机搜索技术 | 第29页 |
| ·非度量方法 | 第29-30页 |
| ·基于实例的推理 | 第30页 |
| ·粗糙集理论 | 第30页 |
| ·其它方法 | 第30-31页 |
| ·基于时间序列的预报分析 | 第31-32页 |
| ·指数平滑 | 第31页 |
| ·ARIMA模型 | 第31-32页 |
| ·人工神经网络(ANN) | 第32页 |
| ·BP神经网络的改进 | 第32-37页 |
| ·k-最近邻法 | 第37-39页 |
| ·支持向量机 | 第39-43页 |
| ·小结 | 第43-45页 |
| 第四章 神经网络的泛化 | 第45-51页 |
| ·主要泛化方法 | 第45-48页 |
| ·Bayesian规则化 | 第48-51页 |
| 第五章 结论与展望 | 第51-57页 |
| ·本文结论 | 第51-52页 |
| ·问题分析 | 第52-53页 |
| ·展望 | 第53-57页 |
| 参考文献 | 第57-60页 |
| 发表论文和参加科研情况说明 | 第60-61页 |
| 致谢 | 第61页 |
