基于商空间的气象数据挖掘研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 目录 | 第8-11页 |
| 第一章 引论 | 第11-19页 |
| ·研究的背景、目的及意义 | 第11-12页 |
| ·数据挖掘概述 | 第12-16页 |
| ·数据挖掘的概念 | 第12-13页 |
| ·分类与预测 | 第13-16页 |
| ·气象数据挖掘(产量预测)简介 | 第16-17页 |
| ·基本单产预测模型 | 第16页 |
| ·主要的产量预测方法 | 第16-17页 |
| ·本文研究的主要内容及各章节概述 | 第17-19页 |
| 第二章 商空间粒度计算理论框架 | 第19-31页 |
| ·粒度计算理论概述 | 第19-20页 |
| ·商空间粒度计算理论框架 | 第20-24页 |
| ·不同粒度世界的描述及相互关系 | 第20-21页 |
| ·粒度的构建方法 | 第21-22页 |
| ·商空间的性质及基本原理 | 第22页 |
| ·合成技术 | 第22-23页 |
| ·模糊商空间 | 第23-24页 |
| ·分层递阶模型 | 第24页 |
| ·构造性机器学习算法 | 第24-30页 |
| ·基于商空间的机器学习数据挖掘模型 | 第30-31页 |
| 第三章 气象数据挖掘模型研究 | 第31-47页 |
| ·灰色理论与GM(1,1)模型 | 第31-35页 |
| ·灰色理论介绍 | 第31页 |
| ·灰色模型GM(1,1)的原理和建立步骤 | 第31-35页 |
| ·马尔柯夫模型 | 第35-37页 |
| ·马尔柯夫链的基本理论 | 第35-36页 |
| ·马尔柯夫模型建立的方法和步骤 | 第36-37页 |
| ·RBF神经网络模型 | 第37-40页 |
| ·RBF神经网络的结构及原理 | 第37-40页 |
| ·径向基函数网络RBFNN与BP网络的对比 | 第40页 |
| ·支持向量机SVM | 第40-42页 |
| ·高维空间中的最优分类超平面 | 第41页 |
| ·分类支持向量机 | 第41-42页 |
| ·支持向量机的核函数 | 第42页 |
| ·组合预测模型 | 第42-47页 |
| ·灰色模型与马尔柯夫模型的组合模型 | 第43页 |
| ·灰色模型与RBF神经网络的组合模型 | 第43-44页 |
| ·灰色模型与SVM的组合模型 | 第44-45页 |
| ·基于商空间的灰色模型与覆盖算法组合模型 | 第45-47页 |
| 第四章 基于商空间的气象信息分析与产量预测 | 第47-59页 |
| ·基于商空间粒度计算理论的气象数据挖掘分析 | 第47-49页 |
| ·信息粒度的构建 | 第47-48页 |
| ·商空间粒度的计算 | 第48-49页 |
| ·模型实验与结果分析 | 第49-59页 |
| ·灰色-马尔柯夫模型组合预测 | 第49-54页 |
| ·灰色-RBF神经网络组合预测 | 第54-55页 |
| ·灰色模型与SVM组合预测 | 第55-56页 |
| ·基于商空间的灰色模型-覆盖算法组合预测 | 第56-59页 |
| 第五章 结论与展望 | 第59-61页 |
| ·结论 | 第59页 |
| ·展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64-66页 |
| Appendix | 第66-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间发表的论文、参与的科研项目 | 第69-70页 |
| 导师、作者简介 | 第70页 |
