| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 气象数据挖掘的研究现状 | 第9-10页 |
| 1.2.2 朴素贝叶斯算法的研究现状 | 第10-12页 |
| 1.2.3 离散化算法的研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文的结构 | 第14-15页 |
| 第二章 气象数据挖掘相关知识概述 | 第15-28页 |
| 2.1 数据挖掘 | 第15-16页 |
| 2.1.1 数据挖掘的定义 | 第15页 |
| 2.1.2 数据挖掘的过程 | 第15-16页 |
| 2.2 气象数据 | 第16-20页 |
| 2.2.1 气象数据的特点 | 第16-17页 |
| 2.2.2 气象数据预处理 | 第17-18页 |
| 2.2.3 常用的气象数据挖掘方法 | 第18-20页 |
| 2.3 朴素贝叶斯分类算法 | 第20-25页 |
| 2.3.1 贝叶斯分类相关理论 | 第20-21页 |
| 2.3.2 贝叶斯分类算法 | 第21-22页 |
| 2.3.3 朴素贝叶斯分类模型 | 第22-25页 |
| 2.4 数据离散化 | 第25-27页 |
| 2.4.1 离散化的概念 | 第25-26页 |
| 2.4.2 离散化的评价标准 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于类别属性关联离散算法的改进朴素贝叶斯分类模型 | 第28-40页 |
| 3.1 改进的类-属性关联离散化算法 | 第28-32页 |
| 3.1.1 CAIM算法 | 第28-30页 |
| 3.1.2 CAIR与CAIU标准 | 第30-31页 |
| 3.1.3 CAID算法 | 第31-32页 |
| 3.2 基于类别属性关联离散算法的朴素贝叶斯分类模型 | 第32-35页 |
| 3.2.1 降雨预测因子的选择 | 第32-34页 |
| 3.2.2 基于CAID的朴素贝叶斯分类算法 | 第34-35页 |
| 3.3 实验与分析 | 第35-39页 |
| 3.3.1 实验环境与数据 | 第35-36页 |
| 3.3.2 实验结果分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于属性加权的改进朴素贝叶斯分类算法 | 第40-48页 |
| 4.1 信息论基础 | 第40-42页 |
| 4.1.1 熵和条件熵 | 第40-41页 |
| 4.1.2 互信息与条件互信息 | 第41-42页 |
| 4.2 改进加权的朴素贝叶斯分类模型 | 第42-44页 |
| 4.2.1 改进的属性赋权方法 | 第42-43页 |
| 4.2.2 加权朴素贝叶斯降雨等级预测模型 | 第43-44页 |
| 4.3 实验与结果分析 | 第44-48页 |
| 4.3.1 实验环境与数据 | 第44页 |
| 4.3.2 实验结果分析 | 第44-47页 |
| 4.3.3 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 工作总结 | 第48-49页 |
| 5.2 未来展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 作者简介 | 第55页 |