数据挖掘技术在气象预测中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 论文研究背景及意义 | 第9-10页 |
| 1.2 论文的国内外研究现状 | 第10-13页 |
| 1.2.1 气象数据挖掘现状 | 第10-12页 |
| 1.2.2 关联规则挖掘现状 | 第12-13页 |
| 1.3 论文组织结构 | 第13-15页 |
| 第二章 数据挖掘与关联规则挖掘理论基础 | 第15-29页 |
| 2.1 数据挖掘概述 | 第15-18页 |
| 2.1.1 数据挖掘定义 | 第15页 |
| 2.1.2 数据挖掘过程 | 第15-17页 |
| 2.1.3 数据挖掘方法 | 第17-18页 |
| 2.2 关联规则理论基础 | 第18-28页 |
| 2.2.1 关联规则的基本概念 | 第18-22页 |
| 2.2.2 关联规则价值的衡量 | 第22-23页 |
| 2.2.3 经典算法Apriori | 第23-26页 |
| 2.2.4 经典算法Apriori的不足之处 | 第26-27页 |
| 2.2.5 Apriori算法的改进优化算法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于亲和度的引力移动算法 | 第29-43页 |
| 3.1 引力移动算法(GMA) | 第29-32页 |
| 3.1.1 算法思想 | 第29-30页 |
| 3.1.2 粒子移动规则 | 第30-32页 |
| 3.1.3 质量函数 | 第32页 |
| 3.2 基于亲和度的引力移动算法 | 第32-34页 |
| 3.2.1 基于亲和度的引力移动算法简述 | 第32-34页 |
| 3.2.2 算法流程 | 第34页 |
| 3.3 实验及结果分析 | 第34-40页 |
| 3.3.1 基准函数 | 第34-36页 |
| 3.3.2 仿真实验 | 第36-40页 |
| 3.4 本章小结 | 第40-43页 |
| 第四章 基于PGMA的关联规则挖掘 | 第43-47页 |
| 4.1 个体编码 | 第43页 |
| 4.2 适应度函数设计 | 第43-44页 |
| 4.3 仿真实验及结果分析 | 第44-46页 |
| 4.3.1 适应度值结果及分析 | 第44-45页 |
| 4.3.2 运行时间对比 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 关联规则挖掘方案在气象预测上应用 | 第47-57页 |
| 5.1 PGMA关联规则挖掘方案不足 | 第47-48页 |
| 5.2 TI-PGMA关联规则挖掘方案 | 第48页 |
| 5.3 仿真实验及结果 | 第48-55页 |
| 5.3.1 数据清理 | 第49-51页 |
| 5.3.2 实验结果 | 第51-55页 |
| 5.3.2.1 挖掘结果分析 | 第51-53页 |
| 5.3.2.2 预测与分析 | 第53-54页 |
| 5.3.2.3 关联规则挖掘结果对比 | 第54-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 回顾与总结 | 第57-58页 |
| 6.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 研究生期间发表论文及参加科研情况说明 | 第63-65页 |
| 致谢 | 第65页 |
