基于机器学习的降水数据分析算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 选题背景及研究意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 降水预报研究现状 | 第8-9页 |
| 1.2.2 支持向量机技术研究现状 | 第9-10页 |
| 1.2.3 深度学习技术研究现状 | 第10-11页 |
| 1.3 本文主要工作与组织结构 | 第11-13页 |
| 第二章 基础理论和相关技术 | 第13-25页 |
| 2.1 支持向量机相关理论介绍 | 第13-18页 |
| 2.1.1 支持向量机简介 | 第13-14页 |
| 2.1.2 支持向量机基本原理 | 第14-17页 |
| 2.1.3 Mercer核 | 第17-18页 |
| 2.2 粒子群优化算法 | 第18-20页 |
| 2.3 深度学习相关理论介绍 | 第20-24页 |
| 2.3.1 受限玻尔兹曼学习机 | 第20-21页 |
| 2.3.2 深度信念网络 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 数据来源及处理 | 第25-30页 |
| 3.1 数据来源 | 第25-26页 |
| 3.2 有效数据选取 | 第26页 |
| 3.3 数据标准化和数据划分 | 第26-27页 |
| 3.3.1 数据归一化 | 第26-27页 |
| 3.3.2 数据划分 | 第27页 |
| 3.4 数据入库 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于支持向量机的气象降水预测设计与实现 | 第30-42页 |
| 4.1 基于传统参数选择方法的支持向量机模型 | 第30页 |
| 4.2 基于遗传算法优化的支持向量机模型 | 第30-31页 |
| 4.3 基于蚁群算法优化的支持向量机模型 | 第31-33页 |
| 4.4 基于粒子群算法优化的支持向量机模型 | 第33-36页 |
| 4.5 支持向量机实验结果 | 第36-39页 |
| 4.6 支持向量机实验分析 | 第39-41页 |
| 4.7 本章小结 | 第41-42页 |
| 第五章 基于深度置信网络的气象降水预测设计与实现 | 第42-50页 |
| 5.1 基于深度置信网络的预测模型 | 第42-45页 |
| 5.2 深度信念网络实验结果 | 第45-48页 |
| 5.3 深度置信网络实验分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50-51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-59页 |
| 作者简介 | 第59-61页 |
| 致谢 | 第61页 |
