| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文的主要工作和创新点 | 第11-12页 |
| 1.3.1 论文的主要工作 | 第11-12页 |
| 1.3.2 论文的创新点 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第2章 气象数据挖掘 | 第14-22页 |
| 2.1 数据挖掘简介 | 第14-15页 |
| 2.1.1 数据挖掘的定义 | 第14-15页 |
| 2.1.2 数据挖掘的过程 | 第15页 |
| 2.2 气象数据特性 | 第15-16页 |
| 2.3 气象数据预处理过程 | 第16-17页 |
| 2.4 气象数据挖掘方法 | 第17-18页 |
| 2.4.1 时空分析法 | 第17页 |
| 2.4.2 降维分析法 | 第17-18页 |
| 2.4.3 分类预测法 | 第18页 |
| 2.4.4 关联分析法 | 第18页 |
| 2.5 典型的气象数据分类预测法 | 第18-21页 |
| 2.5.1 SVM算法 | 第20页 |
| 2.5.2 BP神经网络算法 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第3章 Storm相关技术概述 | 第22-28页 |
| 3.1 Storm流式大数据处理框架介绍 | 第22-25页 |
| 3.1.1 Storm概述 | 第22页 |
| 3.1.2 Storm集群特点 | 第22-23页 |
| 3.1.3 Storm集群工作方式 | 第23-24页 |
| 3.1.4 Storm框架术语 | 第24-25页 |
| 3.2 Kafka | 第25-26页 |
| 3.2.1 Kafka概述 | 第25-26页 |
| 3.2.2 Kafka拓扑结构 | 第26页 |
| 3.3 Zookeeper概述 | 第26页 |
| 3.4 HDFS概述 | 第26-27页 |
| 3.5 小结 | 第27-28页 |
| 第4章 基于Storm的在线序列极限学习机的降雨量预测模型 | 第28-38页 |
| 4.1 引言 | 第28-30页 |
| 4.2 降雨量预测 | 第30-31页 |
| 4.3 极限学习机 | 第31-32页 |
| 4.4 在线序列极限学习机算法 | 第32-33页 |
| 4.4.1 在线序列极限学习机算法 | 第32页 |
| 4.4.2 在线序列极限学习机算法的具体步骤 | 第32-33页 |
| 4.5 随机梯度下降算法 | 第33-34页 |
| 4.5.1 梯度下降法 | 第33-34页 |
| 4.5.2 随机梯度下降法 | 第34页 |
| 4.6 基于Storm的在线序列极限学习机的降雨量预测模型 | 第34-37页 |
| 4.6.1 模型概述 | 第34-36页 |
| 4.6.2 基于SGD的误差权值动态调整方法 | 第36-37页 |
| 4.6.3 模型分析 | 第37页 |
| 4.7 小结 | 第37-38页 |
| 第5章 实验与结果分析 | 第38-48页 |
| 5.1 系统框架说明 | 第38页 |
| 5.1.1 实验环境 | 第38页 |
| 5.1.2 Storm集群IP地址映射 | 第38页 |
| 5.2 实验数据 | 第38-40页 |
| 5.3 实验步骤 | 第40-41页 |
| 5.4 实验结果分析 | 第41-47页 |
| 5.4.1 精度评估 | 第41-42页 |
| 5.4.2 实验精度分析 | 第42-43页 |
| 5.4.3 性能评估 | 第43-45页 |
| 5.4.4 实验性能分析 | 第45-47页 |
| 5.5 小结 | 第47-48页 |
| 第6章 总结与展望 | 第48-49页 |
| 6.1 论文总结 | 第48页 |
| 6.2 研究展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 附录 攻读硕士学位期间科研成果 | 第53-54页 |
| 附录 攻读硕士学位期间参与的项目 | 第54页 |