基于改进的Adaboost-BP模型在降水中的预测
针对目前分类算法对降水预测过程存在着泛化能力低、精度不足的问题,提出改进Adaboost算法集成反向传播(BP)神经网络组合分类模型.该模型通过构造多个神经网络弱分类器,赋予弱分类器权值,将其线性组合为强分类器.改进后的Adaboost算法以最优化归一化因子为目标,在提升过程中调整样本权值更新策略,以此达到最小化归一化因子的目的,从而确保增加弱分类器个数的同时降低误差上界估计,通过最终集成的强分类器来提高模型的泛化能力和分类精度.选取江苏境内6个站点的逐日气象资料作为实验数据,建立7个降水等级的预报模型,从对降雨量有影响的众多因素中,选取12个与降水相关性较大的属性作为预报因子.通过多次实验统计,结果表明基于改进的Adaboost-BP组合模型具有较好的性能,尤其对58259站点的适应性较好,总体分类精度达到81％,在7个等级中,对0级降雨的预测精度最好,对其他等级的降雨预测有不同程度的精度提升,理论推导及实验结果证明该种改进可以提高预测精度.
降水预测 分类模型 迭代算法 神经网络 权值调整
王军 费凯 程勇
南京信息工程大学 计算机与软件学院,南京210044;南京信息工程大学 信息化建设与管理处,南京210044 南京信息工程大学 计算机与软件学院,南京210044 南京信息工程大学 信息化建设与管理处,南京210044
国内会议
第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议 (CRSSC-CWI-CGrC-3WD 2017)
合肥
中文
2689-2693
2017-05-26（万方平台首次上网日期，不代表论文的发表时间）