山东大学毕业设计答辩PPT模板PPT推荐.pptx

山东大学毕业设计答辩PPT模板PPT推荐.pptx

《山东大学毕业设计答辩PPT模板PPT推荐.pptx》由会员分享，可在线阅读，更多相关《山东大学毕业设计答辩PPT模板PPT推荐.pptx（31页珍藏版）》请在冰点文库上搜索。

相信山大藏龙卧虎，只是网上能看到可以分享的却不多。

思忖再三还是把这个半成的版本分享出来，拍砖也好，鼓励也罢，权当一个青春的注脚。

希望以开源的精神，后来者能有更多自己的分享，创作者最开心的事便是作品能被使用，有缘见到这个PPT的人，尽管去用吧，如果有额外的时间，给我发份邮件，让我也乐一乐。

牛景昊2015.6,目录,降雨预报与朴素贝叶斯降雨预报的意义应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理地面观测数据的获取预报因子的预处理4.分类器性能分析5.总结与展望,3,目录,降雨预报的意义应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理地面观测数据的获取预报因子的预处理4.分类器性能分析5.总结与展望,4,1.降雨预报与朴素贝叶斯,降雨预报的意义：

长期降雨预测,中期降雨预测,分钟级降雨预测,保证灌区粮食生产安全,指导阶段性计划安排,提醒出行是否携带雨具,5,1.降雨预报与朴素贝叶斯,降雨预报方法的发展史：

17世纪初,使用仪器测量进行预报,开始使用统计学进行预报,20世纪八十年代,20世纪初,数值预报产品开始发展,6,1.降雨预报与朴素贝叶斯,应用朴素贝叶斯方法的降水预报：

1983年krzysztofowicz：

将数值预报值作为预报因子，进行预报模型修订。

2001年JamesN.K.Liu等：

利用香港地区的气候数据资料作为预报因子，进行了降雨量的分级预报模拟。

2013年ValmikBNikam等：

利用印度气象部（IMD）的地面观测数据作为预报因子，进行了降雨强度预测，取得良好精度。

7,目录,降雨预报与朴素贝叶斯降雨预报的意义应用朴素贝叶斯方法的历史3.数据的处理地面观测数据的获取预报因子的预处理4.分类器性能分析5.总结与展望,2.朴素贝叶斯方法的优势,8,2.朴素贝叶斯方法的优势,朴素贝叶斯分类器：

9,2.朴素贝叶斯方法的优势,朴素贝叶斯分类器：

本文中符号设定定义Ai是一个特征集合，其中的每个特征都有一个确定的值,对于整个特征集合，有i=1,2,n；

j=1,2,m其中n是特征集合的样本数，也对应某一数据集的特征维数，m等于数据集的样本个数。

归为Kmax类别,根据类条件概率独立的设定,10,2.朴素贝叶斯方法的优势,朴素贝叶斯的优势：

11,2.朴素贝叶斯方法的优势,朴素贝叶斯的优势：

朴素贝叶斯分类器类条件概率独立的假设，虽然在很多实际问题中难以满足，包括降水预测的问题，但很多研究表明1516，即便在这一假设并不满足的的前提下，朴素贝叶斯相比与其他算法，依然可以保持较好的分类准确度。

15P.DomingosandM.Pazzani,Beyondindependence:

conditionsfortheoptimalityofthesimpleBayesianclassier,Mach.Learn.29.103-130.199716Zhang,Harry.TheOptimalityofNaiveBayes.FLAIRS2004conference.,12,目录,降雨预报与朴素贝叶斯降雨预报的意义应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势地面观测数据的获取预报因子的预处理4.分类器性能分析5.总结与展望,3.数据的处理,13,3.数据的处理,输入,输出,分类器的结构,14,3.数据的处理,历史测量值和降雨情况,24小时降水量的分级预测,需要获得的数据,15,3.数据的处理,中国气象局（CMA）,欧洲中期天气预报中心（ECMWF）,美国国家海洋和大气管理局（NOAA）,地面观测数据的获取：

16,3.数据的处理,地面观测数据的获取：

国外的气象交换数据存在部分遗失,17,3.数据的处理,地面观测数据的获取：

中国气象局URF_CLI_CHN_MUL_DAY_CES_V3.0数据库济南观测站2005年到2014年5-9月历史数据（1530条）,18,3.数据的处理,预报因子的预处理：

预报因子在形式上是连续值，如果要应用朴素贝叶斯分类器，主要有两种思路：

1.假设特征值服从某种已知分布，如正态分布；

2.另一种是对连续值进行离散化处理。

平均,最高,最低,19,3.数据的处理,预报因子的预处理：

1.假设特征值服从正态分布；

2.对连续值进行离散化处理。

Xk,n=,kk,=1212,2,等宽离散化（Equal-widthDiscretization）：

间隔宽度相等等频率离散化（Equal-frequencyDiscretization）：

每个间隔中样本点数目相等计算熵值离散化（Entropy-basedDiscretization）：

根据划分前后熵值做标准,20,结束,起始,imin,imin,E（S）E（Xj=T）MDLPGain,21,3.数据的处理,济南市日最高温预报因子为例：

离散化后,天数,天数,离散化前,原本1030组训练数据被分为6个间隔,22,目录,降雨预报与朴素贝叶斯降雨预报的意义应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理地面观测数据的获取预报因子的预处理5.总结与展望,4.分类器性能分析,23,4.分类器性能分析,分类器,Rc=c100%,+1,预报准确率Rc,24,4.分类器性能分析,分类器,Rr=rc100%,+1,降雨预测准确率Rr,+0,济南市即使在5-9月，每天下雨的先验概率依然较低，所以Rr对于评价分类器利用先验以外能力很有价值。

25,4.分类器性能分析,1.直接假设预报因子服从正态分布的效果并不理想,26,4.分类器性能分析,2.二分类的分类误差普遍比四分类要小,27,4.分类器性能分析,3.虽然消耗了更多时间，但基于熵值进行的离散化对有降水样本的分类更好，说明其更好的利用了先验概率以外的信息。

28,目录,降雨预报与朴素贝叶斯降雨预报的意义应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理地面观测数据的获取预报因子的预处理4.分类器性能分析,5.总结与展望,29,5.总结与展望,主要挑战与收获：

1530条数据存储在736个文件中，每个文件数据维度大约为10，需要从中提取出有效数据，并识别和改写噪声数据、空测量点。

预报因子皆为连续值，为获得较好的分类效果需要尝试多种离散方法。

分类器算法实现皆为个人独立编写，熟悉了收集实际数据到分析结构、设计模型和实现算法的过程，实践能力得到很好提升。

30,本模板完全原创，根据山大新标识系统色调设计，无版权费用问题。

如有幸被您使用，请邮件告知我，作者会感到欣慰。

牛景昊2015.6,P.S.如需无水印版本，请邮件与我联系,同学你好，我是隐蔽的水印,目录,降雨预报与朴素贝叶斯降雨预报的意义应用朴素贝叶斯方法的历史2.朴素贝叶斯方法的优势3.数据的处理地面观测数据的获取预报因子的预处理4.分类器性能分析5.总结与展望,31,P4,P8,P13,P23,P29,ThanksforYourAttention!

如需无水印版本，请邮件与我联系,同学你好，我是隐蔽的水印,