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,