文献类型：期刊文章

作　　者：王军[1,2] 费凯[1] 程勇[2]

机构地区：[1]南京信息工程大学计算机与软件学院,南京210044 [2]南京信息工程大学信息化建设与管理处,南京210044

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(61402236;61373064);江苏省农业气象重点实验室开放基金资助项目(KYQ1309);江苏省"六大人才高峰"项目(2015-DZXX-015;2013-DZXX-019);江苏省产学研前瞻性联合研究项目(BY2014007-2);公益性行业(气象)科研专项(GYHY201106037)~~

年　　份：2017

卷　　号：37

期　　号：9

起止页码：2689-2693

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSCD、CSCD_E2017_2018、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：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。

关 键 词：分类器 改进Adaboost  BP神经网络 组合模型  权值调整 归一化因子  

分 类 号：TP18]