CN102956023A - 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 - Google Patents

一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 Download PDF

Info

Publication number
CN102956023A
CN102956023A CN2012103124308A CN201210312430A CN102956023A CN 102956023 A CN102956023 A CN 102956023A CN 2012103124308 A CN2012103124308 A CN 2012103124308A CN 201210312430 A CN201210312430 A CN 201210312430A CN 102956023 A CN102956023 A CN 102956023A
Authority
CN
China
Prior art keywords
classification
data
attribute
value
training sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012103124308A
Other languages
English (en)
Other versions
CN102956023B (zh
Inventor
杜景林
孙晓燕
周杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201210312430.8A priority Critical patent/CN102956023B/zh
Publication of CN102956023A publication Critical patent/CN102956023A/zh
Application granted granted Critical
Publication of CN102956023B publication Critical patent/CN102956023B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于贝叶斯分类的传统气象数据与感知数据融合的方法，在朴素贝叶斯分类器的基础上，公开了一种1-依赖分类器与属性加权相结合的贝叶斯分类改进算法—ODAWNB(One-dependence Attribute Weighted Naive Bayes)方法，改进现有的朴素贝叶斯算法，适当放松属性间必须相互独立这一限制，在效率和分类精度之间找到一个折中点，最好地完成雷达数据与用户感知数据之间的融合。本发明包括如下步骤：数据预处理，根据训练样本数据构造分类器，利用构造的分类器对待分类的样本
Figure DEST_PATH_IMAGE002
进行分类。

Description

一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
 
技术领域
本发明涉及气象观测和预警技术领域，尤其是涉及一种传统气象数据与用户参与感知数据融合的方法。
 
背景技术
气象观测是研究测量和观察地球大气的物理和化学特性以及大气现象的方法和手段的一门学科。观测的对象主要有大气气体成分浓度、气溶胶、温度、湿度、压力、风、大气湍流、蒸发、云、降水、辐射、大气能见度、大气电场、大气电导率以及雷电、虹、晕等现象和参数。大气探测技术的发展为减轻或避免自然灾害造成的损失提供了条件。气象观测记录和依据它编发的气象情报，除了为天气预报提供日常资料外，还通过长期积累和统计，加工成气候资料，为农业、林业、工业、交通、军事、水文、医疗卫生和环境保护等部门进行规划、设计和研究，提供重要的数据。采用大气遥感探测和高速通信传输技术组成的灾害性天气监测网，已经能够十分及时地直接向用户发布龙卷风、强降雨和冰雹等灾害性天气警报。
由于传统气象数据（如雷达回波图）提供的信息对应区域较广，不能最全面地为气象预警决策服务，若加之当地实时采集到的数据（如移动终端外接传感器采集装置），把两者进行融合，则能够得知精确位置的天气信息，使得气象预报更准确。
为获得准确的气象数据需要采集多个信息源传递的观测数据，由单个传感器所获得的信息通常是不完整、不连续或不精确的，此时其他的信息源如果可以提供补充数据，融合多种信息源的数据，就能够产生—个有关场景的更一致的解释，而使不确定性大大降低。我们把雷达回波图解析到的数据视为传统数据，多类多源和多平台传感器获取的数据视为感知数据，将这两种数据进行判别处理综合分析，充分利用雷达数据的实时性、宏观性与传感器数据之间的互补关系，考虑传感网条件下的多维、多尺度、高动态、多耦合等复杂的数据与信息关系，对数据处理采用新的策略，实现对多源观测数据的协同处理。通过对参与感知数据提取，统计、分析形成分类的灾害预警规则和预警阈值体系。对于传统气象数据与参与感知数据的处理，即是将两者进行融合。
所谓数据融合技术，是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。数据融合在多信息源、多平台和多用户系统内起着重要的处理和协调作用，保证了数据处理系统各单元与汇集中心间的连通性与及时通信。通过信息融合将多个气象信息传感器检测到的信息与雷达观测事实进行科学、合理的综合处理，可以提高状态监测和灾害智能化程度。而这种数据融合从本质上说是一个参数估计问题，或者说是一个算法问题。
贝叶斯分类是统计学分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naive Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，且方法简单、分类准确率高、速度快。由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，而此假设在实际情况中通常是不成立的，因此其分类准确率可能会下降。为此，就出现了许多降低独立性假设的贝叶斯分类算法，如TAN(Tree Augmented Bayes Network)算法和LB(Large Bayes) 算法。但TAN算法也存在缺陷，所需要的数据存储容量过大，计算速度相对而言就会减慢，导致算法效率降低。而LB算法利用了类似Apriori的频繁项集挖掘算法找出训练集中的频繁项集。由于LB仅使用有限项乘积来估计概率，因此必须优先选择那些能为分类提供新信息的项集。为此，LB为每个项集定义了兴趣度。兴趣度用项集所有低一阶的子集来近似估计该项集的偏差来定义，偏差越大代表该项集包含的信息越多。在频繁项集挖掘过程中，加入了兴趣度约束来保证得到的项集包含对分类有用的信息；在分类阶段，同样也优先选择兴趣度高的项集参与分类。但是它仅使用一个分类器，只使用了有限的部分频繁项集，而且引入了兴趣度度量，还有一系列的规则从众多频繁项集中选择一部分来对测试样本进行分类。这种模型选择加大了计算开销，同时浪费了许多对于分类有用的频繁项集。
 
发明内容
为解决上述问题，本发明在朴素贝叶斯分类器的基础上，公开了一种1-依赖分类器与属性加权相结合的贝叶斯分类改进算法—ODAWNB(One-dependence Attribute Weighted Naive Bayes)方法，改进现有的朴素贝叶斯算法，适当放松属性间必须相互独立这一限制，在效率和分类精度之间找到一个折中点，最好地完成雷达数据与用户感知数据之间的融合。
由于对于每个属性选择它所依赖的属性会带来额外的计算开销，也会增加分类器的易变性，因此为了避免模型选择，我们选择那些被其他所有属性依赖的属性，然后用这些属性构造若干1-依赖分类器，并将这些分类器对每个类别的预测集成起来。同时，为了避免由于样本少而导致概率估值不准确，只选择那些属性取值在训练样本中出现次数大于某个阈值的l-依赖分类器。另外，不同属性对分类结果的影响程度不同，利用属性权值参数的学习来提高分类性能，得到最终的分类器表达式：
Figure 552870DEST_PATH_IMAGE001
；     在分类过程中，则分步计算训练样本每个类别中每个属性的每个取值的概率及其估计
Figure 942263DEST_PATH_IMAGE002
、
Figure 774084DEST_PATH_IMAGE003
、
Figure 248927DEST_PATH_IMAGE004
、
Figure 89976DEST_PATH_IMAGE005
，代入分类器即可得到最终的分类结果。
具体地说，基于贝叶斯分类的传统气象数据与感知数据融合的方法，包括以下步骤：
步骤1，首先对数据进行预处理：针对训练样本和待分类样本，对各样本缺失的属性进行补齐和离散化，使各数据项标准化，以便继续其后的运算步骤；
步骤2，构造分类器：
步骤2.1，扫描所有训练样本, 设每个训练样本具有属性组
Figure 333875DEST_PATH_IMAGE006
，训练样本被分为c个类别
Figure 602177DEST_PATH_IMAGE007
。每个训练样本都具有类别，统计训练样本中, 类标签为
Figure 298737DEST_PATH_IMAGE008
（
Figure 677897DEST_PATH_IMAGE008
Figure 41882DEST_PATH_IMAGE009
Figure 481085DEST_PATH_IMAGE007
，k=1,2,…, c）, 属性
Figure 664942DEST_PATH_IMAGE010
（
Figure 847792DEST_PATH_IMAGE010
Figure 66284DEST_PATH_IMAGE009
Figure 676388DEST_PATH_IMAGE006
，i=1,2,…, n）取值为d的样本个数#( =d∧
Figure 68503DEST_PATH_IMAGE008
) , 形成属性
Figure 141502DEST_PATH_IMAGE010
下的取值d属于类别的样本数量统计表；
步骤2.2，概率参数学习：计算所有的先验概率P(
Figure 80956DEST_PATH_IMAGE010
=d|
Figure 593890DEST_PATH_IMAGE008
)，即在类别中属性
Figure 473302DEST_PATH_IMAGE010
的取值为d的概率, 每个属性值d的条件概率P(
Figure 119047DEST_PATH_IMAGE010
=d|)=
Figure 229402DEST_PATH_IMAGE011
   (k=1,2,…, c)；计算每个类别中每个属性的每个取值的概率及其估计、
Figure 485251DEST_PATH_IMAGE003
、
Figure 351707DEST_PATH_IMAGE004
、，
Figure 547513DEST_PATH_IMAGE004
和
Figure 167851DEST_PATH_IMAGE005
是
Figure 572418DEST_PATH_IMAGE002
和
Figure 329022DEST_PATH_IMAGE003
在训练数据集上的估计，由此形成各属性值的概率表，其中，
Figure 59211DEST_PATH_IMAGE012
是类别中的训练样本数量；
步骤2.3，权值参数学习：根据前述的数量统计表, 计算每个属性的权值
Figure 901265DEST_PATH_IMAGE013
，其中表示训练样本中属性的取值个数，
Figure 986213DEST_PATH_IMAGE015
为训练样本
Figure 621725DEST_PATH_IMAGE010
中取值为d的数量，由此生成各属性值的权值列表；
步骤2.4，按照ODAWNB方法构造出分类器：选择训练样本属性组中被其他所有属性依赖的属性，然后用这些属性构造若干1-依赖分类器，并将这些分类器对每个类别的预测集成起来，构造出分类算法公式：
Figure 951075DEST_PATH_IMAGE017
；
步骤3，利用步骤2中构造的分类器对待分类样本
Figure 963025DEST_PATH_IMAGE018
进行分类，将待分类样本
Figure 694220DEST_PATH_IMAGE018
作为输入参数，利用分类器进行计算，计算出一个类别，使得分类器得出的值最大。
作为本发明的一种改进方案，为了避免由于样本少而导致概率估值不准确，只选择属性取值在训练样本中出现次数大于某个阈值的l-依赖分类器，在步骤2.4中设定m是一个阈值，
Figure 500633DEST_PATH_IMAGE019
是属性
Figure 317280DEST_PATH_IMAGE010
取值为
Figure 867341DEST_PATH_IMAGE020
的训练样本的数目，如果存在i满足 
Figure 453043DEST_PATH_IMAGE021
，则提供分类计算公式：
Figure 695937DEST_PATH_IMAGE022
；如果不存在i满足
Figure 999879DEST_PATH_IMAGE021
，则使用朴素贝叶斯分类器。
作为本发明的一种改进方案，为进一步提高计算效率，在步骤1中对数据进行预处理时，对各属性值采用四舍五入取整的方法进行处理。
本发明提供的1-依赖分类器与属性加权相结合的贝叶斯分类改进算法—ODAWNB(One-dependence Attribute Weighted Naive Bayes)方法，有效地改进现有的朴素贝叶斯算法，分类准确率高，有效提高计算效率。同时，更进一步地避免了由于样本少而导致概率估值不准确产生的缺陷。
 
附图说明
图1是本发明的整体处理流程图。
图2是本发明方法训练样本的参数求解步骤图。
 
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图1，图2所示，本发明提供的传统气象数据与用户参与感知数据融合的方法，具体包括如下步骤：
步骤1，首先对数据预处理：需要处理的数据有训练样本和待分类样本
Figure 88052DEST_PATH_IMAGE018
，训练样本为大量的天气实例数据，待分类样本
Figure 793840DEST_PATH_IMAGE018
为需要进行分类判断的当前数据。
待分类样本数据包括传统数据信息和感知数据。例如，从雷达回波图解析到一个较大区域（如整个南京地区）的温度、风速、光照等信息为传统数据，一手机用户在南京市浦口区盘城镇通过手机外接的传感器获取到其所在位置的气压、湿度、辐射等信息为感知数据，那么将传统数据和感知数据两者有效融合起来，就能形成更有利、更准确的南京市浦口区盘城镇气象预报信息，精确判定该地区目前是否属于强风、暴雨等恶劣天气。
设每个训练样本具有属性组
Figure 942055DEST_PATH_IMAGE006
，训练样本被分为c个类别
Figure 733294DEST_PATH_IMAGE007
。每个训练样本都具有类别，针对上述训练样本和待分类样本，对各样本缺失的属性进行补齐和离散化，使各数据项标准化，以便继续其后的运算步骤；
步骤2，根据训练样本数据构造分类器：
步骤2.1，扫描所有训练样本, 设每个训练样本具有属性组
Figure 636876DEST_PATH_IMAGE006
，训练样本被分为c个类别
Figure 197171DEST_PATH_IMAGE007
。每个训练样本都具有类别，统计训练样本中, 类标签为（
Figure 781867DEST_PATH_IMAGE008
Figure 794822DEST_PATH_IMAGE009
Figure 490377DEST_PATH_IMAGE007
，k=1,2,…, c）, 属性（
Figure 660775DEST_PATH_IMAGE009
Figure 161027DEST_PATH_IMAGE006
，i=1,2,…, n）取值为d的样本个数#( 
Figure 394693DEST_PATH_IMAGE010
=d∧
Figure 929580DEST_PATH_IMAGE008
) , 形成属性下的取值d属于类别
Figure 843626DEST_PATH_IMAGE008
的样本数量统计表。
例如，南京市浦口区盘城镇的传统气象数据和感知数据构成属性组（温度，风速，光照，气压，湿度，辐射），它们对应
Figure 880983DEST_PATH_IMAGE023
，以属性
Figure 4797DEST_PATH_IMAGE010
为例，该属性为温度，温度有多个取值，如18°，19°，22°等。类别有{晴，多云，阴，小雨，中雨，暴雨}，它们对应
Figure 102197DEST_PATH_IMAGE024
。首先在训练样本中，统计每个属性下各取值在不同类别下的个数，例如各样本中属性温度分别为18°、19°、19°、 18°、22°，类别分别为中雨、多云、晴、多云、晴，则统计出训练样本中属性温度取值为18°时，类别为晴的个数为0，类别为多云的个数为1，类别为阴的个数为0，类别为小雨的个数为0，类别为中雨的个数为1，类别为暴雨的个数为0；训练样本中属性温度取值为19°时，类别为晴的个数为1，类别为多云的个数为1，类别为阴的个数为0，类别为小雨的个数为0，类别为中雨的个数为0，类别为暴雨的个数为0；训练样本中属性温度取值为22°时，类别为晴的个数为1，类别为多云的个数为0，类别为阴的个数为0，类别为小雨的个数为0，类别为中雨的个数为0，类别为暴雨的个数为0；由此形成属性组各取值在不同类别下的样本数量统计表。
步骤2.2，概率参数学习：计算所有的先验概率P(
Figure 577041DEST_PATH_IMAGE010
=d|
Figure 418089DEST_PATH_IMAGE008
)，即在类别中属性
Figure 661989DEST_PATH_IMAGE010
的取值为d的概率, 每个属性值d的条件概率P(
Figure 664711DEST_PATH_IMAGE010
=d|
Figure 626851DEST_PATH_IMAGE008
)=
Figure 6011DEST_PATH_IMAGE025
   (k=1,2,…, c)；计算出待分类样本在每个类别中每个属性的每个取值的概率及其估计
Figure 369996DEST_PATH_IMAGE002
、
Figure 543619DEST_PATH_IMAGE003
、
Figure 993055DEST_PATH_IMAGE004
、
Figure 175906DEST_PATH_IMAGE005
，例如天气为“晴”时温度为“22℃”的概率，形成各属性值的概率表。
其中，
Figure 128818DEST_PATH_IMAGE012
是类别
Figure 738922DEST_PATH_IMAGE008
中的训练样本数量。
步骤2.3，权值参数学习：根据前述的数量统计表, 计算每个属性的权值
Figure 410075DEST_PATH_IMAGE013
，其中
Figure 396617DEST_PATH_IMAGE014
表示训练样本中属性的取值个数，
Figure 469615DEST_PATH_IMAGE015
为训练样本中
Figure 250620DEST_PATH_IMAGE010
取值为d的数量。采取这种形式, 可以避免权值为0。在属性
Figure 409069DEST_PATH_IMAGE010
取值d的情况下, 如果某个类
Figure 922004DEST_PATH_IMAGE008
的实例数比较多, 将会获得较大的加权值。也就是说, 与类别关联较强的属性取值会获得较大的权重，获得各属性对分类结果的重要程度，由此生成各属性值的权值列表。
步骤2.4，按照ODAWNB方法构造出分类器：选择训练样本属性组中被其他所有属性依赖的属性，然后用这些属性构造若干1-依赖分类器，并将这些分类器对每个类别的预测集成起来。同时，为了避免由于样本少而导致概率估值不准确，只选择属性取值在训练样本中出现次数大于某个阈值的l-依赖分类器。设定m是一个阈值，用来控制条件概率估计的可靠性， 可以视历史情况而定，即m需要预先设定并能依据现实进行修改。如果存在i满足
Figure 849509DEST_PATH_IMAGE021
，则构造出如下对于待分类样本
Figure 260210DEST_PATH_IMAGE018
的分类算法公式：
Figure 572242DEST_PATH_IMAGE027
；其中，
Figure 370565DEST_PATH_IMAGE028
是属性
Figure 742641DEST_PATH_IMAGE010
取值为
Figure 626414DEST_PATH_IMAGE020
的训练样本的数目， 
Figure 742138DEST_PATH_IMAGE029
和
Figure 394967DEST_PATH_IMAGE005
是
Figure 750993DEST_PATH_IMAGE030
和
Figure 105751DEST_PATH_IMAGE031
在训练数据集上的估计。如果不存在i满足
Figure 775898DEST_PATH_IMAGE021
，则使用朴素贝叶斯分类器。
步骤3，利用步骤2中构造的分类器对待分类样本进行分类，调用前述概率表及属性权值列表, 利用步骤2中构造出的分类器对待分类样本
Figure 532501DEST_PATH_IMAGE018
进行分类，得出分类结果。 将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么本属性组就属于这个类别。
由于属性取值范围较广，为提高计算效率，在对数据进行预处理时，我们可以采用四舍五入取整的方法，例如24.7℃即取做25℃。
本发明方案所公开的技术手段不仅限于上述技术手段所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (3)

1.一种基于贝叶斯分类的传统气象数据与感知数据融合的方法，其特征在于，包括以下步骤：
步骤1，首先对数据进行预处理：针对训练样本和待分类样本，对各样本缺失的属性进行补齐和离散化，使各数据项标准化，以便继续其后的运算步骤；
步骤2，根据训练样本数据构造分类器：
步骤2.1，扫描所有训练样本, 设每个训练样本具有属性组                                                
Figure 560871DEST_PATH_IMAGE001
，训练样本被分为c个类别 
Figure 898574DEST_PATH_IMAGE002
；每个训练样本都具有类别，统计训练样本中, 类标签为
Figure 216292DEST_PATH_IMAGE003
（
Figure 292832DEST_PATH_IMAGE003
Figure 752075DEST_PATH_IMAGE002
，k=1,2,…, c）, 属性
Figure 924299DEST_PATH_IMAGE005
（
Figure 171741DEST_PATH_IMAGE005
Figure 665301DEST_PATH_IMAGE004
Figure 843342DEST_PATH_IMAGE001
，i=1,2,…, n）取值为d的样本个数#( 
Figure 620805DEST_PATH_IMAGE005
=d∧
Figure 801599DEST_PATH_IMAGE003
) , 形成属性
Figure 297302DEST_PATH_IMAGE005
下的取值d属于类别的样本数量统计表；
步骤2.2，概率参数学习：计算所有的先验概率P(
Figure 973320DEST_PATH_IMAGE005
=d|)，即在类别
Figure 30717DEST_PATH_IMAGE003
中属性
Figure 612877DEST_PATH_IMAGE005
的取值为d的概率, 每个属性值d的条件概率P(
Figure 364932DEST_PATH_IMAGE005
=d|
Figure 875811DEST_PATH_IMAGE003
)= 
Figure 80527DEST_PATH_IMAGE006
  (k=1,2,…, c)；计算每个类别中每个属性的每个取值的概率及其估计、
Figure 72940DEST_PATH_IMAGE008
、
Figure 754719DEST_PATH_IMAGE009
、，
Figure 636273DEST_PATH_IMAGE009
和是和在训练数据集上的估计，由此形成各属性值的概率表，其中，
Figure 856984DEST_PATH_IMAGE011
是类别
Figure 172559DEST_PATH_IMAGE003
中的训练样本数量；
步骤2.3，权值参数学习：根据前述的数量统计表, 计算每个属性的权值
Figure 461720DEST_PATH_IMAGE012
，其中
Figure 862746DEST_PATH_IMAGE013
表示训练样本中属性
Figure 394090DEST_PATH_IMAGE005
的取值个数，
Figure 564171DEST_PATH_IMAGE014
为训练样本中
Figure 24234DEST_PATH_IMAGE005
取值为d的数量，由此生成各属性值的权值列表；
步骤2.4，按照ODAWNB方法构造出分类器：选择训练样本属性组中被其他所有属性依赖的属性，然后用这些属性构造1-依赖分类器，并将这些分类器对每个类别的预测集成起来，构造出分类算法公式：
Figure 912555DEST_PATH_IMAGE015
；
步骤3，利用步骤2中构造的分类器对待分类样本
Figure 608110DEST_PATH_IMAGE016
进行分类，将待分类样本
Figure 22911DEST_PATH_IMAGE016
作为输入参数，利用分类器进行计算，计算出一个类别，使得分类器得出的值最大。
2.根据权利要求1所述的基于贝叶斯分类的传统气象数据与感知数据融合的方法，其特征在于：在步骤2.4中设定m是一个阈值，
Figure 704473DEST_PATH_IMAGE017
是属性
Figure 830823DEST_PATH_IMAGE005
取值为的训练样本的数目，如果存在i满足
Figure 786326DEST_PATH_IMAGE019
，则提供分类计算公式：
Figure 899776DEST_PATH_IMAGE020
；如果不存在i满足
Figure 451105DEST_PATH_IMAGE019
，则使用朴素贝叶斯分类器。
3.根据权利要求1或2所述的基于贝叶斯分类的传统气象数据与感知数据融合的方法，其特征在于：在步骤1中对数据进行预处理时，对各属性值采用四舍五入取整的方法进行处理。
CN201210312430.8A 2012-08-30 2012-08-30 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 Expired - Fee Related CN102956023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210312430.8A CN102956023B (zh) 2012-08-30 2012-08-30 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210312430.8A CN102956023B (zh) 2012-08-30 2012-08-30 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法

Publications (2)

Publication Number Publication Date
CN102956023A true CN102956023A (zh) 2013-03-06
CN102956023B CN102956023B (zh) 2016-02-03

Family

ID=47764803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210312430.8A Expired - Fee Related CN102956023B (zh) 2012-08-30 2012-08-30 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法

Country Status (1)

Country Link
CN (1) CN102956023B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345676A (zh) * 2013-06-20 2013-10-09 南京邮电大学 一种面向物资管理系统基于贝叶斯分类的缺失信息估计方法
CN104102875A (zh) * 2014-07-22 2014-10-15 河海大学 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统
CN104915879A (zh) * 2014-03-10 2015-09-16 华为技术有限公司 基于金融数据的社会关系挖掘的方法及装置
WO2016101182A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于贝叶斯网络和极限学习机的区间型指标预报方法
CN106021524A (zh) * 2016-05-24 2016-10-12 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN107274006A (zh) * 2017-05-23 2017-10-20 中国地质大学（武汉） 一种基于贝叶斯推断的多源气象风速融合方法
CN107403189A (zh) * 2017-06-30 2017-11-28 南京理工大学 一种基于朴素贝叶斯分类器的风偏闪络预警方法
CN108491877A (zh) * 2018-03-20 2018-09-04 国家气象中心 一种分类对流天气概率预报方法及装置
CN109240163A (zh) * 2018-09-25 2019-01-18 南京信息工程大学 用于工业化制造的智能节点及其控制方法
CN109495558A (zh) * 2018-11-06 2019-03-19 中国铁道科学研究院集团有限公司通信信号研究所 应用于城市轨道交通系统的车地多网融合无线通信方法
CN110737700A (zh) * 2019-10-16 2020-01-31 百卓网络科技有限公司 一种基于贝叶斯算法的进销存用户分类方法及系统
CN111859301A (zh) * 2020-07-23 2020-10-30 广西大学 基于改进Apriori算法和贝叶斯网络推理的数据可靠性评价方法
CN113240180A (zh) * 2021-05-18 2021-08-10 国网河南省电力公司电力科学研究院 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074824A1 (en) * 2002-08-22 2006-04-06 Jinyan Li Prediction by collective likelihood from emerging patterns
US20090262978A1 (en) * 2006-07-28 2009-10-22 Telespazio S.P.A. Automatic Detection Of Fires On Earth's Surface And Of Atmospheric Phenomena Such As Clouds, Veils, Fog Or The Like, Using A Satellite System
CN101719147A (zh) * 2009-11-23 2010-06-02 合肥兆尹信息科技有限责任公司 一种基于罗切斯特模型-朴素贝叶斯模型的数据分类系统
CN102081655A (zh) * 2011-01-11 2011-06-01 华北电力大学 基于贝叶斯分类算法的信息检索方法
CN102509155A (zh) * 2011-09-20 2012-06-20 北京大学 不确定性条件下流域污染物总量控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074824A1 (en) * 2002-08-22 2006-04-06 Jinyan Li Prediction by collective likelihood from emerging patterns
US20090262978A1 (en) * 2006-07-28 2009-10-22 Telespazio S.P.A. Automatic Detection Of Fires On Earth's Surface And Of Atmospheric Phenomena Such As Clouds, Veils, Fog Or The Like, Using A Satellite System
CN101719147A (zh) * 2009-11-23 2010-06-02 合肥兆尹信息科技有限责任公司 一种基于罗切斯特模型-朴素贝叶斯模型的数据分类系统
CN102081655A (zh) * 2011-01-11 2011-06-01 华北电力大学 基于贝叶斯分类算法的信息检索方法
CN102509155A (zh) * 2011-09-20 2012-06-20 北京大学 不确定性条件下流域污染物总量控制方法

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345676B (zh) * 2013-06-20 2016-06-15 南京邮电大学 一种面向物资管理系统基于贝叶斯分类的缺失信息估计方法
CN103345676A (zh) * 2013-06-20 2013-10-09 南京邮电大学 一种面向物资管理系统基于贝叶斯分类的缺失信息估计方法
CN104915879A (zh) * 2014-03-10 2015-09-16 华为技术有限公司 基于金融数据的社会关系挖掘的方法及装置
CN104102875A (zh) * 2014-07-22 2014-10-15 河海大学 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统
CN104102875B (zh) * 2014-07-22 2017-05-03 河海大学 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统
WO2016101182A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于贝叶斯网络和极限学习机的区间型指标预报方法
CN106021524B (zh) * 2016-05-24 2020-03-31 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN106021524A (zh) * 2016-05-24 2016-10-12 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN107274006A (zh) * 2017-05-23 2017-10-20 中国地质大学（武汉） 一种基于贝叶斯推断的多源气象风速融合方法
CN107403189A (zh) * 2017-06-30 2017-11-28 南京理工大学 一种基于朴素贝叶斯分类器的风偏闪络预警方法
CN107403189B (zh) * 2017-06-30 2020-06-05 南京理工大学 一种基于朴素贝叶斯分类器的风偏闪络预警方法
CN108491877A (zh) * 2018-03-20 2018-09-04 国家气象中心 一种分类对流天气概率预报方法及装置
CN109240163A (zh) * 2018-09-25 2019-01-18 南京信息工程大学 用于工业化制造的智能节点及其控制方法
CN109240163B (zh) * 2018-09-25 2024-01-02 南京信息工程大学 用于工业化制造的智能节点及其控制方法
CN109495558A (zh) * 2018-11-06 2019-03-19 中国铁道科学研究院集团有限公司通信信号研究所 应用于城市轨道交通系统的车地多网融合无线通信方法
CN110737700A (zh) * 2019-10-16 2020-01-31 百卓网络科技有限公司 一种基于贝叶斯算法的进销存用户分类方法及系统
CN111859301A (zh) * 2020-07-23 2020-10-30 广西大学 基于改进Apriori算法和贝叶斯网络推理的数据可靠性评价方法
CN111859301B (zh) * 2020-07-23 2024-02-02 广西大学 基于改进Apriori算法和贝叶斯网络推理的数据可靠性评价方法
CN113240180A (zh) * 2021-05-18 2021-08-10 国网河南省电力公司电力科学研究院 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法
CN113240180B (zh) * 2021-05-18 2022-08-05 国网河南省电力公司电力科学研究院 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法

Also Published As

Publication number Publication date
CN102956023B (zh) 2016-02-03

Similar Documents

Publication Publication Date Title
CN102956023B (zh) 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
US10936906B2 (en) Training data acquisition method and device, server and storage medium
CN103632168B (zh) 一种机器学习中的分类器集成方法
CN106408030B (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
Muszynski et al. Topological data analysis and machine learning for recognizing atmospheric river patterns in large climate datasets
Carlberg et al. Classifying urban landscape in aerial LiDAR using 3D shape analysis
Zohmann et al. Modelling habitat suitability for alpine rock ptarmigan (Lagopus muta helvetica) combining object-based classification of IKONOS imagery and Habitat Suitability Index modelling
CN103400391A (zh) 一种基于改进的随机森林的多目标跟踪方法及装置
Kunjumon et al. Survey on weather forecasting using data mining
Gagne et al. Classification of convective areas using decision trees
CN108664875A (zh) 基于图像识别的井下皮带运输监控方法
Lian et al. A proposed hybrid rainfall simulation model: bootstrap aggregated classification tree–artificial neural network (BACT-ANN) for the Langat River Basin, Malaysia
CN102867183A (zh) 一种车辆遗撒物检测方法、装置及智能交通监控系统
Li et al. A novel unsupervised Levy flight particle swarm optimization (ULPSO) method for multispectral remote-sensing image classification
Huang et al. Hyperspectral imaging for identification of an invasive plant Mikania micrantha Kunth
Salman et al. Weather forecasting using merged long short-term memory model
Park et al. Red tides prediction system using fuzzy reasoning and the ensemble method
Tao et al. Genetic algorithm-based method for forest type classification using multi-temporal NDVI from Landsat TM imagery
Reyana et al. Accelerating Crop Yield: Multisensor Data Fusion and Machine Learning for Agriculture Text Classification
CN108491719A (zh) 一种改进朴素贝叶斯算法的安卓恶意程序检测方法
CN116257792B (zh) 一种智慧城市碳中和数据分析系统
CN110955804B (zh) 一种针对用户时空数据行为检测的Adaboost方法
Matyasovszky et al. Estimating the daily Poaceae pollen concentration in Hungary by linear regression conditioning on weather types
Barnes et al. Identifying the origins of extreme rainfall using storm track classification
Vagh An investigation into the effect of stochastic annual rainfall on crop yields in South Western Australia

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160203

Termination date: 20180830

CF01 Termination of patent right due to non-payment of annual fee