当前位置:首页>> >>


基于SVM分类器的动作识别系统毕业设计(论文和源码).rar

收藏

资源目录
    文档预览:
    编号:20180825165138648    类型:共享资源    大小:61.88MB    格式:RAR    上传时间:2018-08-25
      
    60
    金币
    关 键 词:
    基于 SVM 分类 动作 识别 系统 毕业设计 论文 源码
    资源描述:
    分类号 TP151 密级 公开 重庆邮电大学硕士学位论文 论文题目 基于 SVM 的不平衡数据分类方法及在雷电 潜势预报中的应用 英文题目 Imbalanced Data Classification Method Based on SVM and Its Thunderstorm Potential Forecast 硕士研究生 唐 海 指导教师 唐贤伦 教授 学科专业 系统工程 论文提交日期 2013-4-26 论文答辩日期 2013-5-26 论文评阅人 蔡林沁 副教授 王东 副教授 答辩委员会主席 韦鹏程 教授 2013 年 5 月 26 日 重庆邮电大学硕士论文 摘要 I 摘 要 雷电是伴有闪电和雷鸣的一种放电现象。雷电因其巨大的破坏力,严重威胁着人民生命财产的安全和社会安全稳定的发展,已被人们列为最严重的十大自然灾害之一。雷电天气是高空中很多气象因子相互作用的结果,其预测涉及到很多相关信息,到目前为止还没有一个非常准确的数学模型可以描述。因此,寻找一种数学方法来建立可靠而准确的预测模型是解决雷电天气预测的关键。 本文在分析雷电原理及其发生规律的基础上,使用支持向量机(Support vector machine,SVM)改进算法与 SMOTE 过采样相结合的综合方法建立雷电潜势预测模型。由于在 SVM 分类问题中,常常会出现训练数据样本不平衡问题,引起分类准确率大大降低,本文针对所采集有雷电和无雷电样本数据的不平衡问题,提出了基于 SMOTE 过采样和改进 SVM 的数据分类方法,对雷电数据样本集预处理,并利用重庆地区雷电天气发生机制及SVM 在解决非线性问题中的优势,建立了重庆地区雷电天气预测模型。 最后,在建立雷电潜势预测模型的基础上,利用 Visual Studio 2010 与Sql Server 2005 数据库平台,使用 C#语言开发了重庆地区雷电潜势预报系统。本系统主要由登录模块、基础信息模块、数据预处理模块、建模模块、手动预测模块及自动预测模块等组成。系统可根据当天的天气数据信息,经建立的模型分析,计算出重庆各地区未来二十四小时的雷电情况,并直观、清晰地显示在软件的预测模块界面上。实验结果表明,基于 SMOTE过采样和改进 SVM的数据分类方法不仅拥有很好的解决 SVM分类问题中由于样本数据的不平衡引起分类性能降低的能力,而且在雷电天气预测中取得了良好效果,已投入业务试应用。 关键词:支持向量机,数据不平衡,潜势预报,SVM 分类,雷电预测 重庆邮电大学硕士论文 Abstract II Abstract Thunderstorm is a discharge phenomenon accompanied by lightning and thunder. Because it has a huge destructive power, the thunderstorm has been classified as the most serious one of 10 natural disasters. The thunderstorm are the result of the interaction of high altitude meteorological factors, the prediction involves a lot of information, so far there is not a very accurate mathematical model can be described. Therefore, finding a mathematical method to create a reliable and accurate model is the key to solve the thunderstorm weather prediction. In this paper, the analysis of thunderstorm principle and law on the basis of improved algorithm based on support vector machine (SVM) SMOTE over-sampling method to establish the thunderstorm potential prediction model. Often appear in SVM classification problem, the training data samples imbalance, causing the classification accuracy rate is much lower, In this paper, supplement to the imbalance of the thunderstorm and no thunderstorm samples, SMOTE over-sampling method and SVM improved algorithm combining an integrated approach, pretreatment of the sample set of thunderstorm data, and Chongqing thunderstorm mechanisms and the advantage of SVM to solve the non-linear problem, establishing the thunderstorm weather forecast model of Chongqing. Finally, in the establishment of thunderstorm potential prediction model based on VS2010 and SQL database platform, Developed Chongqing thunderstorm potential prediction system using C # language . The system consists of a login module, basic module, data preprocessing module, a key modeling module, prediction module manually and automatically prediction module. According to weather data of the day, the model analysis to calculate the Chongqing region in the coming 24 hours thunderstorm, and intuitive, clearly show the prediction module in the software interface. By many experiments and actual business applications, the results show that the improved algorithm based on the SVM SMOTE over-sampling method not only has a good solution to the problem of unbalanced data, and achieved good results in thunderstorm weather forecast. Key words:support vector machine, unbalanced data, potential forecast, SVM classifier, thunderstorm prediction重庆邮电大学硕士论文 目录 III 目 录 摘 要..................................................................................................I Abstract .............................................................................................II 目 录................................................................................................III 第一章 绪论.......................................................................................1 1.1 研究背景及意义....................................................................1 1.2 国内外研究动态....................................................................2 1.3 论文结构 ...............................................................................3 第二章 支持向量机理论基础.............................................................5 2.1 引言.......................................................................................5 2.2 统计学习理论........................................................................5 2.2.1 机器学习原理 ..............................................................5 2.2.2 VC 维............................................................................6 2.2.3 结构风险最小化...........................................................7 2.2.4 常用分类算法 ..............................................................7 2.3 支持向量机..........................................................................10 2.3.1 支持向量机原理.........................................................10 2.3.2 核函数........................................................................14 2.4 支持向量机的应用 ..............................................................15 2.5 本章小结 .............................................................................16 第三章 不平衡数据分类方法...........................................................17 3.1 不平衡数据对 SVM 的影响.................................................17 3.2 不平衡问题分类基础...........................................................17 3.3 不平衡问题分类方法...........................................................18 3.3.1 数据层的处理方法.....................................................18 3.3.2 SVM 算法层的改进方法 .............................................18 3.3.3 数据层与算法层相结合的综合方法 ...........................19 3.4 基于谱聚类欠采样和改进 SVM 的数据分类方法................19 3.5 基于 SMOTE 过采样和改进 SVM 的数据分类方法.............20 3.6 不平衡问题评估指标...........................................................22 3.7 本章小结 .............................................................................23 第四章 构建雷电预测模型...............................................................24 重庆邮电大学硕士论文 目录 IV 4.1 天气预测基础......................................................................24 4.2 雷电发生机制......................................................................24 4.3 天气数据准备......................................................................26 4.3.1 气象要素及数据说明 .................................................26 4.3.2 样本数据....................................................................29 4.4 预处理.................................................................................31 4.4.1 预处理常用方法.........................................................31 4.4.2 样本数据预处理.........................................................31 4.5 影响因子选择......................................................................33 4.6 构建样本集及核函数...........................................................34 4.7 建立预测模型......................................................................35 4.8 实验分析 .............................................................................35 4.9 本章小结 .............................................................................38 第五章 雷电预报系统软件开发 .......................................................39 5.1 引言.....................................................................................39 5.2 软件系统 .............................................................................40 5.2.1 软件系统主要功能.....................................................40 5.2.2 系统开发环境 ............................................................43 5.2.3 最小硬件要求 ............................................................43 5.3 系统操作说明......................................................................43 5.3.1 软件工作界面 ............................................................43 5.3.2 预报结果输出 ............................................................49 5.4 本章小结 .............................................................................50 第六章 结论及未来的工作...............................................................51 6.1 结论.....................................................................................51 6.2 工作展望 .............................................................................52 致 谢..............................................................................................53 参考文献 ..........................................................................................54 附录 攻读硕士学位期间专利申请与科研工作.................................57 重庆邮电大学硕士论文 绪论 1 第一章 绪论 1.1 研究背景及意义 我国是一个自然灾害发生较多的国家,这些与我国的地理位置有着不可分割的关系,雷电发生的破坏力给人类社会带来非常严重的灾难,雷电灾害频繁发生,以致我国国民经济受到的危害日趋严重。据统计,1997 年至 2008 年间,我国因雷击所造成的直接经济损失超过 100 万元的事故有390 多起,每年全世界因为雷击所造成的人员伤亡达上千人之多。1987 年联合国将 1990 到 2000 年定为“国际减轻自然灾害十年”时,将雷电灾害列为最为严重的十大自然灾害之一[1],并被国际电工委员会(IEC)确定为“电子化时代的一大公害”。随着科技发展的日新月异,微电子器件的广泛应用、航天发射及信息技术的快速发展,雷电灾害所带来的经济损失及社会影响越来越大。每年全球因为雷击而导致的伤亡、火灾、爆炸,信息系统瘫痪等突发事故频繁发生,严重的威胁着人民生命财产的安全和社会安全稳定的发展,人们对雷电的预警预报及防雷减灾的需求也变得越来越迫切[2]。 重庆市位于青藏高原东面四川盆地东部,地处四川盆地与江汉平原的过渡地带,境内地势由西向东逐步升高,西部属浅丘或深丘地区,东部为山区,山川纵横交错,地形崎岖,高差悬殊。嘉陵江、涪江、乌江南北汇流于长江东去,长江主航道横穿重庆东西 500 多公里,是三峡库区最主要的城市。由于复杂的地形影响和青藏高原大地形的共同作用,再加上盆地效应,东亚季风气候突出,气象灾害种类多、发生的频率高、突发性强。雷电、洪涝、大风、雾害、崩塌、滑坡、泥石流等自然灾害一年四季交替发生,给工农业生产、交通运输和人民生命财产造成巨大损失。特别是雷电灾害的发生,影响范围广、强度大,加上重庆高层建筑多,地势高,雷电灾害的影响面将日益增加,造成的损失也将进一步加重。 因此,准确及时地预测出雷电天气,对经济建设、保护人民生命财产安全具有十分重要的意义,有利于提高全民防雷减灾意识,同时也是制定科学合理的雷电防护技术路线的重要依据。 重庆邮电大学硕士论文 绪论 2 1.2 国内外研究动态 由于雷电现象是一种强对流的天气现象,雷电天气的形成较为复杂,其形成受到大气环流、气象要素、地理、地势、地貌、地质及设备设施等许多因素的影响,而且雷电天气形成非常短暂,因此对于雷电的预测产生了极大的困难。目前,我国雷电灾害的预警预报技术和方法的研究正处于起步阶段,还没有一套成熟的可用来对雷电进行预测的业务产品。现阶段对于雷电的预警预报,一般只能通过大电场仪或雷电监控设备进行前2小时的潜势预测,而2个小时以上的预测准确率就会下降非常厉害。随着气象探测技术、数据挖掘技术的不断发展加上各种气象数据资料和经验的慢慢积累,人们也开始不断地试着应用各种数据挖掘学习方法来解决这一难题。数值天气预报方法是目前全球气象业务上广泛使用的方法,它是在天气动力学的基础上建立数学模型,对天气形成过程进行数学模拟来预测未来的一定时期内的天气情况[3]。数值天气预报方法,主要包括以下几种:①模式输出统计法(MOS方法);②物理量和指数诊断分析法;③卡尔曼滤波法。这3种方法主要是以线性处理技术为主,而且需要保证天气模型的准确性,而雷电天气是由很多气象因素互相作用的结果,是一种比较复杂的非线性的天气现象。 在国内,由于雷电研究起步较晚,目前主要还是从雷电发生的大气电学特性上来分析雷电,主要是通过研究员的研究经验,然后对雷暴的雷达回波进行相关性分析再判断雷电发生情况,这样的预测就导致了不能拥有较高的预测准确率。因此,在雷电预警预测方面我国的研究相对还比较落后,基本上没有开展有针对性的雷电预测业务。 而在国外,Robet等人改变传统的学习方法,利用改进的人工神经网络方法,研究天气预测,取得了一定的研究成果。我国的胡江林等人把神经网络用于湖北汛期降水量预报中,再用人工神经网络建立降水量等级预报模型,完成了人工神经网络在中期降水预报中的应用[4]。但是,由于神经网络的方法本身有一定缺陷,在将其应用在气象领域中时存在网络结构问题、过学习或欠学习问题以及易陷入局部极小值问题等。 统计学习理论是Vapnik等人针对小样本情况下机器学习规律所建立的理论,而 SVM 就是在这一理论基础上发展而来的新的学习方法。在 1995年 Cortes 和 Vapnik 率先提出了 SVM,它能够非常好的解决非线性及高维数的问题,并能够广泛地应用到函数拟合等其他的机器学习问题中。SVM是利用结构风险最小化原理来提高其泛化能力,基本算法是一个凸二次优重庆邮电大学硕士论文 绪论 3 化问题,这种算法在很好地处理非线性和高维数等问题的同时,还能确保其解是全局最优解,而且问题的复杂度与维数无关[5]。 SVM 是基于结构风险最小化原则产生的,其分类和泛化能力都优于人工神经网络算法,因此 SVM 已经变成了数据挖掘及分类预测领域的研究热点。目前,SVM 方法已经在数据挖掘、人工智能、军事及经济等许多领域都得到了广泛的应用。而陈永义和冯汉中率先将 SVM 引入了气象领域,在解决气象数据的非线性和高维数等特征时取得了良好的效果。 1.3 论文结构 本文以气象预测为背景,以不平衡分类问题研究与其实际业务应用为目的,在从重庆市气象局搜集到了各种雷电监测定位网的数据资料之后,建立了一个较为完善的雷电资料数据库,然后在改进的SVM分类算法基础上采用SMOTE过采样方法、局部平均值补遗漏值方法等进行不平衡数据预处理,再利用处理后的雷电数据通过改进的SVM算法建立雷电潜势预测模型,最后开发了拥有可视化界面的重庆地区雷电潜势预报系统,可预报重庆市34个区县未来24小时的雷电发生情况。通过实验对比以及实际业务试运行,证明了本文采用的基于SVM的不平衡数据分类方法在雷电潜势预报预警中拥有非常不错的效果,有一定的实用价值。 本论文共分六章,各章的主要内容安排如下: 第一章 简单地介绍了雷电天气的危害和防雷减灾的必要性,并分别介绍了目前国内外在天气预测领域的主要方法,最后提出了专门解决非线性和高维数问题的 SVM 分类方法,并分析了 SVM 应用于雷电天气的可行性; 第二章 介绍了统计学习理论的相关基础知识,包括机器学习原理、VC 维概述、结构风险最小化原理等,然后分析了几种常见的分类算法,包括决策树算法、神经网络算法以及 SVM 算法,在三种算法相互对比之后,详细分析了 SVM 算法的数学原理及其在各种领域的相关应用; 第三章 首先针对不平衡数据问题,分析了其对 SVM 算法的影响,然后介绍了不平衡数据集的分类基础和分类方法,并分别分析了两种不同的与 SVM 改进算法相结合的采样方法,最后介绍了处理不平衡数据问题的各项评估指标;
    展开阅读全文
    1
      金牌文库所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论,赶快抢占沙发吧。

    关于本文
    本文标题:基于SVM分类器的动作识别系统毕业设计(论文和源码).rar
    链接地址:http://www.gold-doc.com/p-97679.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们
    copyright@ 2014-2018 金牌文库网站版权所有
    经营许可证编号:浙ICP备15046084号-3
    收起
    展开