论文部分内容阅读
环境气象与我们的生产和生活息息相关,气象在给我们带来便利的同时,也带了一些负面影响,如雷暴灾害。雷暴灾害作为对我们生活影响最广泛的气象灾害之一,时刻威胁着人们的生命和财产安全。因此,如何合理利用历史的雷暴灾害数据,来发现气象数据中蕴含的潜在信息,并根据合适的气象因子进行准确的雷灾预测已然成为科学研究的重点。目前,雷灾文本聚类方法仍然存在着由于聚类结果不可靠而导致无法从中挖掘出更深层次信息的问题;且雷灾预测方法存在预测准确度低和预测算法时间复杂性高等问题。因此,针对以上问题,本文开展了基于增强灰狼优化算法的雷灾文本聚类与预测的相关研究,课题主要研究内容如下:(1)针对雷灾文本聚类问题,提出了基于增强灰狼优化算法的K-Means雷灾文本聚类算法,该算法对雷灾类型进行类别划分并提出有效处理策略,克服了传统K-Means算法聚类结果不准确的缺点。首先将雷灾文本数据通过文本向量化操作转换为数值型数据;其次利用免疫克隆操作从灰狼种群中选出精英个体以组成精英种群,并对该种群执行变异操作以丰富精英灰狼个体特征,减少增强灰狼优化算法过早收敛的可能;然后在精英灰狼个体位置调整中融入粒子群位置更新思想来考虑单个精英灰狼个体的位置信息;最后用增强灰狼优化算法来寻找K-Means算法的最优聚类中心进行文本聚类分析。仿真表明,所提算法与已有算法相比具有更好的聚类准确度、召回率和F值,文本聚类效果更具有参考性。因此,利用该算法进行雷灾文本聚类的研究,可以更好的发现雷灾文本中蕴含的信息。(2)针对雷灾预测问题,提出了基于增强灰狼优化算法优化BP神经网络的雷灾预测模型,解决了传统雷灾预测方法预测结果不准确的问题。首先,初始化BP神经网络的权值及阈值,并将该权值和阈值设定为灰狼种群中的每个灰狼个体;其次,规定增强灰狼优化算法的适应度函数为BP神经网络的均方差,并利用增强灰狼优化算法对灰狼个体进行寻优以得到最适合的权值和阈值;最后,用该权值和阈值构建网络模型进行网络训练,并用经典的UCI数据集对增强灰狼优化算法优化BP神经网络模型的算法性能进行评估。仿真表明,较原BP算法及常见改进的BP算法,本文所提算法收敛速度更快,同时该算法准确性较高、稳定性较好;最后利用真实的雷灾数据在该算法基础上进行雷灾预测,结果表明所提算法有更高的雷灾预测准确率和更低的空报率。