买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：沈阳工业大学

摘要：一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法，该方法包括如下步骤：第一步：获取与大雾预测相关的实时系统中某时刻实际气象要素属性数据；第二步：对第一步中的数据进行预处理；第三步：结合Wrapper方法与SVM方法对第二步中预处理后的数据进行主要特征属性分析，得出不同预警时间影响影响雾预测的主要特征属性数据；第四步：将第三步中的主要特征属性数据输入至不同预警时间的SVM模型中，得到该数据在不同短时邻近时刻是否出雾情况。本发明建立的基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法能够准确地对大雾进行预测，且应用于开发系统中；在分析出不同预警时间影响雾预测主要特征属性的同时，加快预报量和预测准确率。

主权项：1.一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法，其特征在于：该方法包括如下步骤：第一步：获取与大雾预测相关的实时系统中某时刻实际气象要素属性数据；第二步：对第一步中的数据进行预处理；第三步：结合Wrapper方法与SVM方法对第二步中预处理后的数据进行主要特征属性分析，得出不同预警时间影响影响雾预测的主要特征属性数据；第四步：将第三步中的主要特征属性数据输入至不同预警时间的SVM模型中，得到该数据在不同短时邻近时刻是否出雾情况；第四步中的不同预警时间的SVM模型构建方法如下：一、获取与大雾预测相关的原始气象要素属性数据集；二、根据相关方法处理并标注原始数据集，获得与雾预测相关的全部特征属性数据，建立不同预警时间的雾预测训练数据，它们的属性名称均一致；三、结合Wrapper方法与SVM方法对二步骤中的不同预警时间的雾预测训练数据进行主要特征属性分析，得出不同预警时间影响雾预测的主要特征属性数据；四、将三步骤中得到的不同预警时间影响雾预测的主要特征属性数据输入至SVM方法中进行训练得到不同预警时间的SVM方法模型；所述的一种结合Wrapper和SVM的方法是将对应预警时间的雾预测训练数据的全部属性形成的属性集划分为不同的子集，对不同子集对应的数据输入到对应预警时间的SVM模块中进行拟合，通过比较，得到对应预警时间最优拟合效果的属性子集，并作为影响雾预测主要特征属性；其中Wrapper方法是将指定预警时间雾预测样本数据的全部属性形成的属性集通过子集生成器生成多个雾预测属性子集组合，对每个雾预测属性子集找出最优子集组合的方法，表达式如1所示；SVM方法将指定预警时间Wrapper子集生成器生成的属性子集对应的数据带入，对每一属性子集对应的数据通过迭代的方式进行拟合，返回每一属性子集组合拟合度效果值，定义的具体拟合度的公式如下式2所示；通过俩种方法的结合及引入正则化约束方法的思想得出最优拟合度对应的雾预测特征属性子集；其根据结合方法求出的具体最优子集的公式如下式3所示；其子集对应指定预警时间主要影响雾预测的特征； 式中T表示不同的雾预测属性组合构成的集合，xt为不同属性子集对应的数据，t表示T中的雾预测属性子集，M表示为不同雾预测时间样本的个数，N表示为该结合方法的迭代次数，b表示为SVM方法中超平面的截距，Jxt,w为SVM方法拟合度函数，w为由各属性系数构成的向量；λ为平衡拟合度和正则化的因子，λ∈[0,1]；||w||2表示系数向量W的二次范数式；步骤四中不同预警时间影响雾预测的主要特征属性数据输入至SVM方法中进行训练得到不同预警时间的SVM方法模型具体步骤为：将不同预警时间结合Wrapper和SVM的分析出的雾预测主要特征对应的训练数据作为SVM模型的输入，即针对不同预警时间的输入数据，分别使用SVM方法对其输入数据进行训练，输出为各预警时间SVM方法的决策函数；其中SVM方法采用的核函数为线性函数，优化最小间隔采用的是拉格朗日对偶问题方法；对偶问题的SVM方法的决策函数如4所示： 式中a表示阈值时间，sign函数为签名函数，ai为拉格朗日对偶系数，xi为经过Wrapper方法得到的属性对应数据，yi为训练数据标签，x为数据输入，b为SVM决策平面中的平面截距。

全文数据：

权利要求：

百度查询： 沈阳工业大学 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法