基于聚类分析和关联规则的降雨分析与实现

论文摘要

随着数字图像处理技术的发展,多角度、深层次挖掘卫星云图数据信息已成为一种必然发展趋势,给气象卫星数据在气象常规业务中的应用带来了一场深刻的变革,过去那种定性分析的状况将得到彻底改变。数据挖掘技术发展趋势的多样化,使本文更加清楚的认识到数据挖掘技术的灵活性。随着信息时代的发展,目前技术将被广泛的融合,数据挖掘技术也不例外。本文将传统的图像处理工作与数据挖掘思想相结合,针对具有海量数据的遥感图像完成了一个初步的基于图像的数据挖掘系统模型。具体来说本文的研究内容及其贡献为：（1）图像特征的提取。根据卫星云图的特点应用了多种图像特征提取算法,包括图像的一、二阶距,分形维数特征和灰度梯度共生矩阵等算法。探讨了以各阶信息熵的概念表达,云图分析中的重要特征稠密度的可能性,突破了长期定性分析的状况。试验结果表明,信息熵对云团内部的纹理特征有极佳的检测效果。（2）基于卫星云图的聚类分析。本文是对聚类算法K-means的研究。首先阐述了聚类技术的相关概念。其次重点对K-means算法进行了分析研究,K-means算法是一种基于划分的聚类算法,它把n个对象划分成K个类,其中的聚类数目K是输入参数。该算法是通过不断地迭代来进行聚类,当算法收敛到一个结束条件时,就终止迭代过程,输出一个聚类结果。本文针对聚类个数K的确定、初始K个聚类中心的选定作了改进,给出了K-means的改进算法。算法的出发点是确保发现聚类中心的同时使同一类内的相似度大,而不同类之间的相似度小（3）基于卫星云图的关联规则挖掘。大量的卫星云图和丰富的地面雨量记录为进行关联规则挖掘提供了原始素材。云图的数据量非常巨大,经典的关联规则挖掘算法Apriori算法无法满足效率需求。为此,文中又引入了“事务模式”这一全新概念,基于它对Apriori算法改进后,算法用于云图和雨量数据间的关联规则挖掘,不仅获得了较好的实验结果,也满足了效率需求。本课题以研究卫星云图的分析和挖掘的新理论和方法为目的,探讨解决利用卫星云图进行降雨预测的新方法,具有广阔的研究前景,在科学探讨和应用方面都具有非常重要的意义。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 问题的提出与研究的目的与意义
• 1.1.1 问题的提出
• 1.1.2 研究目的与意义
• 1.2 研究目标与相关研究领域及其发展现状
• 1.2.1 研究目标
• 1.2.2 相关研究领域及其发展现状
• 1.3 本文主要工作与结构
• 1.3.1 主要工作
• 1.3.2 本文结构
• 第2章 图像挖掘技术与聚类分析
• 2.1 卫星云图和数据挖掘
• 2.1.1 卫星云图简介
• 2.1.2 云的特征和分类
• 2.1.3 数据挖掘
• 2.1.4 数据挖掘的分类
• 2.2 图像挖掘技术
• 2.2.1 图像挖掘的概念
• 2.2.2 图像挖掘模式
• 2.2.3 图像挖掘的方法与技术
• 2.3 聚类分析
• 2.3.1 聚类分析的定义
• 2.3.2 聚类分析的过程
• 2.3.3 聚类分析算法的分类
• 2.3.4 图像聚类
• 2.4 K-means算法
• 2.4.1 K-means算法阐述
• 2.4.2 K-means算法缺陷分析
• 2.4.3 K-means的改进
• 2.5 本章小节
• 第3章 图像关联规则挖掘分析
• 3.1 关联规则挖掘
• 3.1.1 基本概念和问题描述
• 3.1.2 关联规则的算法
• 3.1.3 Apriori算法内容
• 3.1.4 Apriori的改进算法
• 3.2 图像关联规则挖掘
• 3.2.1 图像关联规则挖掘的概念
• 3.2.2 图像数据挖掘的特点
• 3.2.3 图像数据挖掘关联规则的类型
• 3.2.4 图像数据挖掘前的数据预处理
• 3.3 本章小结
• 第4章 实验结果与分析
• 4.1 实验的准备
• 4.1.1 数据准备
• 4.1.2 图像数据的准备
• 4.1.3 图像特征的提取
• 4.2 聚类实验结果与分析
• 4.3 关联规则挖掘实验与分析
• 4.3.1 数量属性的分区方法
• 4.3.2 卫星云图和降雨关系的关联规则挖掘
• 4.3.3 基于"事务模式"的支持度计算方法
• 4.4 本章小节
• 第5章 总结和展望
• 5.1 总结
• 5.2 存在的问题和展望
• 致谢
• 参考文献