[发明专利]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

说明书

 

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。