[发明专利]一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法

权利要求书

1.一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法，其特征在于，首先，考虑到大气运动因素对沙尘暴产生的影响，建立基于卷积神经网络算法的沙尘暴预测模型，考虑到地面气象因素对沙尘暴产生的影响，建立基于朴素贝叶斯算法的沙尘暴预测模型，然后，运用多目标算法，对两个模型进行归一化，得到基于改进的NaiveBayesian-CNN多目标分类算法的沙尘暴预测模型，最后，利用归一化得到的模型，求解在考虑地面气象因素和大气运动因素情况下的沙尘暴发生概率。

2.根据权利要求1所述基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法，其特征在于，所述基于卷积神经网络算法建立沙尘暴预测模型的建立流程如下：

步骤1：对红外卫星云图进行标记，并制作数据源；

步骤2：设置卷积神经网络拓扑结构及超参数；

步骤3：用训练集训练神经网络，建立预测模型；

步骤4：用测试集测试预测模型，分析预测模型预测准确率。

3.根据权利要求2所述基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法，其特征在于，所述步骤1中，卫星云图源自中国陆地区域云图(IR1)，先将卫星云图格式转化为PNG，然后从中国强沙尘暴序列及其支撑数据集中找出站点数据，基于单站强沙尘暴标准，对查找出的站点数据进行分析，以三十分钟为间隔，利用Hash函数对各个站点沙尘暴发生时间序列进行离散，分析各个时间点上沙尘暴等级，统计并分析所有站点在各个时间点上发生沙尘暴的最大强度，以时间为基准标记该时刻卫星拍摄的卫星云图，制作lmdb数据源，其中所述站点数据包括区站号、经度、纬度、年份、月份、日期、沙尘暴天气现象代码、沙尘暴开始时间、沙尘暴结束时间、能见度、十分钟平均最大风速、风向、极大风速。

4.根据权利要求2所述基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法，其特征在于，所述步骤4中，测试流程为：

步骤4.1：输入带标签的测试集数据；

步骤4.2：输出预测值；

步骤4.3：比较预测值和实际值，统计预测准确率；

步骤4.4：根据经验值设置预测准确值所处区间合理范围；

步骤4.5：分析实验结果。

5.根据权利要求1所述基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法，其特征在于，所述基于朴素贝叶斯算法建立沙尘暴预测模型的建立流程如下：

步骤1：确定所有待分类数据的特征属性：本站气压-平均本站气压、气温-平均气温、相对湿度-平均相对湿度、降水-20-20时累计降水量、蒸发-小型蒸发量、风向风速-平均风速、日照时数-日照时数、0cm地温-平均地表气温，其中，符号-的前面表示数据集名称，后面表示数据集中的一个有代表性的属性；

步骤2：生成分类器，计算每个特征属性在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录，计算公式如下：

步骤3：使用分类器对待分类项进行分类，求得P(x|y_i)P(y_i)的最大值的y_i作为x所属的类别，其中x＝{a₁,a₂...,a_m}为一个待分类项，而每个a_m为x的一个特征属性，具体包括气压、气温、降水量、蒸发量、相对湿度、风向风速、日照时数和0cm地温要素，类别集合C＝{y₁,y₂...,y_n}，而每个y_n为C的一个特征属性，即沙尘暴等级5、4、3、2、1。

6.根据权利要求5所述基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法，其特征在于，所述待分类数据包括气压、气温、降水量、蒸发量、相对湿度、风向风速、日照时数和0cm地温要素。

7.根据权利要求1所述基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法，其特征在于，运用多目标算法，对两个模型进行归一化，计算公式如下：

P＝αP(X)+(1-α)P(Y)(0<α<1)

其中P(X)为测试数据输入到基于卷积神经网络建立预测模型，计算得出的沙尘暴发生概率；P(Y)为测试数据输入基于朴素贝叶斯算法建立预测模型，计算得出的沙尘暴发生概率；α为权重因子，α根据模型预测准确率确定，如果该模型预测准确率高，那么对应概率所赋予的权重就大，反之，则低。