基于模糊粗糙集的氣象預測CBR系統(tǒng).pdf

1、災害性天氣的預報和警示在人們的生產、生活中具有舉足輕重的地位。天氣的歷史數(shù)據(jù)和預報員的經驗往往對氣象預測的結果起著重要作用,通常預報員可以根據(jù)當前的天氣情況和歷史上相似的天氣進行比較,從而對當前的天氣進行預測。因此如何建立一個包含預報員經驗總結、歷史天氣范例分析、歷史天氣檔案等各種信息的綜合天氣范例庫,并在此基礎上對綜合天氣范例庫的簡化、相似檢索等方面進行研究,具有重要的理論意義和工程實用價值。
　　 本文將模糊粗糙集理論應用于

2、范例推理(CBR,Case Based Reasoning)系統(tǒng)中,對范例檢索過程中的屬性約簡算法、權重分配算法、以及相似檢索算法都做了詳細的分析與深入探討,在此基礎上,設計并實現(xiàn)了一個基于模糊粗糙集的氣象預測CBR系統(tǒng)。
　　 本文的主要工作如下:
　　 1.介紹范例推理和模糊粗糙集的相關理論知識,并對其中的核心技術進行詳細的分析和比較。
　　 2.深入探討屬性約簡和權重分配算法,并對傳統(tǒng)的屬性約簡算法的不足:

3、如適用范圍較小,約簡后仍存在冗余等問題進行深入的研究,給出一種基于模糊粗糙集的屬性約簡和權重分配算法。該算法以模糊相似關系代替經典粗糙集中的等價關系,在模糊環(huán)境下重新定義了屬性重要度的概念,擴大了算法的適用范圍,并且將權重確定問題轉化為模糊粗糙集理論中屬性重要性的評價問題,在一定程度上克服了傳統(tǒng)權重確定主觀性太大的不足,實驗結果表明,該方法是有效的。
　　 3.范例檢索與匹配是實現(xiàn)范例推理的關鍵,本文利用最近相鄰算法和相似度量理