基于神经网络和模型集成的短时降雨预测方法

为了得到更精准的短时降雨预测结果,提出了一个基于神经网络的预测模型,可通过多普勒雷达图像序列预测某区域36min内的降雨概率。通过对神经网络和传统光流法的对比分析,还提出了一种结合了两种方法各自优点的集成预测模型。集成模型学习到了更丰富的降雨带变化模式。在一个包含多地、多月真实雷达数据的大规模数据集上的实验表明,神经网络模型实现了具有较高精度的短时降雨预测,且集成模型在整体的预测性能上有明显改进。

基于改进联合聚类的网速正常范围判定方法

网络速度正常范围与异常范围边界的判定问题是一个亟需解决的关键问题。由于数据的无标签特性,该问题适合采用无监督学习方法来解决。但由于各自的缺点与局限性,常见的聚类方法不适合直接应用于该判定问题。因此,文章基于无监督学习中的划分K-Means聚类与层次聚类方法,并进行了一定的结合与改进,提出了一种基于联合聚类方法的应用于网速正常范围判定问题的方案。经实验证明,文中的方案有效地实现了针对不同目标网速正常范围的自动发掘。