隨著資源危機(jī)日益嚴(yán)重和全球氣候變暖,建筑能耗作為一個(gè)重要的誘因也受到越來越多的關(guān)注,綠色建筑已成為建筑設(shè)計(jì)的必然趨勢。綠色建筑的設(shè)計(jì)需要考慮當(dāng)?shù)貧夂蛱卣鞯挠绊?在綠色建筑節(jié)能設(shè)計(jì)平臺中搭建建筑節(jié)能基礎(chǔ)數(shù)據(jù)庫,查詢每個(gè)臺站的氣候特征和建筑設(shè)計(jì)參數(shù)是非常必要的。在過去的幾十年中,氣象部門積累了大量的數(shù)據(jù),為氣候分析和建筑設(shè)計(jì)提供了依據(jù),而由于軟件記錄失誤或采集器采集錯(cuò)誤等,在氣象數(shù)據(jù)中存在異常值或缺失值的情況。顯然,用人工的方式處理大量的數(shù)據(jù)并從中提取出有價(jià)值的信息是不可能的,而得益于計(jì)算機(jī)的幫助,我們可以利用數(shù)據(jù)挖掘技術(shù)處理大規(guī)模的數(shù)據(jù),從中獲取有用的信息。針對上述提出的問題,本文研究了相關(guān)數(shù)據(jù)挖掘算法和壓縮感知理論,將其應(yīng)用到氣象數(shù)據(jù)處理中,并設(shè)計(jì)實(shí)現(xiàn)了綠色建筑節(jié)能設(shè)計(jì)平臺。本文首先對氣象數(shù)據(jù)來源及特點(diǎn)進(jìn)行說明,并對數(shù)據(jù)進(jìn)行了預(yù)處理,包括剔除不可用臺站和刪除冗余信息等,為算法的實(shí)現(xiàn)做好準(zhǔn)備。然后描述了聚類算法中的基本概念,對比分析了常見的聚類算法的優(yōu)劣,根據(jù)氣象數(shù)據(jù)的特點(diǎn)和本文算法應(yīng)用的目的,重點(diǎn)研究了基于密度峰值的聚類算法,并將其應(yīng)用到氣象數(shù)據(jù)中,分別以氣象數(shù)據(jù)的全部屬性和部分屬性作...

【文章頁數(shù)】：102 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 選題背景與研究意義
    1.2 國內(nèi)外數(shù)據(jù)挖掘算法在氣象領(lǐng)域中的應(yīng)用
    1.3 論文研究內(nèi)容及主要研究方法
    1.4 論文組織安排
    1.5 本章小結(jié)
第二章 氣象數(shù)據(jù)的預(yù)處理
    2.1 數(shù)據(jù)預(yù)處理的意義
    2.2 氣象數(shù)據(jù)的特點(diǎn)
    2.3 數(shù)據(jù)預(yù)處理的方法
    2.4 全國氣象數(shù)據(jù)的預(yù)處理
        2.4.1 數(shù)據(jù)來源及相關(guān)說明
        2.4.2 氣象數(shù)據(jù)預(yù)處理過程
第三章 聚類算法研究
    3.1 聚類分析簡介
    3.2 聚類分析中的數(shù)據(jù)類型
        3.2.1 數(shù)據(jù)對象的表示
        3.2.2 數(shù)據(jù)的類型
        3.2.3 數(shù)據(jù)對象之間的相似性度量
        3.2.4 數(shù)據(jù)簇之間距離度量方法
    3.3 聚類結(jié)果好壞的評價(jià)標(biāo)準(zhǔn)
    3.4 常見聚類算法介紹
        3.4.1 基于劃分的方法
        3.4.2 基于密度的聚類算法
        3.4.3 層次聚類算法
        3.4.4 基于網(wǎng)格的方法
        3.4.5 基于模型的方法
    3.5 本章小結(jié)
第四章 壓縮感知算法在氣象數(shù)據(jù)缺值填補(bǔ)中的應(yīng)用
    4.1 問題描述
    4.2 缺失數(shù)據(jù)處理方法介紹
        4.2.1 均值填補(bǔ)法
        4.2.2 插值法
        4.2.3 機(jī)器學(xué)習(xí)方法
    4.3 壓縮感知原理概述
        4.3.1 信號的稀疏表示
        4.3.2 測量矩陣設(shè)計(jì)
        4.3.3 壓縮感知重構(gòu)算法概述
    4.4 氣象數(shù)據(jù)缺失值填補(bǔ)原理
    4.5 壓縮感知理論在氣象數(shù)據(jù)缺值填補(bǔ)中的應(yīng)用
        4.5.1 氣象數(shù)據(jù)介紹及其稀疏表示
        4.5.2 測量矩陣選取
        4.5.3 缺失氣象數(shù)據(jù)重構(gòu)算法
        4.5.4 氣象數(shù)據(jù)隨機(jī)缺測時(shí)算法的應(yīng)用
        4.5.5 氣象數(shù)據(jù)連續(xù)缺測時(shí)算法的應(yīng)用
    4.6 本章小結(jié)
第五章 聚類算法在氣象數(shù)據(jù)中的應(yīng)用
    5.1 問題描述
    5.2 氣象數(shù)據(jù)數(shù)據(jù)集的特點(diǎn)及建模
    5.3 聚類算法的選取
    5.4 密度峰值聚類算法基本工作原理
        5.4.1 聚類中心的確定
        5.4.2 聚類分析過程
        5.4.3 離群點(diǎn)標(biāo)記過程
        5.4.4 密度峰值聚類算法步驟
    5.5 軟件環(huán)境
    5.6 聚類算法在氣象數(shù)據(jù)中的應(yīng)用
        5.6.1 數(shù)據(jù)準(zhǔn)備
        5.6.2 氣象數(shù)據(jù)單一屬性的聚類分析
        5.6.3 氣象數(shù)據(jù)部分屬性的聚類分析
        5.6.4 氣象數(shù)據(jù)全部屬性的聚類分析
        5.6.5 結(jié)果分析與比較
    5.7 本章小結(jié)
第六章 綠色建筑節(jié)能設(shè)計(jì)平臺設(shè)計(jì)與實(shí)現(xiàn)
    6.1 綠色建筑節(jié)能設(shè)計(jì)平臺的意義
    6.2 綠色建筑節(jié)能設(shè)計(jì)平臺開發(fā)工具
        6.2.1 開發(fā)平臺介紹
        6.2.2 Struts2框架
    6.3 建筑節(jié)能基礎(chǔ)數(shù)據(jù)庫平臺功能模塊介紹
        6.3.1 后臺數(shù)據(jù)導(dǎo)入模塊
        6.3.2 地圖臺站查詢模塊
        6.3.3 建筑氣候數(shù)據(jù)查詢模塊
        6.3.4 室外氣候數(shù)據(jù)查詢模塊
    6.4 本章小結(jié)
第七章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 展望
參考文獻(xiàn)
致謝
作者簡介



本文編號：3753828