降水预测能力的可靠性和及时性,对减轻暴雨灾害造成的经济损失、保护当地人民生命财产安全具有重要的指导意义。本文以建立最优降水预报模型为目标,为克服建模中影响因子的高维性、降水体系的非线性等难题,选取支持向量机预报模型作为本文的主要研究主体。这是因为它自身具有很多独有的优点,尤其是在解决有限样本、非线性、高维问题上,并针对其不足之处,采取遗传算法进行优化。具体的研究进程如下:第一章中,首先介绍了以柳州市降水预报为研究对象的原因,以及选题的背景、意义等;其次,对支持向量机、遗传算法这两种算法的背景和研究近况进行了论述;最后,交待了本文要攻克的问题以及解决思路。第二章中,依次给出了主成分分析法,核主成分分析法的定义,实现步骤等一些预备知识,并对支持向量机、遗传算法的相关理论进行了简单介绍;为更好展示遗传算法的寻优特性,在本节末尾以实例进行说明。第三章中,针对建模过程中的存在的问题,介绍了应用主成分分析法、核主成分分析法两种降维方法,对数据进行清洗和压缩,并详细给出了实现步骤;最后,为提高预报精度,考虑到遗传算法的空间探索的全局性,用其优化模型参数,并给出了详细的操作步骤。第四章中,以柳州市的降水预报为研究对象,进行模型效果的对比研究。为使建立的模型很好的学习数据中的规律,就需要对数据进行预处理,本章中先对标准化的数据进行降维,并对效果进行了对比。其次,在应用核主成分分析法时,分析了基于三种不同核函数的降维结果。最后,根据第三章中遗传算法的实现流程对相关参数优化,利用参数最优解创建最优模型,并对三种不同模型的实例预报结果进行对比。经过实证研究,尽管基于Sigmoid核函数的KPCA降维效果最佳,但结果表明,根据高斯核函数的KPCA提取的特征数据建立的SVM模型泛化能力却最好。这表明,降维得到的数据,虽然可以使计算简便,但也丢失了原数据中的某些规律,从而使模型的学习能力下降,这也直接导致了结果的不理想。同时,经过比较三种模型的预报结果,得出KPCA-GA-SVM模型的拟合结果最佳,且精度最高。