基于深度学习的能见度预测系统的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究的背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 深度学习研究发展现状 | 第10-11页 |
| 1.2.2 能见度预测研究现状 | 第11-12页 |
| 1.3 研究内容及结构安排 | 第12-14页 |
| 第2章 深度学习 | 第14-24页 |
| 2.1 深度学习的基本概念 | 第14-15页 |
| 2.2 深度学习的网络模型 | 第15-19页 |
| 2.2.1 自动编码器 | 第15-16页 |
| 2.2.2 稀疏自动编码器 | 第16-17页 |
| 2.2.3 降噪自动编码器 | 第17-18页 |
| 2.2.4 卷积神经网络 | 第18页 |
| 2.2.5 深度置信神经网络 | 第18-19页 |
| 2.3 深度学习的学习方法 | 第19-21页 |
| 2.3.1 监督学习 | 第19-20页 |
| 2.3.2 无监督学习 | 第20-21页 |
| 2.4 深度学习的训练过程 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 建立深度置信网络能见度预测模型 | 第24-38页 |
| 3.1 网络的输入和输出 | 第25-28页 |
| 3.1.1 风速 | 第25-26页 |
| 3.1.2 风向 | 第26页 |
| 3.1.3 气压 | 第26-27页 |
| 3.1.4 湿度 | 第27页 |
| 3.1.5 气温 | 第27页 |
| 3.1.6 PM2.5 | 第27页 |
| 3.1.7 能见度 | 第27-28页 |
| 3.2 数据来源与预处理 | 第28-29页 |
| 3.2.1 min-max标准化 | 第28页 |
| 3.2.2 Z-score标准化 | 第28-29页 |
| 3.2.3 数据预处理流程 | 第29页 |
| 3.3 深度置信网络的最优结构 | 第29-31页 |
| 3.3.1 确定隐含层的节点个数 | 第30-31页 |
| 3.3.2 确定隐含层的层数 | 第31页 |
| 3.4 深度置信网络的训练算法 | 第31-35页 |
| 3.4.1 随机梯度上升法 | 第32-33页 |
| 3.4.2 吉布斯采样 | 第33页 |
| 3.4.3 对比散度算法 | 第33-34页 |
| 3.4.4 误差反向传播算法 | 第34-35页 |
| 3.5 本章小结 | 第35-38页 |
| 第4章 不同模型能见度预测效果对比与分析 | 第38-42页 |
| 4.1 模型性能指标 | 第38-41页 |
| 4.1.1 预测准确率 | 第38-39页 |
| 4.1.2 均方误差 | 第39页 |
| 4.1.3 迭代次数 | 第39-41页 |
| 4.2 本章小结 | 第41-42页 |
| 第5章 大气能见度预测系统的设计与实现 | 第42-48页 |
| 5.1 系统环境 | 第42页 |
| 5.2 系统框架设计 | 第42页 |
| 5.3 系统模块介绍 | 第42-46页 |
| 5.3.1 数据导入与预处理模块 | 第43-45页 |
| 5.3.2 DBN网络参数设置模块 | 第45-46页 |
| 5.3.3 能见度预测结果展示模块 | 第46页 |
| 5.4 本章小结 | 第46-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间所发表的论文 | 第54-56页 |
| 致谢 | 第56页 |
