摘要 | 第5-6页 |
ABSTRACT | 第6页 |
第一章 绪论 | 第10-18页 |
1.1 研究背景与意义 | 第10-12页 |
1.2 研究现状 | 第12-14页 |
1.2.1 空气质量监测与预测方面的研究 | 第12-13页 |
1.2.2 分布式模型训练算法 | 第13-14页 |
1.3 主要研究内容 | 第14-16页 |
1.4 论文结构 | 第16-18页 |
第二章 相关技术 | 第18-30页 |
2.1 深度神经网络模型 | 第18-23页 |
2.1.1 RNN与LSTM网络模型 | 第18-20页 |
2.1.2 CNN与Resnet网络模型 | 第20-23页 |
2.2 分布式模型训练与联邦学习算法 | 第23-24页 |
2.3 GN算法 | 第24-27页 |
2.3.1 无权GN算法 | 第25-26页 |
2.3.2 带权GN算法 | 第26-27页 |
2.4 TensorFlow平台以及TFLearn开发库 | 第27-28页 |
2.5 本章小结 | 第28-30页 |
第三章 基于联邦学习的空气质量监测系统设计 | 第30-46页 |
3.1 系统总体设计 | 第30-32页 |
3.2 数据预处理模块设计 | 第32-35页 |
3.2.1 天气数据与空气质量数据的预处理 | 第32-33页 |
3.2.2 天空图像数据的预处理 | 第33-35页 |
3.3 区域划分模块设计 | 第35-36页 |
3.4 通信模块设计 | 第36-38页 |
3.4.1 发送功能 | 第36-37页 |
3.4.2 接收功能 | 第37-38页 |
3.5 模型联合模块设计 | 第38-40页 |
3.5.1 模型联合功能 | 第38-39页 |
3.5.2 全局调控功能 | 第39-40页 |
3.6 区域模型训练模块设计 | 第40-42页 |
3.6.1 天气和空气质量的历史数据模型 | 第41页 |
3.6.2 天空照片数据模型 | 第41-42页 |
3.7 系统的拓展与讨论 | 第42-43页 |
3.8 本章小结 | 第43-46页 |
第四章 基于联邦学习的空气质量监测系统实现 | 第46-58页 |
4.1 系统开发环境与平台搭建 | 第46-48页 |
4.1.1 开发工具 | 第46-47页 |
4.1.2 开发语言 | 第47页 |
4.1.3 第三方库 | 第47-48页 |
4.2 数据预处理模块的实现 | 第48-50页 |
4.2.1 天气与空气质量预处理 | 第48-49页 |
4.2.2 天空图片预处理 | 第49-50页 |
4.3 区域划分模块实现 | 第50页 |
4.4 通信模块实现 | 第50-52页 |
4.4.1 发送功能 | 第51页 |
4.4.2 接收功能 | 第51-52页 |
4.5 模型联合模块实现 | 第52-53页 |
4.6 区域模型训练模块实现 | 第53-57页 |
4.6.1 LSTM神经网络的搭建 | 第54-55页 |
4.6.2 Resnet神经网络的搭建 | 第55-57页 |
4.7 本章小结 | 第57-58页 |
第五章 系统测试与性能分析 | 第58-66页 |
5.1 实验数据集与实验环境 | 第58页 |
5.2 功能测试 | 第58-60页 |
5.3 性能分析 | 第60-64页 |
5.3.1 区域划分效果评估 | 第60-61页 |
5.3.2 基于天气和空气质量历史数据的PM2.5浓度等级监测性能评估 | 第61-62页 |
5.3.3 基于天空图像的PM2.5浓度等级监测性能评估 | 第62-64页 |
5.4 本章小结 | 第64-66页 |
第六章 总结与展望 | 第66-68页 |
6.1 总结 | 第66页 |
6.2 展望 | 第66-68页 |
参考文献 | 第68-72页 |
致谢 | 第72-74页 |
作者攻读学位期间发表的学术论文与研究成果 | 第74页 |