| 摘要 | 第4-5页 |
| abstract | 第5-9页 |
| 第一章绪论 | 第9-17页 |
| 1.1研究背景与意义 | 第9-12页 |
| 1.1.1研究背景 | 第9-11页 |
| 1.1.2研究意义 | 第11-12页 |
| 1.2国内外研究进展与分析 | 第12-14页 |
| 1.3研究内容及主要工作 | 第14-15页 |
| 1.4本文组织结构 | 第15-17页 |
| 第二章极光图像研究中相关理论基础概述 | 第17-26页 |
| 2.1极光数据简介 | 第17-20页 |
| 2.1.1极光图像预处理 | 第17-18页 |
| 2.1.2现有的极光图像分类机制 | 第18-20页 |
| 2.2深度学习算法相关技术 | 第20-24页 |
| 2.2.1深度学习原理 | 第20-21页 |
| 2.2.2卷积神经网络 | 第21-23页 |
| 2.2.3循环神经网络 | 第23-24页 |
| 2.3本章小结 | 第24-26页 |
| 第三章基于改进卷积神经网络的极光图像分类 | 第26-44页 |
| 3.1引言 | 第26-27页 |
| 3.2基于迁移学习的极光图像模型构建 | 第27-30页 |
| 3.2.1迁移学习基本概念 | 第27-28页 |
| 3.2.2迁移学习分类 | 第28-29页 |
| 3.2.3基于迁移策略的极光模型搭建 | 第29-30页 |
| 3.3基于VGG-16改进的密集连接网络 | 第30-34页 |
| 3.3.1VGG-16网络 | 第30-32页 |
| 3.3.2改进的VGG-16 | 第32-34页 |
| 3.4实验结果与分析 | 第34-42页 |
| 3.4.1实验平台搭建与设置 | 第35-36页 |
| 3.4.2实验数据集设置 | 第36-37页 |
| 3.4.3极光图像特征可视化 | 第37-38页 |
| 3.4.4结果与分析 | 第38-42页 |
| 3.5本章小结 | 第42-44页 |
| 第四章基于CNN联合Bi-LSTM的极光序列分类 | 第44-60页 |
| 4.1引言 | 第44-45页 |
| 4.2基于改进VGG-16的极光序列建模 | 第45-47页 |
| 4.2.1极光序列图像 | 第45-47页 |
| 4.2.2基于改进卷积神经网络的极光序列模型 | 第47页 |
| 4.3基于Bi-LSTM的模型 | 第47-53页 |
| 4.3.1长短期记忆网络 | 第47-50页 |
| 4.3.2多层Bi-LSTM的构建 | 第50-51页 |
| 4.3.3基于CNN联合Bi-LSTM极光序列网络模型 | 第51-53页 |
| 4.4极光序列分类实验结果与分析 | 第53-56页 |
| 4.4.1实验平台搭建与设置 | 第53页 |
| 4.4.2实验数据集设置 | 第53-54页 |
| 4.4.3结果与分析 | 第54-56页 |
| 4.5极光事件检测实验结果与分析 | 第56-59页 |
| 4.5.1实验设置 | 第56-57页 |
| 4.5.2结果与分析 | 第57-59页 |
| 4.6本章小结 | 第59-60页 |
| 第五章总结与展望 | 第60-62页 |
| 5.1论文总结 | 第60-61页 |
| 5.2工作展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录1攻读硕士学位期间撰写的论文 | 第65-66页 |
| 附录2攻读硕士学位期间参加的科研项目 | 第66-67页 |
| 致谢 | 第67页 |