| 摘要 | 第1-3页 |
| ABSTRACT | 第3-8页 |
| 第一章 绪论 | 第8-11页 |
| ·引言 | 第8页 |
| ·天津市地区的雹灾情况 | 第8-9页 |
| ·国内外冰雹强对流天气的研究现状 | 第9页 |
| ·本文的主要工作及本课题的目标 | 第9-11页 |
| 第二章 多普勒雷达反射率图像与基本图像处理方法 | 第11-20页 |
| ·多普勒雷达原理 | 第11-12页 |
| ·散射理论 | 第11页 |
| ·雷达气象方程 | 第11-12页 |
| ·对雷达反射率图像及径向速度图像的说明 | 第12-14页 |
| ·概述 | 第12-13页 |
| ·雷达反射率图像 | 第13-14页 |
| ·雷达径向速度图像 | 第14页 |
| ·本文中涉及的图像处理的概念与知识 | 第14-18页 |
| ·像素间的一些基本关系 | 第14-16页 |
| ·直方图均衡化 | 第16页 |
| ·边缘检测 | 第16-18页 |
| ·基于区域的分割 | 第18页 |
| ·本文中使用的符号 | 第18-20页 |
| 第三章 单体模型的建立及其特征提取 | 第20-33页 |
| ·雷达回波反射率图中强单体特征及其模型 | 第21-23页 |
| ·单体模型 | 第21-22页 |
| ·强单体的特征 | 第22-23页 |
| ·“探针”算法 | 第23-27页 |
| ·“探针”模型 | 第23页 |
| ·“探针”的方向 | 第23-25页 |
| ·单位长度“探针”及“探针”的长度L | 第25页 |
| ·“探针”序列的连续性与单调性 | 第25-27页 |
| ·探针集的生成算法 | 第27页 |
| ·单体特征提取算法 | 第27-33页 |
| ·单体的梯度特征G_(cell) | 第27-29页 |
| ·钩状边界的曲率半径R( F_o ) 和长度L( F_o ) | 第29-30页 |
| ·钩状回波的形状指数E( F_o ) | 第30-31页 |
| ·其它特征 | 第31-32页 |
| ·单体特征示例 | 第32-33页 |
| 第四章 分类器与强单体的自动识别 | 第33-52页 |
| ·机器学习的一般理论 | 第33-36页 |
| ·机器学习问题的研究历史 | 第33-34页 |
| ·学习问题的一般表示 | 第34-36页 |
| ·学习理论的四个部分 | 第36页 |
| ·统计学习理论 | 第36-39页 |
| ·学习过程一致性的条件 | 第37页 |
| ·函数集的VC(Vapnik-Chervonenkis)维 | 第37-38页 |
| ·推广性的界 | 第38页 |
| ·结构风险最小化 | 第38-39页 |
| ·支持向量机(SVM) | 第39-41页 |
| ·最优分类面 | 第39-40页 |
| ·支持向量机 | 第40-41页 |
| ·本文使用的支持向量机软件包介绍 | 第41-45页 |
| ·训练和测试文件的格式 | 第42页 |
| ·LIBSVM 中使用的核函数 | 第42页 |
| ·使用LIBSVM 的一些注意事项 | 第42-45页 |
| ·分类实验及结果分析 | 第45-52页 |
| ·样本情况 | 第45页 |
| ·分类器训练情况一 | 第45-48页 |
| ·分类器训练情况二 | 第48-49页 |
| ·分类器训练情况三 | 第49-52页 |
| 第五章 雷达反射率图的时间序列分析初步 | 第52-68页 |
| ·时间序列分析的必要性 | 第52页 |
| ·时间序列分析的主要内容 | 第52-54页 |
| ·雷达反射率图中超折射回波的滤除 | 第54-60页 |
| ·超折射回波 | 第54-56页 |
| ·最容易出现超折射的气象条件 | 第56-57页 |
| ·超折射回波的滤除 | 第57-60页 |
| ·云团时间序列的形成和基于云团的单体分割 | 第60-65页 |
| ·云团的表示 | 第60页 |
| ·时间序列云团的构建 | 第60-64页 |
| ·基于云团外包矩形的雷达反射率图中单体的分割提取 | 第64-65页 |
| ·时间序列分析 | 第65-68页 |
| ·方案设计 | 第65-66页 |
| ·云团合并与分裂关系的确定 | 第66-68页 |
| 第六章 总结与展望 | 第68-71页 |
| ·本文的算法实现 | 第68页 |
| ·系统功能结构图 | 第68-69页 |
| ·本文工作的特色和创新 | 第69-70页 |
| ·展望和建议 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 发表论文和参加科研情况说明 | 第73-74页 |
| 致谢 | 第74页 |