| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文的研究工作 | 第12-15页 |
| 第二章 RTM数据分类聚合技术研究 | 第15-29页 |
| 2.1 CESM | 第15-16页 |
| 2.1.1 地球系统模式 | 第15页 |
| 2.1.2 CESM模式 | 第15-16页 |
| 2.2 NETCDF | 第16-18页 |
| 2.2.1 NetCDF技术 | 第16-17页 |
| 2.2.2 NetCDF文件结构 | 第17-18页 |
| 2.3 RTM | 第18-20页 |
| 2.3.1 RTM模型 | 第18-19页 |
| 2.3.2 RTM网格单元 | 第19-20页 |
| 2.4 神经网络技术 | 第20-26页 |
| 2.4.1 神经网络 | 第20-24页 |
| 2.4.2 神经网络结构 | 第24-26页 |
| 2.5 数据聚类技术 | 第26-29页 |
| 2.5.1 数据聚类定义 | 第26页 |
| 2.5.2 数据聚类流程 | 第26-29页 |
| 第三章 基于神经网络的高维RTM数据聚类方法 | 第29-43页 |
| 3.1 高维数据的特点 | 第29页 |
| 3.1.1 稀疏性 | 第29页 |
| 3.1.2 维度效应 | 第29页 |
| 3.2 高维数据聚类方法 | 第29-31页 |
| 3.2.1 维度约简 | 第30页 |
| 3.2.2 子空间聚类 | 第30页 |
| 3.2.3 协同聚类 | 第30-31页 |
| 3.3 基于神经网络的高维数据降维模型 | 第31-37页 |
| 3.3.1 Autoencoder算法 | 第31-32页 |
| 3.3.2 Autoencoder算法的实现 | 第32-33页 |
| 3.3.3 Autoencoder算法的优化 | 第33-35页 |
| 3.3.4 实验结果分析 | 第35-37页 |
| 3.4 基于AUTOENCODER神经网络的高维数据聚类 | 第37-43页 |
| 3.4.1 K-means聚类算法 | 第38-39页 |
| 3.4.2 K-means++聚类算法 | 第39-41页 |
| 3.4.3 实验结果分析 | 第41-43页 |
| 第四章 基于NETCDF的RTM多源数据分类聚合实现 | 第43-59页 |
| 4.1 RTM多源数据聚合 | 第43页 |
| 4.2 RTM多源数据聚合模型 | 第43-50页 |
| 4.2.1 消息泵 | 第44-46页 |
| 4.2.2 中间件 | 第46-47页 |
| 4.2.3 协处理器 | 第47-49页 |
| 4.2.4 实验结果分析 | 第49-50页 |
| 4.3 RTM数据NETCDF格式化 | 第50-59页 |
| 4.3.1 RTM数据NetCDF格式化的必要性 | 第51-52页 |
| 4.3.2 RTM数据NetCDF格式化接口设计 | 第52-55页 |
| 4.3.3 RTM数据NetCDF格式化实现 | 第55-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-65页 |