| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 选题背景及研究意义 | 第12-13页 |
| 1.1.1 选题背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状及其分析 | 第13-20页 |
| 1.2.1 GIS在热带气旋研究中的应用现状 | 第13-14页 |
| 1.2.2 热带气旋预报的研究现状 | 第14-18页 |
| 1.2.3 BP神经网络的研究现状 | 第18-19页 |
| 1.2.4 当前研究存在的问题 | 第19-20页 |
| 1.3 研究目标与研究内容 | 第20-21页 |
| 1.3.1 研究目标 | 第20页 |
| 1.3.2 研究内容 | 第20-21页 |
| 1.4 技术路线 | 第21-22页 |
| 1.5 论文组织 | 第22-23页 |
| 第2章 基于粒子群优化的BP神经网络 | 第23-35页 |
| 2.1 BP神经网络 | 第23-28页 |
| 2.1.1 人工神经网络概述 | 第23页 |
| 2.1.2 BP神经网络原理与学习算法 | 第23-27页 |
| 2.1.3 BP神经网络的不足与改进 | 第27-28页 |
| 2.2 粒子群算法 | 第28-32页 |
| 2.2.1 粒子群算法的基本原理 | 第28-30页 |
| 2.2.2 粒子群算法的流程 | 第30-31页 |
| 2.2.3 粒子群算法的参数设置 | 第31-32页 |
| 2.3 基于粒子群优化的BP神经网络 | 第32-33页 |
| 2.4 气候持续预报法 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于PSO-BP神经网络的热带气旋预报研究 | 第35-64页 |
| 3.1 预报模型的建立 | 第35-37页 |
| 3.1.1 BP神经网络模型的建立 | 第35-36页 |
| 3.1.2 PSO-BP神经网络模型的建立 | 第36-37页 |
| 3.1.3 气候持续预报法模型的建立 | 第37页 |
| 3.2 热带气旋资料的说明及初步处理 | 第37-39页 |
| 3.3 预报区域的确定 | 第39-40页 |
| 3.4 预报因子的构造与处理 | 第40-43页 |
| 3.4.1 预报因子的构造 | 第41-42页 |
| 3.4.2 预报因子的筛选 | 第42页 |
| 3.4.3 预报因子的归一化 | 第42-43页 |
| 3.5 热带气旋的预报 | 第43-63页 |
| 3.5.1 热带气旋路径的预报 | 第43-53页 |
| 3.5.2 热带气旋强度的预报 | 第53-58页 |
| 3.5.3 热带气旋中心气压的预报 | 第58-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第4章 基于WebGIS的热带气旋数据可视化系统 | 第64-75页 |
| 4.1 系统设计 | 第64-65页 |
| 4.1.1 系统设计目标 | 第64页 |
| 4.1.2 系统开发环境 | 第64-65页 |
| 4.2 系统数据组织 | 第65-68页 |
| 4.2.1 热带气旋数据组织 | 第65-67页 |
| 4.2.2 数据的获取 | 第67-68页 |
| 4.3 系统功能模块设计 | 第68-74页 |
| 4.3.1 历史热带气旋的查询 | 第68页 |
| 4.3.2 热带气旋路径显示 | 第68-70页 |
| 4.3.3 风场和气压场显示 | 第70-74页 |
| 4.4 本章小结 | 第74-75页 |
| 第5章 结论与展望 | 第75-77页 |
| 5.1 研究成果总结 | 第75-76页 |
| 5.2 主要创新点 | 第76页 |
| 5.3 问题与展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士期间参加科研项目 | 第83-84页 |
| 致谢 | 第84页 |