基于卷积神经网络的太阳射电频谱图的分类算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景和意义 | 第7页 |
| 1.2 研究状况 | 第7-9页 |
| 1.3 本文主要内容和组织结构 | 第9-11页 |
| 1.3.1 本文的主要内容 | 第9-10页 |
| 1.3.2 本文的组织结构 | 第10-11页 |
| 第2章 太阳射电频谱数据的介绍 | 第11-18页 |
| 2.1 引言 | 第11页 |
| 2.2 中国太阳射电频谱仪以及数据来源 | 第11-12页 |
| 2.3 SBRS数据介绍 | 第12-17页 |
| 2.3.1 SBRS数据总体介绍 | 第12-13页 |
| 2.3.2 太阳射电频谱类型 | 第13-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第3章 基于CNN的太阳射电频谱图的算法研究 | 第18-32页 |
| 3.1 引言 | 第18-19页 |
| 3.2 卷积神经网络 | 第19-24页 |
| 3.2.1 卷积神经网络发展 | 第19-20页 |
| 3.2.2 卷积神经网络的介绍 | 第20-24页 |
| 3.3 基于CNN的太阳射电频谱图分类算法 | 第24-31页 |
| 3.3.1 网络设计 | 第24-26页 |
| 3.3.2 数据预处理 | 第26-28页 |
| 3.3.3 太阳射电频谱数据库 | 第28-29页 |
| 3.3.4 实验结果及分析 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于CNN的太阳射电频谱图迁移算法的研究 | 第32-42页 |
| 4.1 引言 | 第32页 |
| 4.2 迁移学习 | 第32-37页 |
| 4.2.1 迁移学习的介绍 | 第32-34页 |
| 4.2.2 记法和定义 | 第34-35页 |
| 4.2.3 迁移学习的分类 | 第35-37页 |
| 4.3 基于CNN的太阳射电频谱迁移学习的方法 | 第37-41页 |
| 4.3.1 迁移框架算法设计 | 第38-39页 |
| 4.3.2 VGG16模型 | 第39页 |
| 4.3.3 数据预处理 | 第39-40页 |
| 4.3.4 实验结果以及分析 | 第40-41页 |
| 4.4 本章小节 | 第41-42页 |
| 第5章 总结与展望 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 致谢 | 第47-48页 |
| 攻读硕士学位期间的研究成果 | 第48页 |
