| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究目的与意义 | 第9-10页 |
| 1.2 国内外研究发展现状 | 第10-15页 |
| 1.2.1 天基大气背景辐射特性研究 | 第10-12页 |
| 1.2.2 空间数据存储与挖掘技术 | 第12-14页 |
| 1.2.3 基于深度学习的图像分类技术 | 第14-15页 |
| 1.3 主要研究内容及结构安排 | 第15-17页 |
| 第2章 空间数据存储模型与管理方法 | 第17-29页 |
| 2.1 空间数据存储模型与集成管理 | 第17-20页 |
| 2.1.1 空间数据结构 | 第17-18页 |
| 2.1.2 空间数据模型 | 第18-19页 |
| 2.1.3 空间数据的组织和融合 | 第19页 |
| 2.1.4 空间数据的集成管理 | 第19-20页 |
| 2.2 基于Oracle GeoRaster的空间数据管理 | 第20-28页 |
| 2.2.1 数据模型 | 第20页 |
| 2.2.2 数据逻辑存储结构 | 第20-21页 |
| 2.2.3 数据物理存储结构 | 第21-24页 |
| 2.2.4 GeoRaster对象类型的具体功能 | 第24-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于卷积神经网络天基大气背景图像分类方法 | 第29-44页 |
| 3.1 卷积神经网络模型原理 | 第29-30页 |
| 3.2 CNN训练过程 | 第30-34页 |
| 3.2.1 构建CNN网络结构 | 第30-31页 |
| 3.2.2 CNN前向传播 | 第31-32页 |
| 3.2.3 CNN后向传播 | 第32-34页 |
| 3.2.4 CNN更新权值 | 第34页 |
| 3.3 CNN分类模型 | 第34-41页 |
| 3.3.1 天基大气背景图像数据集 | 第34-35页 |
| 3.3.2 CNN训练模型——CNN_1 | 第35-37页 |
| 3.3.3 CNN_1 实验结果及分析 | 第37-39页 |
| 3.3.4 改进CNN训练模型——CNN_2 | 第39-41页 |
| 3.3.5 CNN_2 实验结果及分析 | 第41页 |
| 3.4 网络结构的特征分析 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 天基大气背景图像库的构建与数据处理分析 | 第44-58页 |
| 4.1 天基大气背景红外辐射数据库设计和搭建 | 第44-47页 |
| 4.1.1 天基大气背景红外辐射数据库设计 | 第44-45页 |
| 4.1.2 天基大气背景红外辐射数据库搭建 | 第45-46页 |
| 4.1.3 代码实现 | 第46-47页 |
| 4.2 天基大气背景图像基于CNN实现分类 | 第47-48页 |
| 4.3 地球大气背景图像时空信息统计 | 第48-53页 |
| 4.3.1 经纬度网格 | 第48-49页 |
| 4.3.2 大气红外辐射背景图 | 第49-53页 |
| 4.4 临边大气背景图像时空信息统计 | 第53-57页 |
| 4.4.1 切线高度的计算模型 | 第53-54页 |
| 4.4.2 建立临边背景红外辐射数据库 | 第54-56页 |
| 4.4.3 统计结果分析 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间发表的学术论文及科研成果 | 第62-64页 |
| 致谢 | 第64页 |