基于卷积神经网络的卫星云量计算
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文的主要内容及章节安排 | 第12-14页 |
| 第二章 卷积神经网络简介 | 第14-24页 |
| 2.1 卷积神经网络概述 | 第14页 |
| 2.2 卷积神经网络结构 | 第14-16页 |
| 2.3 权值共享 | 第16-17页 |
| 2.4 卷积神经网络训练 | 第17-22页 |
| 2.4.1 前向传播过程 | 第17-18页 |
| 2.4.2 反向传播过程 | 第18-19页 |
| 2.4.3 卷积层梯度计算 | 第19-20页 |
| 2.4.4 下采样层梯度计算 | 第20-21页 |
| 2.4.5 SOFTMAX回归分类 | 第21-22页 |
| 2.5 卷积神经网络的优点 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于卷积神经网络的卫星云图检测 | 第24-38页 |
| 3.1 研究动机 | 第24页 |
| 3.2 卫星云图阈值分割法 | 第24-26页 |
| 3.2.1 传统阈值法 | 第24-25页 |
| 3.2.2 最大类间方差自适应阈值法 | 第25-26页 |
| 3.3 基于CNN模型的卫星云图检测 | 第26-29页 |
| 3.3.1 图像预处理 | 第26-27页 |
| 3.3.2 特征学习 | 第27-29页 |
| 3.4 卷积神经网络优化 | 第29-31页 |
| 3.4.1 神经网络层数 | 第29-30页 |
| 3.4.2 滤波器个数的选择 | 第30-31页 |
| 3.4.3 网络滤波器大小选择 | 第31页 |
| 3.5 实验结果分析 | 第31-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于极限学习机的卫星云图检测 | 第38-46页 |
| 4.1 研究动机 | 第38页 |
| 4.2 极限学习机介绍 | 第38-42页 |
| 4.2.1 单隐层前馈神经网络 | 第38-42页 |
| 4.3 实验结果分析 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于云图检测的云量计算 | 第46-54页 |
| 5.1 研究动机 | 第46页 |
| 5.2 云量计算方法 | 第46-48页 |
| 5.3 总云量计算方案 | 第48-52页 |
| 5.4 总云量验证方案 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54-55页 |
| 6.2 论文展望 | 第55-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-65页 |
| 攻读硕士期间完成的科研情况 | 第65页 |
