| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及存在的问题 | 第12-14页 |
| 1.3 本文主要研究内容与组织结构 | 第14-17页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 主要创新点 | 第15页 |
| 1.3.3 组织结构 | 第15-17页 |
| 第二章 雷达回波外推理论基础 | 第17-29页 |
| 2.1 新一代多普勒天气雷达概述 | 第17-22页 |
| 2.1.1 天气雷达发展概述 | 第17页 |
| 2.1.2 CINRAD-SA雷达的扫描和取样方式 | 第17-19页 |
| 2.1.3 CINRAD-SA雷达基数据解析 | 第19-21页 |
| 2.1.4 反射率因子图 | 第21-22页 |
| 2.2 雷达回波外推算法概述 | 第22-28页 |
| 2.2.1 单体质心法 | 第23-24页 |
| 2.2.2 交叉相关法 | 第24-25页 |
| 2.2.3 光流法 | 第25-26页 |
| 2.2.4 BP神经网络模型 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 深度学习理论基础 | 第29-38页 |
| 3.1 深度学习的发展 | 第29-30页 |
| 3.2 循环神经网络（RNN） | 第30-33页 |
| 3.2.1 RNN的基本结构 | 第30-31页 |
| 3.2.2 前向传播 | 第31-32页 |
| 3.2.3 通过时间的反向传播 | 第32-33页 |
| 3.2.4 RNN的梯度消失问题 | 第33页 |
| 3.3 长短期记忆网络（LSTM） | 第33-36页 |
| 3.3.1 LSTM的结构 | 第34-35页 |
| 3.3.2 LSTM的前向传播 | 第35-36页 |
| 3.3.3 LSTM的后向传播 | 第36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于RET-RNN的雷达回波外推算法设计和实现 | 第38-49页 |
| 4.1 深度学习框架TensorFlow简介 | 第38-39页 |
| 4.2 基于LSTM的雷达回波外推模型RET-RNN的设计 | 第39-44页 |
| 4.2.1 RET-RNN的结构 | 第39-41页 |
| 4.2.2 模型学习率 | 第41-42页 |
| 4.2.3 激活函数 | 第42-44页 |
| 4.3 基于RET-RNN网络模型的雷达回波外推算法实现 | 第44-48页 |
| 4.3.1 数据预处理 | 第44-45页 |
| 4.3.2 RET-RNN的训练、验证和测试 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 实验设计和结果分析 | 第49-54页 |
| 5.1 实验环境 | 第49页 |
| 5.2 实验评价方法 | 第49-52页 |
| 5.2.1 云团的分层分解 | 第49-51页 |
| 5.2.2 评价方法 | 第51-52页 |
| 5.3 实验结果分析 | 第52-54页 |
| 第六章 总结和展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58页 |
