| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 复杂流场研究现状 | 第10-11页 |
| 1.3 非线性时间序列研究现状 | 第11-14页 |
| 1.3.1 递归图 | 第11-12页 |
| 1.3.2 分形理论 | 第12-13页 |
| 1.3.3 复杂性测算 | 第13-14页 |
| 1.3.4 复杂网络 | 第14页 |
| 1.4 基于深度学习的图像分析研究现状 | 第14-20页 |
| 1.4.1 深度学习思想及其发展 | 第14-16页 |
| 1.4.2 深度学习常用模型 | 第16-20页 |
| 1.5 本论文的研究内容及结构安排 | 第20-21页 |
| 第2章 基于二维可视状态图的时间序列分析方法 | 第21-37页 |
| 2.1 传统时间序列递归图及递归定量分析方法 | 第21-24页 |
| 2.2 基于二维可视状态图的时间序列分析方法 | 第24-27页 |
| 2.2.1 时间序列二维可视状态图生成 | 第24-25页 |
| 2.2.2 基于二维可视状态图的时间序列定量分析 | 第25-27页 |
| 2.3 典型时间序列信号的对比分析 | 第27-29页 |
| 2.4 自然风场时间序列信号的对比分析 | 第29-35页 |
| 2.4.1 实验数据获取 | 第29-33页 |
| 2.4.2 实验数据对比分析 | 第33-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第3章 基于时间序列符号化结合滑窗技术的复杂性测算 | 第37-51页 |
| 3.1 经典时间序列复杂性测算方法 | 第37-38页 |
| 3.2 新型时间序列复杂性测算方法 | 第38-40页 |
| 3.3 经典混沌信号的复杂性分析实验 | 第40-44页 |
| 3.3.1 Logistic映射系统 | 第40-41页 |
| 3.3.2 不同复杂性测算方法性能测算 | 第41-44页 |
| 3.4 自然风场信号的复杂性分析实验 | 第44-48页 |
| 3.4.1 室内外风场时间序列复杂性分析 | 第44-46页 |
| 3.4.2 室外局部区域风场信号的复杂性分析 | 第46-48页 |
| 3.5 本章小结 | 第48-51页 |
| 第4章 基于深度学习的近地面风场波动模式分类研究 | 第51-65页 |
| 4.1 传统时间序列分类分析方法 | 第51-53页 |
| 4.1.1 密度峰值快速搜索聚类 | 第51-52页 |
| 4.1.2 C均值模糊聚类 | 第52-53页 |
| 4.2 基于卷积神经网络的模式分类方法 | 第53-58页 |
| 4.2.1 数据预处理 | 第53-54页 |
| 4.2.2 计算卷积层 | 第54-55页 |
| 4.2.3 激励函数 | 第55-57页 |
| 4.2.4 池化层 | 第57页 |
| 4.2.5 全连接层 | 第57-58页 |
| 4.3 实验结果与对比分析 | 第58-63页 |
| 4.3.1 室内外风速信号密度峰值快速搜索聚类分析 | 第58-59页 |
| 4.3.2 室内外风速信号C均值模糊聚类分析 | 第59-61页 |
| 4.3.3 室内外卷积神经网络分类分析 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 发表论文和参加科研情况说明 | 第73-75页 |
| 致谢 | 第75页 |