基于仿真雷达图像的低空风切变类型识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 选题的意义 | 第9-11页 |
| 1.2 低空风切变概述 | 第11-13页 |
| 1.3 低空风切变探测研究进展 | 第13-16页 |
| 1.3.1 机载风切变探测系统 | 第15页 |
| 1.3.2 地基风切变探测系统 | 第15-16页 |
| 1.3.3 多普勒测风激光雷达研究进展 | 第16页 |
| 1.4 本文的主要工作 | 第16-18页 |
| 第二章 低空风切变的三维风场建模仿真 | 第18-27页 |
| 2.1 低空风切变建模仿真简介 | 第18页 |
| 2.2 微下击暴流风场仿真实验 | 第18-22页 |
| 2.2.1 微下击暴流的建模及模拟仿真 | 第19-20页 |
| 2.2.2 模拟仿真结果与分析 | 第20-22页 |
| 2.3 侧风切变风场仿真实验 | 第22-23页 |
| 2.4 低空急流风场仿真实验 | 第23-26页 |
| 2.4.1 低空急流风场数学模型 | 第23-25页 |
| 2.4.2 模拟仿真结果及分析 | 第25-26页 |
| 2.5 三维风场数据的处理 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于小波变换的低空风切变纹理特征提取 | 第27-40页 |
| 3.1 多普勒激光雷达扫描获取风场数据 | 第27页 |
| 3.2 激光雷达的波束扫描方式 | 第27-28页 |
| 3.3 建立风切变类型样本库 | 第28-29页 |
| 3.4 仿真激光雷达数据生成仿真雷达图像 | 第29-32页 |
| 3.5 图像分割提取风切变区域 | 第32-33页 |
| 3.6 小波分解提取纹理特征 | 第33-39页 |
| 3.6.1 连续小波变换 | 第34-35页 |
| 3.6.2 离散小波变换 | 第35-36页 |
| 3.6.3 小波变换提取纹理特征向量 | 第36-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第四章 基于BP神经网络的模式识别 | 第40-49页 |
| 4.1 人工神经网络概述 | 第40-42页 |
| 4.1.1 人工神经网络的模型 | 第40-41页 |
| 4.1.2 人工神经网络的学习 | 第41-42页 |
| 4.2 BP神经网络 | 第42-46页 |
| 4.2.1 BP神经网络原理 | 第42-43页 |
| 4.2.2 BP算法原理 | 第43-45页 |
| 4.2.3 BP网络学习算法 | 第45-46页 |
| 4.3 实验仿真 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于支持向量机的模式识别 | 第49-62页 |
| 5.1 支持向量机理论概述 | 第49-52页 |
| 5.2 支持向量机与人工神经网络的比较 | 第52-53页 |
| 5.3 基于支持向量机识别风切变类型 | 第53-54页 |
| 5.4 采用交叉验证选择SVM最佳参数 | 第54-55页 |
| 5.5 基于网格搜索优化SVM参数 | 第55-58页 |
| 5.6 基于遗传算法对支持向量机进行参数优化寻优 | 第58-61页 |
| 5.7 本章小结 | 第61-62页 |
| 总结与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士期间所发表的论文 | 第67页 |
