首页--工业技术论文--电工技术论文--发电、发电厂论文--各种发电论文--太阳能发电论文

机器学习方法在光伏电站遥感提取中的应用

摘要第4-6页
abstract第6-7页
1 引言第14-24页
    1.1 研究背景及意义第14-15页
    1.2 国内外研究现状第15-20页
        1.2.1 光伏电站研究第15-16页
        1.2.2 地物提取现状分析第16-20页
    1.3 研究内容第20-21页
    1.4 技术路线第21-24页
2 研究区概况、试验数据与方法第24-32页
    2.1 研究区概况第24-25页
    2.2 数据选择与预处理第25-26页
    2.3 研究方法第26-32页
        2.3.1 非监督分类第26-29页
        2.3.2 监督分类第29-30页
        2.3.3 深度学习模型第30-31页
        2.3.4 光伏电站提取精度评定第31-32页
3 光伏电站影像特征及其对提取结果的影响第32-50页
    3.1 特征综合分析第32-40页
        3.1.1 光谱特征第32-35页
        3.1.2 空间特征第35-40页
    3.2 影像特征对提取算法性能的影响第40-48页
        3.2.1 特征选择算法对OC-SVM的影响第40-46页
        3.2.2 考虑空间特征的高斯混合聚类模型第46-48页
    3.3 本章小结第48-50页
4 基于一类支持向量机的光伏电站遥感提取算法研究第50-72页
    4.1 光伏电站光谱不确定性分析第50-53页
    4.2 光谱匹配算法的应用第53-57页
        4.2.1 光谱角制图算法第53-55页
        4.2.2 其他光谱匹配算法第55-57页
    4.3 改进的光谱匹配算法的应用第57-71页
        4.3.1 改进的光谱角制图算法第57-58页
        4.3.2 光谱角和波段局部角相结合第58-63页
        4.3.3 多共性特征联合第63-71页
    4.4 本章小结第71-72页
5 光伏电站深度学习场景识别算法研究第72-86页
    5.1 深度学习理论基础第72-75页
        5.1.1 深度学习发展概况第72-74页
        5.1.2 卷积神经网络第74-75页
    5.2 光伏电站场景识别存在的问题第75-78页
        5.2.1 场景构成的复杂性第76-77页
        5.2.2 面临的小样本问题第77-78页
    5.3 基于模型迁移学习的光伏电站场景识别第78-84页
        5.3.1 样本不平衡条件下的光伏电站识别第78-79页
        5.3.2 样本平衡条件下的光伏电站识别第79-83页
        5.3.3 CNN的鲁棒性分析第83-84页
    5.4 本章小结第84-86页
6 结论与展望第86-90页
    6.1 结论第86-87页
    6.2 展望第87-90页
参考文献第90-102页
致谢第102-104页
作者简历第104-106页
学位论文数据集第106页

论文共106页,点击 下载论文
上一篇:基于组合开关的多模块电动汽车充电接口技术研究
下一篇:基于光储联合的电网黑启动可行性研究