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 |