| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 深度学习研究现状 | 第11-12页 |
| 1.2.2 云图识别研究现状 | 第12页 |
| 1.2.3 光辐射预测研究现状 | 第12-13页 |
| 1.3 论文组织架构 | 第13-14页 |
| 第二章 神经网络基础 | 第14-24页 |
| 2.1 神经网络发展简史 | 第14-15页 |
| 2.2 多层感知器 | 第15-17页 |
| 2.3 卷积神经网络 | 第17-18页 |
| 2.4 循环神经网络 | 第18-20页 |
| 2.5 神经网络的改进方法 | 第20-24页 |
| 2.5.1 激活函数 | 第20-21页 |
| 2.5.2 损失函数 | 第21页 |
| 2.5.3 权值初始化 | 第21-22页 |
| 2.5.4 梯度下降方法 | 第22页 |
| 2.5.5 Batch Normalization | 第22-23页 |
| 2.5.6 正则化 | 第23-24页 |
| 第三章 云图识别与分类 | 第24-36页 |
| 3.1 问题描述 | 第24-25页 |
| 3.2 传统算法建模 | 第25-27页 |
| 3.2.1 特征选取 | 第25-26页 |
| 3.2.2 KNN分类 | 第26-27页 |
| 3.2.3 SVM分类 | 第27页 |
| 3.3 卷积神经网络模型 | 第27-30页 |
| 3.3.1 建模分析 | 第27-28页 |
| 3.3.2 模型建立 | 第28-29页 |
| 3.3.3 模型训练 | 第29-30页 |
| 3.4 结果与分析 | 第30-34页 |
| 3.4.1 实验结果 | 第30-31页 |
| 3.4.2 实验分析 | 第31-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 超短期直接太阳光辐射预测 | 第36-48页 |
| 4.1 问题描述 | 第36-38页 |
| 4.1.1 太阳光辐射 | 第36-37页 |
| 4.1.2 数据预处理 | 第37页 |
| 4.1.3 晴空模型 | 第37-38页 |
| 4.2 单模型序列预测 | 第38-43页 |
| 4.2.1 持续模型 | 第38-39页 |
| 4.2.2 线性回归 | 第39-40页 |
| 4.2.3 MLP模型 | 第40-41页 |
| 4.2.4 RBF模型 | 第41-42页 |
| 4.2.5 循环神经网络 | 第42-43页 |
| 4.3 混合模型 | 第43-45页 |
| 4.3.1 建模分析 | 第43页 |
| 4.3.2 模型建立 | 第43-44页 |
| 4.3.3 结果及分析 | 第44-45页 |
| 4.3.4 伪预测 | 第45页 |
| 4.4 实验结果分析 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 应用平台设计与实现 | 第48-56页 |
| 5.1 功能需求概述 | 第48-49页 |
| 5.2 开发工具选择 | 第49-50页 |
| 5.3 功能模块的实现 | 第50-54页 |
| 5.3.1 数据采集存储模块 | 第50-51页 |
| 5.3.2 云图识别模块 | 第51-52页 |
| 5.3.3 DNI预测模块 | 第52-53页 |
| 5.3.4 前端开发设计模块 | 第53页 |
| 5.3.5 系统稳定与安全设计 | 第53-54页 |
| 5.4 结果与测试 | 第54页 |
| 5.5 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-60页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间的研究成果 | 第68页 |