基于深度极限学习机的卫星云图云量计算
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文的主要内容及章节安排 | 第12-14页 |
| 第二章 深度极限学习机简介 | 第14-25页 |
| 2.1 极限学习机概述 | 第14页 |
| 2.2 极限学习机原理 | 第14-16页 |
| 2.3 极限学习机自动编码器 | 第16-18页 |
| 2.4 深度极限学习机的结构 | 第18-19页 |
| 2.5 ELM稀疏自动编码器 | 第19-21页 |
| 2.6 Softmax回归分类 | 第21-22页 |
| 2.7 深度极限学习机的优点 | 第22-23页 |
| 2.8 本章小结 | 第23-25页 |
| 第三章 基于深度极限学习机的卫星云图检测 | 第25-35页 |
| 3.1 研究动机 | 第25页 |
| 3.2 阈值分割法 | 第25页 |
| 3.3 原始极限学习机模型 | 第25-26页 |
| 3.4 基于深度极限学习机的卫星云图检测 | 第26-29页 |
| 3.4.1 深度极限学习机模型优化及参数选择 | 第27-28页 |
| 3.4.2 图像预处理 | 第28-29页 |
| 3.4.3 特征学习及分类 | 第29页 |
| 3.5 实验结果分析 | 第29-33页 |
| 3.6 本章小结 | 第33-35页 |
| 第四章 基于卷积神经网络的卫星云图检测 | 第35-48页 |
| 4.1 研究动机 | 第35页 |
| 4.2 卷积神经网络概述 | 第35-36页 |
| 4.3 卷积神经网络结构 | 第36-37页 |
| 4.4 权值共享 | 第37-38页 |
| 4.5 卷积神经网络训练 | 第38-42页 |
| 4.5.1 前向传播过程 | 第38-39页 |
| 4.5.2 反向传播过程 | 第39-40页 |
| 4.5.3 卷积层梯度计算 | 第40-41页 |
| 4.5.4 下采样层梯度计算 | 第41-42页 |
| 4.5.5 SOFTMAX输出层 | 第42页 |
| 4.6 实验结果分析 | 第42-46页 |
| 4.7 本章小结 | 第46-48页 |
| 第五章 基于云图检测的云量计算 | 第48-55页 |
| 5.1 研究动机 | 第48页 |
| 5.2 云量计算方法 | 第48-50页 |
| 5.3 总云量计算方案 | 第50-53页 |
| 5.4 总云量验证方案 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55-56页 |
| 6.2 论文展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64页 |
