光电型太阳辐射观测算法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国内外太阳辐射观测仪的研究现状 | 第9-11页 |
| 1.2.2 国内外太阳辐射算法的研究现状 | 第11-12页 |
| 1.3 论文研究内容及论文结构安排 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 第二章 太阳辐射测量理论与方法 | 第14-25页 |
| 2.1 太阳辐射基本理论 | 第14-18页 |
| 2.1.1 太阳光谱 | 第14-15页 |
| 2.1.2 太阳辐射 | 第15-16页 |
| 2.1.3 太阳辐射的计算理论 | 第16-18页 |
| 2.2 辐射观测仪器 | 第18-21页 |
| 2.2.1 热电型辐射表 | 第18-19页 |
| 2.2.2 光电型日照计 | 第19-21页 |
| 2.3 辐射数据预处理方法 | 第21-24页 |
| 2.3.1 质量控制判别 | 第21-22页 |
| 2.3.2 辐射表数据内部一致性分析 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 直接辐射反演模型的构建 | 第25-51页 |
| 3.1 太阳辐射的影响因素 | 第25-33页 |
| 3.1.1 天气类型的影响 | 第25-27页 |
| 3.1.2 气象因子的影响 | 第27-33页 |
| 3.2 反演技术简介 | 第33-42页 |
| 3.2.1 概率神经网络概述 | 第33-34页 |
| 3.2.2 BP神经网络 | 第34-37页 |
| 3.2.3 遗传BP神经网络 | 第37-39页 |
| 3.2.4 思维进化BP神经网络 | 第39-41页 |
| 3.2.5 极限学习机理论 | 第41-42页 |
| 3.3 算法模型构建 | 第42-50页 |
| 3.3.1 天气类型的分类模型 | 第42-44页 |
| 3.3.2 直接辐射反演模型 | 第44-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 实验结果 | 第51-58页 |
| 4.1 基于PNN的广义天气类型分类模型 | 第51页 |
| 4.2 算法模型性能评价 | 第51-57页 |
| 4.2.1 评价指标体系 | 第51-52页 |
| 4.2.2 实验结果及误差分析 | 第52-55页 |
| 4.2.3 反演模型评价 | 第55-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 结论与展望 | 第58-59页 |
| 5.1 结论 | 第58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间取得的成果 | 第63-64页 |
| 致谢 | 第64页 |
