| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景及其研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 数据挖据方法在气象领域的应用 | 第12-13页 |
| 1.4 论文的主要研究内容 | 第13-14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 第2章 气象观测数据质量控制 | 第16-26页 |
| 2.1 气象自动站观测数据 | 第16-18页 |
| 2.1.1 气象观测数据采集原理 | 第16-17页 |
| 2.1.2 气象观测数据特点 | 第17-18页 |
| 2.1.3 气象观测数据误差类型 | 第18页 |
| 2.2 气象数据质量控制方法 | 第18-23页 |
| 2.2.1 界限值检查与空间一致性检查方法 | 第19-20页 |
| 2.2.2 内部一致性检查 | 第20-21页 |
| 2.2.3 时变检查与持续性检查 | 第21页 |
| 2.2.4 特殊天气事件检测 | 第21-22页 |
| 2.2.5 传感器漂移以及风向缺失检测 | 第22-23页 |
| 2.3 气象资料业务系统质控方法的缺陷 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于卡尔曼滤波的探测数据质控方法 | 第26-42页 |
| 3.1 自动气象站探测要素混沌性分析 | 第26-28页 |
| 3.1.1 混沌性系统特征 | 第26-27页 |
| 3.1.2 混沌系统的判定参数 | 第27-28页 |
| 3.2 卡尔曼滤波 | 第28-29页 |
| 3.2.1 卡尔曼滤波的条件 | 第29页 |
| 3.2.2 线性卡尔曼滤波 | 第29页 |
| 3.3 基于多变量相空间重构卡尔曼滤波方法的建模 | 第29-32页 |
| 3.3.1 气象观测要素时间序列的相空间重构 | 第30页 |
| 3.3.2 温度气压预测的相空间重构参数优化 | 第30页 |
| 3.3.3 卡尔曼滤波方程 | 第30-32页 |
| 3.3.4 相空间重构卡尔曼滤波方法的建模 | 第32页 |
| 3.4 实验结果及分析 | 第32-40页 |
| 3.4.1 气象要素序列混沌特性判别 | 第33页 |
| 3.4.2 气象要素相空间重构 | 第33页 |
| 3.4.3 相空间重构卡尔曼滤波方法的有效性验证 | 第33-35页 |
| 3.4.4 相空间重构卡尔曼滤波方法的质控实验 | 第35-38页 |
| 3.4.5 相空间重构卡尔曼滤波方法与气象资料业务系统质控方法对比 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于粒子滤波的神经网络气象数据质控方法 | 第42-58页 |
| 4.1 BP神经网络原理及算法 | 第42-43页 |
| 4.1.1 BP神经网络结构 | 第42-43页 |
| 4.1.2 BP神经网络存在的不足 | 第43页 |
| 4.2 粒子滤波 | 第43-44页 |
| 4.2.1 粒子滤波基本概念 | 第43-44页 |
| 4.2.2 粒子滤波的应用 | 第44页 |
| 4.3 基于粒子滤波的神经网络算法建模 | 第44-48页 |
| 4.3.1 BP神经网络模型算法步骤 | 第45页 |
| 4.3.2 BP神经网络求解步骤设计 | 第45-46页 |
| 4.3.3 筛选神经网络输入 | 第46-47页 |
| 4.3.4 粒子滤波算法 | 第47-48页 |
| 4.3.5 粒子滤波的神经网络算法建模 | 第48页 |
| 4.4 实验与分析 | 第48-57页 |
| 4.4.1 要素相关性分析 | 第49页 |
| 4.4.2 粒子滤波的神经网络算法的有效性验证 | 第49-50页 |
| 4.4.3 粒子滤波的神经网络算法的质控实验 | 第50-54页 |
| 4.4.4 粒子滤波的神经网络算法与MDOS质控方法对比 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 个人简历 | 第65页 |