| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 强对流云团识别研究现状 | 第12-13页 |
| 1.2.2 静止气象卫星发展现状 | 第13-14页 |
| 1.2.3 深度学习研究现状 | 第14-17页 |
| 1.3 研究内容和论文结构 | 第17-19页 |
| 第2章 强对流天气理论介绍 | 第19-29页 |
| 2.1 强对流天气概述 | 第19-23页 |
| 2.1.1 强对流天气的定义 | 第19-20页 |
| 2.1.2 强对流天气的成因 | 第20页 |
| 2.1.3 强对流天气的类型 | 第20-23页 |
| 2.2 卫星图像中强对流云团的特征 | 第23-27页 |
| 2.2.1 强对流云团的光谱特征 | 第23-25页 |
| 2.2.2 强对流云团的纹理特征 | 第25-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第3章 深度信念网络基本原理 | 第29-37页 |
| 3.1 限制玻尔兹曼机 | 第29-31页 |
| 3.2 Softmax分类器 | 第31-33页 |
| 3.3 反向传播算法 | 第33-34页 |
| 3.4 深度信念网络 | 第34-36页 |
| 3.4.1 预训练 | 第35页 |
| 3.4.2 微调 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于DBN的静止卫星图像强对流云团识别方法 | 第37-47页 |
| 4.1 数据预处理 | 第37-38页 |
| 4.2 特征提取和构建样本集 | 第38-40页 |
| 4.3 训练DBN模型 | 第40-42页 |
| 4.3.1 初始化参数 | 第40-41页 |
| 4.3.2 确定RBM节点数 | 第41页 |
| 4.3.3 选择DBN深度 | 第41页 |
| 4.3.4 小批量训练 | 第41-42页 |
| 4.4 强对流云团识别及后处理 | 第42-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第5章 实验与分析 | 第47-63页 |
| 5.1 实验详情 | 第47-51页 |
| 5.1.1 研究区域及时段 | 第47-48页 |
| 5.1.2 实验数据介绍 | 第48-50页 |
| 5.1.3 样本集构建 | 第50-51页 |
| 5.1.4 DBN参数设置 | 第51页 |
| 5.2 典型案例分析 | 第51-55页 |
| 5.3 DBN模型精度评定 | 第55-56页 |
| 5.4 与已有算法的比较 | 第56-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 论文的主要工作及创新点 | 第63-64页 |
| 6.2 后续工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第71页 |