| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究背景与意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 卷积神经网络的发展 | 第7-9页 |
| 1.3 本文主要工作 | 第9页 |
| 1.4 论文架构与内容安排 | 第9-10页 |
| 第二章 浓雾天气形势图识别与分类相关技术 | 第10-27页 |
| 2.1 引言 | 第10页 |
| 2.2 卷积神经网络模型 | 第10-16页 |
| 2.2.1 卷积层的局部连接和权值共享 | 第11-12页 |
| 2.2.2 卷积层的卷积操作 | 第12-13页 |
| 2.2.3 下采样层 | 第13页 |
| 2.2.4 Softmax回归 | 第13-16页 |
| 2.3 Gabor滤波器介绍 | 第16-21页 |
| 2.4 LBP算法介绍 | 第21-23页 |
| 2.5 极限学习机 | 第23-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于G-CNN模型的浓雾天气形势图识别与分类方法 | 第27-37页 |
| 3.1 引言 | 第27-28页 |
| 3.2 G-CNN架构的浓雾智能识别模型 | 第28-29页 |
| 3.3 模型求解具体流程 | 第29-31页 |
| 3.4 实验结果与分析 | 第31-35页 |
| 3.4.1 CNN模型训练与测试 | 第31页 |
| 3.4.2 G-CNN模型训练与测试 | 第31-34页 |
| 3.4.3 数据实验与分析 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于L-CNN-ELM模型的浓雾天气形势图识别与分类方法 | 第37-44页 |
| 4.1 引言 | 第37页 |
| 4.2 CNN-ELM网络模型分析 | 第37-39页 |
| 4.2.1 CNN-ELM模型架构 | 第37-38页 |
| 4.2.2 L-CNN-ELM模型 | 第38-39页 |
| 4.3 L-CNN-ELM模型求解 | 第39-40页 |
| 4.4 实验结果与分析 | 第40-43页 |
| 4.4.1 模拟数据实验与分析 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-51页 |
| 致谢 | 第51-52页 |
| 作者简介 | 第52页 |