| 作者简介 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-14页 |
| 第一章 绪论 | 第14-26页 |
| ·研究背景及意义 | 第14-17页 |
| ·极光的产生及研究意义 | 第14页 |
| ·极光图像观测设备及数据介绍 | 第14-16页 |
| ·极光图像自动分析的必要性 | 第16-17页 |
| ·极光图像分析的研究进展与现状 | 第17-22页 |
| ·ASI 图像的研究进展与现状 | 第17-19页 |
| ·UVI 图像的研究进展与现状 | 第19-21页 |
| ·极光图像自动分析的研究进展与现状 | 第21-22页 |
| ·极光图像自动分析的难点 | 第22页 |
| ·本文主要研究内容及组织结构 | 第22-26页 |
| ·本文研究内容及主要贡献 | 第22-24页 |
| ·本文基本研究框架 | 第24-26页 |
| 第二章 ASI 极光图像序列的表征和分类 | 第26-46页 |
| ·引言 | 第26-28页 |
| ·基于 HMM 的极光序列表征 | 第28-31页 |
| ·极光图像的表象特征提取 | 第28-29页 |
| ·HMM 基本原理 | 第29-31页 |
| ·HMM 训练&识别 | 第31页 |
| ·HMM 相似度表征 | 第31页 |
| ·不等长序列的处理 | 第31-34页 |
| ·分类机制 | 第34页 |
| ·日侧极光自动识别 | 第34-42页 |
| ·数据集介绍 | 第34-36页 |
| ·检索实验 | 第36-37页 |
| ·有监督分类实验 | 第37-42页 |
| ·极光类型发生分布规律 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第三章 基于 HMM 和 SVM 的极向运动极光自动识别 | 第46-60页 |
| ·引言 | 第46-49页 |
| ·PMAs 自动识别的研究背景和动机 | 第46-47页 |
| ·PMAs 自动识别的方法框架 | 第47-49页 |
| ·极向运动特征提取 | 第49-51页 |
| ·数据库介绍 | 第49页 |
| ·极向运动特征提取 | 第49-51页 |
| ·不平衡分类准则 | 第51-52页 |
| ·HMM 表征及 SVM 分类 | 第52-53页 |
| ·有偏 SVM | 第52-53页 |
| ·不同准则下的 SVM | 第53页 |
| ·实验和结果 | 第53-58页 |
| ·数据标记 | 第53页 |
| ·有监督二分类实验 | 第53-56页 |
| ·PMAs 检测实验 | 第56-58页 |
| ·本章小结 | 第58-60页 |
| 第四章 基于 UVI 极光图像的亚暴膨胀期起始时刻自动检测 | 第60-76页 |
| ·引言 | 第60-61页 |
| ·亚暴特征描述及相关研究回顾 | 第61-63页 |
| ·亚暴特征描述 | 第61-62页 |
| ·相关统计研究 | 第62-63页 |
| ·数据与方法 | 第63-69页 |
| ·数据集介绍 | 第63页 |
| ·图像预处理 | 第63-64页 |
| ·MLT-MLAT 网格图像转换 | 第64-65页 |
| ·基于 SFCM 算法的亮斑提取 | 第65-68页 |
| ·亚暴初始时刻确定 | 第68-69页 |
| ·实验结果及分析 | 第69-74页 |
| ·数值评估 | 第69-70页 |
| ·结果分析 | 第70-74页 |
| ·本章小结 | 第74-76页 |
| 第五章 基于 UVI 图像的极光卵边界位置多元回归建模 | 第76-94页 |
| ·引言 | 第76-78页 |
| ·数据集构建 | 第78-81页 |
| ·数据介绍 | 第78页 |
| ·极光卵边界自动抽取 | 第78-79页 |
| ·数据集构建 | 第79-81页 |
| ·数据分析及结果 | 第81-92页 |
| ·单变量分析 | 第82-83页 |
| ·多元回归分析 | 第83-92页 |
| ·问题讨论 | 第92页 |
| ·本章小结 | 第92-94页 |
| 第六章 结束语 | 第94-98页 |
| 致谢 | 第98-100页 |
| 参考文献 | 第100-114页 |
| 攻读博士学位期间的研究成果 | 第114-115页 |
| 学术论文 | 第114页 |
| 参加研究的科研项目 | 第114-115页 |
