| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究与发展现状 | 第11-14页 |
| 1.2.1 涌潮机理研究 | 第11-12页 |
| 1.2.2 涌潮预测理论研究 | 第12页 |
| 1.2.3 预测方法的研究 | 第12-14页 |
| 1.3 论文组织结构 | 第14-16页 |
| 第2章 基本概念与理论 | 第16-25页 |
| 2.1 深度学习方法简介 | 第16-17页 |
| 2.2 受限玻尔兹曼机 | 第17-20页 |
| 2.2.1 受限玻尔兹曼机简介 | 第17-19页 |
| 2.2.2 受限玻尔兹曼机训练 | 第19-20页 |
| 2.3 深度信念网络 | 第20页 |
| 2.4 BP神经网络 | 第20-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 钱塘江涌潮介绍及模型数据选取 | 第25-39页 |
| 3.1 钱塘江涌潮形成原理 | 第25-29页 |
| 3.1.1 海洋潮汐原理 | 第25-27页 |
| 3.1.2 钱塘江涌潮形成 | 第27-29页 |
| 3.1.3 钱塘江涌潮的特征 | 第29页 |
| 3.2 钱塘江自动化检测系统 | 第29-32页 |
| 3.2.1 涌潮到达判断模块 | 第31页 |
| 3.2.2 潮位检测采集模块 | 第31-32页 |
| 3.2.3 潮位预测算法结构设计 | 第32页 |
| 3.3 数据的选取 | 第32-38页 |
| 3.3.1 成因角度 | 第33页 |
| 3.3.2 时间角度 | 第33页 |
| 3.3.3 空间角度 | 第33-34页 |
| 3.3.4 流速角度 | 第34-37页 |
| 3.3.5 声音角度 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于深度信念网络的钱塘江潮位预报模型的建立 | 第39-52页 |
| 4.1 钱塘江潮位预测算法流图 | 第39-40页 |
| 4.2 数据预处理 | 第40-41页 |
| 4.2.1 农历“日”数据的处理 | 第40页 |
| 4.2.2 缺失潮位数据补齐 | 第40页 |
| 4.2.3 声音数据的处理 | 第40页 |
| 4.2.4 流速数据 | 第40-41页 |
| 4.2.5 相邻站点间数据 | 第41页 |
| 4.3 DBN预测模型设计 | 第41-46页 |
| 4.3.1 DBN预测模型的结构 | 第41-42页 |
| 4.3.2 DBN网络深度 | 第42-43页 |
| 4.3.3 隐层单元类型 | 第43-46页 |
| 4.4 DBN预测网络的训练 | 第46-51页 |
| 4.4.1 受限玻尔兹曼机的无监督训练 | 第46-49页 |
| 4.4.2 全局训练 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 实验结果与分析 | 第52-55页 |
| 5.1 实验结果与分析 | 第52-54页 |
| 5.2 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 研究工作总结 | 第55页 |
| 6.2 研究展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61页 |