| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景和研究意义 | 第10-14页 |
| 1.1.1 大气中水汽的重要性 | 第10页 |
| 1.1.2 大气水汽探测技术及特点 | 第10-11页 |
| 1.1.3 地基GNSS探测水汽方法 | 第11-13页 |
| 1.1.4 地基GNSS可降水汽量预测方法研究的意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 GNSS气象学及水汽反演应用研究 | 第14-16页 |
| 1.2.2 GNSS可降水汽量精度验证研究 | 第16页 |
| 1.2.3 GNSS资料用于数值预报和同化研究 | 第16-17页 |
| 1.2.4 其他应用研究 | 第17-18页 |
| 1.3 本文研究的主要内容 | 第18-19页 |
| 第二章 地基GNSS探测水汽基本理论 | 第19-28页 |
| 2.1 地基GNSS反演可降水汽量原理 | 第19-21页 |
| 2.2 高精度数据处理软件 | 第21-25页 |
| 2.3 GNSS反演可降水量流程 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 小波分析及神经网络的基本理论 | 第28-48页 |
| 3.1 小波分析基本理论 | 第28-34页 |
| 3.1.1 连续性小波变换 | 第28-30页 |
| 3.1.2 离散小波变换与框架理论 | 第30-31页 |
| 3.1.3 多分辨率分析 | 第31-34页 |
| 3.2 神经网络的基本理论 | 第34-47页 |
| 3.2.1 人工神经元的基本模型 | 第35-36页 |
| 3.2.2 神经网络的结构及工作方式 | 第36-38页 |
| 3.2.3 人工神经网络的学习和算法 | 第38-41页 |
| 3.2.4 BP神经网络 | 第41-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第四章 基于小波神经网络的水汽预报模型 | 第48-58页 |
| 4.1 小波神经网络 | 第48-51页 |
| 4.1.1 小波神经网络的概况及特点 | 第48页 |
| 4.1.2 小波神经网络的结构形式 | 第48-49页 |
| 4.1.3 小波神经网络的学习算法 | 第49-51页 |
| 4.2 小波神经网络的结构设计 | 第51-53页 |
| 4.2.1 小波函数的选择 | 第51-52页 |
| 4.2.2 隐含层节点数的确定 | 第52-53页 |
| 4.3 水汽预报的小波神经网络算法 | 第53-55页 |
| 4.3.1 小波神经网络样本数据归一化处理 | 第53-54页 |
| 4.3.2 小波神经网络使用算法及参数初始化 | 第54-55页 |
| 4.4 小波神经网络水汽预报流程图 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 小波神经网络在水汽预测中的应用 | 第58-74页 |
| 5.1 可降水汽量数据获取 | 第58-59页 |
| 5.2 基于小波神经网络预测GPS可降水汽量 | 第59-62页 |
| 5.3 网络预测结果 | 第62-64页 |
| 5.4 基于训练样本数量的预报精度分析 | 第64-68页 |
| 5.5 基于不同采样率数据的WNN网络预测对比分析 | 第68-72页 |
| 5.6 本章小结 | 第72-74页 |
| 总结与展望 | 第74-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士期间发表的硕士论文及科研成果 | 第83页 |