| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-20页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 论文主要工作 | 第14-17页 |
| 1.4 深度学习环境 | 第17-18页 |
| 1.4.1 系统环境 | 第17页 |
| 1.4.2 深度学习框架 | 第17-18页 |
| 1.4.3 雷达回波图像序列的收集 | 第18页 |
| 1.5 各章节的组织结构 | 第18-19页 |
| 1.6 本章小结 | 第19-20页 |
| 2 基于卷积自编码器的雷达回波图像特征提取和重构 | 第20-36页 |
| 2.1 自编码器的标准模型 | 第20-21页 |
| 2.2 自编码器的学习算法 | 第21-25页 |
| 2.3 自编码器的衍生模型 | 第25-28页 |
| 2.3.1 稀疏自编码器 | 第25-26页 |
| 2.3.2 降噪自编码器 | 第26-27页 |
| 2.3.3 收缩自编码器 | 第27页 |
| 2.3.4 卷积自编码器 | 第27-28页 |
| 2.4 基于卷积自编码器的雷达回波图像特征提取和反向重构 | 第28-34页 |
| 2.4.1 基于卷积自编码器网络模型的空间特征建模 | 第28-29页 |
| 2.4.2 实验结果与分析 | 第29-34页 |
| 2.5 本章小结 | 第34-36页 |
| 3 基于LSTM的雷达回波图像降雨特征预测 | 第36-55页 |
| 3.1 循环神经网络 | 第36-45页 |
| 3.1.1 循环神经网络标准模型 | 第36-39页 |
| 3.1.2 长短时记忆网络 | 第39-42页 |
| 3.1.3 GRU神经网络 | 第42-44页 |
| 3.1.4 带窥孔的长短时记忆神经网络 | 第44-45页 |
| 3.2 基于LSTM 网络的未来时段雷达回波图像特征预测 | 第45-53页 |
| 3.2.1 基于卷积自编码器网络模型的空间特征建模 | 第46-48页 |
| 3.2.2 实验结果与分析 | 第48-53页 |
| 3.3 本章小结 | 第53-55页 |
| 4 总结与展望 | 第55-57页 |
| 4.1 工作总结 | 第55-56页 |
| 4.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |
