| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 Argo发展与现状 | 第10-12页 |
| 1.2.2 国内外研究方法现状 | 第12-13页 |
| 1.3 论文主要内容及章节安排 | 第13-15页 |
| 第2章 基于SVR的高空间分辨率海洋温度预测 | 第15-28页 |
| 2.1 支持向量回归 | 第15-17页 |
| 2.1.1 支持向量回归算法理论 | 第15-16页 |
| 2.1.2 常用核函数 | 第16-17页 |
| 2.1.3 RBF核函数参数分析 | 第17页 |
| 2.2 基于SVR的高空间分辨率海洋温度预测方法设计 | 第17-22页 |
| 2.2.1 数据预处理方法 | 第18-19页 |
| 2.2.2 SVR模型构建方法 | 第19-20页 |
| 2.2.3 模型性能评估方法 | 第20-22页 |
| 2.2.4 高空间分辨率海洋温度模型构建方法 | 第22页 |
| 2.3 实验分析 | 第22-28页 |
| 2.3.1 数据说明与样本选取 | 第22-23页 |
| 2.3.2 SVR模型参数优化 | 第23-25页 |
| 2.3.3 实验结果对比分析 | 第25-27页 |
| 2.3.4 高空间分辨率海洋温度模型可视化 | 第27-28页 |
| 第3章 基于时域特征序列和LSTM神经网络的海洋温度预测 | 第28-47页 |
| 3.1 时间序列 | 第28-29页 |
| 3.1.1 时间序列定义 | 第28页 |
| 3.1.2 时间序列特征 | 第28-29页 |
| 3.2 LSTM神经网络相关理论 | 第29-32页 |
| 3.2.1 循环神经网络 | 第29-31页 |
| 3.2.2 LSTM神经网络 | 第31-32页 |
| 3.3 海洋温度时间序列预测方法设计 | 第32-37页 |
| 3.3.1 基于时域特征的海洋温度时间序列重构方法 | 第33-35页 |
| 3.3.2 LSTM模型构建方法 | 第35-37页 |
| 3.4 实验分析 | 第37-47页 |
| 3.4.1 数据说明与样本选取 | 第37页 |
| 3.4.2 参数选择 | 第37-40页 |
| 3.4.3 实验结果对比分析 | 第40-47页 |
| 第4章 总结与展望 | 第47-49页 |
| 4.1 全文总结 | 第47-48页 |
| 4.2 研究展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 作者简介及在学期间所取得的科研成果 | 第53-54页 |
| 致谢 | 第54页 |
