摘要 | 第3-4页 |
Abstract | 第4页 |
第一章 绪论 | 第7-13页 |
1.1 研究背景与意义 | 第7-8页 |
1.1.1 研究背景 | 第7页 |
1.1.2 研究意义 | 第7-8页 |
1.2 国内外研究现状 | 第8-12页 |
1.2.1 气象预测研究现状 | 第8-9页 |
1.2.2 深度学习研究现状 | 第9-12页 |
1.3 研究内容 | 第12页 |
1.4 结构安排 | 第12-13页 |
第二章 相关理论介绍 | 第13-21页 |
2.1 神经网络相关理论介绍 | 第13-15页 |
2.1.1 神经网络结构 | 第13页 |
2.1.2 设计数据流的起始和终点 | 第13-14页 |
2.1.3 隐藏层包含单元数设计 | 第14页 |
2.1.4 初始权值的选择 | 第14-15页 |
2.2 支持向量机相关理论介绍 | 第15-16页 |
2.2.1 支持向量机简介 | 第15-16页 |
2.2.2 LibSVM简介 | 第16页 |
2.3 深度学习相关理论介绍 | 第16-20页 |
2.3.1 深度学习网络模型 | 第16-20页 |
2.3.2 深度学习算法策略 | 第20页 |
2.4 本章小结 | 第20-21页 |
第三章 数据来源及预处理 | 第21-25页 |
3.1 数据来源 | 第21-22页 |
3.2 有效数据选取 | 第22页 |
3.3 数据标准化及数据划分 | 第22-24页 |
3.3.1 数据标准化 | 第22-23页 |
3.3.2 数据划分 | 第23-24页 |
3.4 本章小结 | 第24-25页 |
第四章 气象温度预测实验设计与实现 | 第25-31页 |
4.1 实验环境 | 第25页 |
4.2 基于传统预测方法的实验实施 | 第25-27页 |
4.2.1 基于浅层神经网络的实验实施 | 第25-26页 |
4.2.2 基于支持向量机的预测方法实施 | 第26-27页 |
4.3 基于深度学习模型的预测方法实施 | 第27-30页 |
4.3.1 SAE模型 | 第27-29页 |
4.3.2 DBN模型 | 第29-30页 |
4.3.3 基于支持向量机改进的深度学习气象预测模型 | 第30页 |
4.4 本章小结 | 第30-31页 |
第五章 实验结果对比与分析 | 第31-44页 |
5.1 浅度神经网络实验结果与分析 | 第31-34页 |
5.1.1 浅度神经网络实验结果 | 第31页 |
5.1.2 浅度神经网络实验分析 | 第31-34页 |
5.2 支持向量机实验结果与分析 | 第34-37页 |
5.2.1 支持向量机实验结果 | 第34-36页 |
5.2.2 支持向量机实验分析 | 第36-37页 |
5.3 深度学习方法实验结果与分析 | 第37-42页 |
5.3.1 SAE(Sparsity Auto Encoder)方法实验结果与分析 | 第37-39页 |
5.3.2 DBN(Deep Belief Network)方法实验结果与分析 | 第39-41页 |
5.3.3 基于支持向量机改进的深度学习气象温度预测实验结果与分析 | 第41-42页 |
5.4 改进的算法与原始深度学习方法和传统方法比较 | 第42-43页 |
5.5 本章小结 | 第43-44页 |
第六章 总结与展望 | 第44-46页 |
6.1 总结 | 第44页 |
6.2 不足与展望 | 第44-46页 |
6.2.1 本文存在的不足之处 | 第44-45页 |
6.2.2 深度学习在气象预测方向上的展望 | 第45-46页 |
参考文献 | 第46-49页 |
致谢 | 第49-50页 |
个人简历 | 第50页 |
攻读硕士学位期间发表的学术论文 | 第50页 |