首页--天文学、地球科学论文--大气科学(气象学)论文--天气预报论文--主要气象要素和天气现象预报论文--温度预报论文

基于深度学习的气象温度预测研究

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

论文共50页,点击 下载论文
上一篇:氡同位素示踪莱州湾海底地下水排泄
下一篇:多组件融合的WRF模式气象数据可视化平台研究