基于EMD与RBF的GPS可降水量的降水预报研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景 | 第9-13页 |
| 1.1.1 降水预报的重要性 | 第9-10页 |
| 1.1.2 降水预报的方法 | 第10-12页 |
| 1.1.3 GPS可降水量预报降水的优点 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 GPS可降水量研究进展 | 第13-15页 |
| 1.2.2 降水预报技术的研究进展 | 第15页 |
| 1.3 研究内容与目的 | 第15-18页 |
| 第2章 人工神经网络 | 第18-28页 |
| 2.1 人工神经网络的简介 | 第18-21页 |
| 2.1.1 人工神经网络原理 | 第18页 |
| 2.1.2 人工神经网络的特征及应用 | 第18-19页 |
| 2.1.3 人工神经元数学模型 | 第19-21页 |
| 2.2 RBF神经网络 | 第21-27页 |
| 2.2.1 RBF网络结构 | 第22-23页 |
| 2.2.2 RBF网络逼近性能 | 第23页 |
| 2.2.3 RBF神经网络学习算法 | 第23-27页 |
| 2.3 径向基神经网络在降水预报中的应用 | 第27-28页 |
| 第3章 地基GPS反演可降水量 | 第28-34页 |
| 3.1 GPS信号传播中的误差 | 第28页 |
| 3.2 GPS信号大气延迟 | 第28-31页 |
| 3.2.1 电离层延迟 | 第28-29页 |
| 3.2.2 对流层延迟 | 第29-31页 |
| 3.3 静力学延迟模型 | 第31-32页 |
| 3.4 大气可降水量的推算 | 第32-34页 |
| 第4章 经验模态分解方法与端点效应 | 第34-45页 |
| 4.1 经验模态分解 | 第34-36页 |
| 4.1.1 经验模态分解步骤 | 第34-35页 |
| 4.1.2 经验模态分解实现 | 第35-36页 |
| 4.2 EMD端点效应理论及仿真实验 | 第36-38页 |
| 4.2.1 EMD端点效应理论 | 第36-37页 |
| 4.2.2 仿真实验 | 第37-38页 |
| 4.3 解决端点效应的方法 | 第38-43页 |
| 4.3.1 神经网络延拓法 | 第38-40页 |
| 4.3.2 极值点对称延拓法 | 第40-43页 |
| 4.4 仿真信号的预测分析 | 第43页 |
| 4.5 小结 | 第43-45页 |
| 第5章 基于EMD与RBF的降水预报 | 第45-58页 |
| 5.1 降水预报的方法分析 | 第45-46页 |
| 5.2 GPS可降水量与实际降水的关系 | 第46-47页 |
| 5.3 基于RBF神经网络降水预报 | 第47-57页 |
| 5.3.1 气象资料及数据预处理 | 第47-50页 |
| 5.3.2 降水预报的判断 | 第50-51页 |
| 5.3.3 径向基神经网络预测建模分析 | 第51-52页 |
| 5.3.4 降水预报结果分析 | 第52-57页 |
| 5.4 小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 导师简介 | 第65页 |
| 企业导师简介 | 第65-66页 |
| 作者简介 | 第66-67页 |
| 学位论文数据集 | 第67页 |
