基于雷达反射率图像与多元统计方法相结合的雹云模型识别研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1.绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外相关研究进展综述 | 第9-11页 |
| 1.3 本文研究内容及研究方法 | 第11-13页 |
| 1.3.1 主要研究内容与结构 | 第11-12页 |
| 1.3.2 研究方法 | 第12-13页 |
| 2.雷达云图的三种增强算法应用分析 | 第13-22页 |
| 2.1 基于直方图均衡化的云图增强算法 | 第13-15页 |
| 2.1.1 直方图均衡化定义 | 第13-14页 |
| 2.1.2 实验结果及分析讨论 | 第14-15页 |
| 2.2 基于小波变换的图像增强算法 | 第15-18页 |
| 2.2.1 小波变换的定义 | 第15-16页 |
| 2.2.2 基于小波变换的云图增强原理 | 第16-17页 |
| 2.2.3 基于小波变换的图像增强算法 | 第17页 |
| 2.2.4 实验结果及分析讨论 | 第17-18页 |
| 2.3 基于拉普拉斯算子的云图锐化 | 第18-21页 |
| 2.3.1 拉普拉斯(Laplacian)算子 | 第18-20页 |
| 2.3.2 仿真实验 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3.雷达云图的边缘检测算法比较分析 | 第22-27页 |
| 3.1 CNN细胞神经网络 | 第22-23页 |
| 3.2 传统边缘检测算子 | 第23-24页 |
| 3.3 图像边缘提取的目的和意义 | 第24-25页 |
| 3.4 仿真实验 | 第25-26页 |
| 3.5 本章小结 | 第26-27页 |
| 4.雷达云图的特征提取 | 第27-32页 |
| 4.1 多普勒天气雷达反射率图像的强度特征 | 第27-28页 |
| 4.2 冰雹的测度特征 | 第28-29页 |
| 4.3 灰度共生矩阵 | 第29-31页 |
| 4.4 本章小结 | 第31-32页 |
| 5.雹云识别模型的应用设计 | 第32-43页 |
| 5.1 基于最大概率判别法的雹云识别模型 | 第32-36页 |
| 5.1.1 最大概率判别 | 第32页 |
| 5.1.2 模型构建 | 第32-34页 |
| 5.1.3 模型检验 | 第34-35页 |
| 5.1.4 实验结果分析 | 第35页 |
| 5.1.5 误差分析 | 第35-36页 |
| 5.1.6 结论 | 第36页 |
| 5.2 基于FCM聚类算法的雹云识别模型 | 第36-39页 |
| 5.2.1 FCM聚类算法步骤 | 第36-38页 |
| 5.2.2 FCM聚类算法对雹云的识别 | 第38-39页 |
| 5.2.3 模型检验 | 第39页 |
| 5.2.4 结论 | 第39页 |
| 5.3 基于SVM算法的雹云识别模型 | 第39-42页 |
| 5.3.1 SVM分类模型算法 | 第39-40页 |
| 5.3.2 训练及检验SVM分类模型 | 第40-41页 |
| 5.3.3 误差分析 | 第41页 |
| 5.3.4 结论 | 第41-42页 |
| 5.4 结果比较 | 第42页 |
| 5.5 本章小结 | 第42-43页 |
| 6.结论与展望 | 第43-45页 |
| 6.1 结论 | 第43-44页 |
| 6.2 研究不足和展望 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 致谢 | 第49-50页 |
| 作者简介 | 第50页 |
