| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究内容及创新点 | 第12-14页 |
| 1.3 本文组织结构 | 第14-15页 |
| 2 相关研究工作综述 | 第15-29页 |
| 2.1 全天空云图数据集和云图类别 | 第15-17页 |
| 2.1.1 全天空云图数据集 | 第15-16页 |
| 2.1.2 全天空云图类别 | 第16-17页 |
| 2.2 传统的云图分类方法 | 第17-22页 |
| 2.2.1 基于统计信息的分类方法 | 第17-20页 |
| 2.2.2 基于机器学习的分类方法 | 第20-22页 |
| 2.3 深度学习理论 | 第22-29页 |
| 2.3.1 神经网络及BP算法 | 第22-24页 |
| 2.3.2 卷积神经网络 | 第24-26页 |
| 2.3.3 深度信念网络 | 第26-29页 |
| 3 基于微结构模型的云图分类方法 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 微结构模型的云图描述子 | 第29-34页 |
| 3.2.1 方法概述 | 第29-31页 |
| 3.2.2 微结构云图生成 | 第31-33页 |
| 3.2.3 云图特征向量 | 第33-34页 |
| 3.3 实验结果与分析 | 第34-38页 |
| 3.3.1 实验设置 | 第34-35页 |
| 3.3.2 与传统云图分类方法的比较 | 第35-36页 |
| 3.3.3 参数分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于深度学习的云图分类方法 | 第39-55页 |
| 4.1 引言 | 第39-40页 |
| 4.2 针对小样本数据集深度学习模型的训练方法 | 第40-44页 |
| 4.2.1 方法概述 | 第40-42页 |
| 4.2.2 预处理过程 | 第42-43页 |
| 4.2.3 深度学习网络结构 | 第43-44页 |
| 4.3 针对超大分辨率数据集深度学习网络设计和训练方法 | 第44-47页 |
| 4.3.1 方法概述 | 第44-45页 |
| 4.3.2 无监督学习 | 第45-46页 |
| 4.3.3 深度学习网络结构 | 第46-47页 |
| 4.4 实验结果与分析 | 第47-53页 |
| 4.4.1 实验设置 | 第47页 |
| 4.4.2 实验结果对比 | 第47-50页 |
| 4.4.3 参数分析 | 第50-52页 |
| 4.4.4 错误分析 | 第52-53页 |
| 4.5 本章小结 | 第53-55页 |
| 5 全天空云图训练平台与分类平台简介 | 第55-63页 |
| 5.1 平台概述 | 第55-56页 |
| 5.2 各模块功能介绍 | 第56-63页 |
| 5.2.1 总控程序 | 第56-57页 |
| 5.2.2 训练子系统 | 第57-59页 |
| 5.2.3 识别子系统 | 第59-61页 |
| 5.2.4 辅助子系统 | 第61-63页 |
| 6 结论与展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第68-70页 |
| 学位论文数据集 | 第70页 |