深度学习在海洋信息探测中的应用:现状与展望

深度学习可以通过深度神经网络,使机器理解学习数据,从而提高数据分类效果和预测结果的准确性,因此在海洋信息探测中应用越来越受到重视.作者基于深度学习的基本原理,阐述了海洋上常用的深度学习神经网络模型,并结合海洋信息探测要素,对温度、盐度、风场、有效波高和海冰等进行了海洋环境信息因子的预测分析;同时,对船舶、溢油和涡旋等进...     

深度学习在水声目标识别中的应用研究

水声目标识别技术是水声信号处理的重要组成部分,是水声信息获取与水声信息对抗的重要技术支撑。针对水声目标识别时探测数据量大、自动化程度不高、识别效率低下等问题,研究了深度学习在水声目标识别中的应用。首先,介绍了水声目标识别技术的研究现状及当前形势下面临的挑战。然后,对深度学习的网络结构原理及改进型进行了分析,并分别对深度学习在水声声信号识别领域和水声图像信号识别领域的应用现状做了阐述。最后,指出了由于受当前技术条件和水下复杂环境的制约,此方法尚且存在着不足之处。该方法为进一步优化深度学习算法、拓展深度学习技术应用范畴、提升水声目标识别效率提供了参考。     

水下航行体远场低频声特征提取鉴别方法综述

针对水下大型航行体的小样本远场低频特征提取与鉴别问题,从3个方面综述了目前国内外小样本低频特征提取与鉴别的传统方法和智能方法。时频域单独、时频域结合和视听感官特征提取的传统方法需要一定的先验知识与假设,易受环境干扰;专家系统、统计类方法和BP神经网络等早期的智能方法存在可移植性差、学习能力差、上限低、梯度消失等问题;深度置信网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、自编码器（AE）神经网络、生成对抗网络（GAN）、迁移学习深度网络等深度智能方法对先验知识依赖度低,可以提取深度不变特征,较其他方法更稳定,识别精度更高,但是也存在依赖数据量、可解释性不足的缺点。未来,传统方法与智能方法更深度的互补融合有望减少当前方法对数据量的依赖,提高深度特征的可解释性。     

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等,利用LSTM深度神经网络方法,开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域,通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子,分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析,得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差,RMSE分别降低了41.3%和38.8%,MAE平均降低了43.0%和40.0%;风速误差统计和极端大风分析发现,LSTM模型能够抓住地形、短时大风和台风等敏感信息,对于大风过程预报结果明显优于WRF模式;两种LSTM模型对比发现,ALL_LSTM模型风速预报误差最小,具有很好的稳定性和鲁棒性,OBS_LSTM模型应用范围更广泛。     

基于遥感的海洋三维温盐场智能探测研究进展

海洋三维温盐场信息是描述海洋物理属性特征和掌握海洋物理运动过程的重要参数,获取准确的海洋三维温度和盐度信息对于认识海洋、开发利用海洋和海洋科学研究等具有重要意义。随着人工智能与深度学习方法的发展,采用深度学习方法的海洋次表层三维温盐场智能探测研究成为热点之一。从海洋温盐观测数据集、传统机器学习方法三维温盐智能探测、一般神经网络三维温盐智能探测和深度学习三维温盐智能探测等方面展开,对与海洋三维温盐场智能探测相关的研究进展进行综述,最后针对三维温盐场智能探测存在的问题和未来的发展趋势进行了总结和展望。     

基于混合损失U-Net的SAR图像渤海海冰检测研究

渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动。合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义。传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升。深度学习具有极强的特征自学习能力,适用于图像检测问题。本文基于深度学习框架U-Net,以Sentinel-1双极化（VV和VH）合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型。将本文模型与传统海冰检测方法[脉冲耦合神经网络（PCNN）、马尔科夫随机场（MRF）和分水岭算法]和基于深度卷积神经网络（CNN）的深度学习方法进行了对比。实验结果表明:本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567%、98.769%、98.767%和98.771%,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375%、0.111%、0.639%和0.740%;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129%、0.947%、1.794%和2.231%;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑。     

基于多平台训练的海洋平台极短期运动预报研究

在风浪流等环境条件的共同作用下,浮式海洋平台会在六自由度方向上进行摇荡运动,进而对海上作业安全构成了严峻的威胁。准确的运动极短期预报,可以作为输入条件,提高运动补偿装置的性能;另一方面也可以提供及时的实时预警信息,指导安全作业。深度学习算法是指模型通过对现有的数据进行学习,在大量的训练后使得其能够提取到数据的特征,进而能够根据输入数据对未来进行预测。通过对若干海洋平台的模型试验数据进行学习,建立了基于长短期记忆神经网络（LSTM）的深度学习模型。模型实现了对未来20~40 s内的垂荡和纵荡运动的精确预报,预报精度总体可达到80%~90%以上,并以此对模型的输入、输出窗口长度以及波浪相位差开展了敏感性研究。通过多平台混合训练得到了输入、输出窗口长度以及波浪相位差三者间的合适比例关系,并以此为基础拓展了预报时间长度,为深度神经网络模型给出了推荐的构型参考。     

神经网络在松辽盆地深层火山岩岩性预测中的应用

基于松辽盆地深层火山岩岩心分析,通过模型正演分析发现,深层火山岩产生的重、磁异常不是很大,表现为叠加在强背景之上的次级异常.提出了积分—迭代延拓平化曲线新方法来增强火山岩磁异常信息,以达到均衡磁异常,消除深度的影响.通过对松辽盆地区域磁异常的处理与解释,提取反映深层火山岩的磁异常信息,利用斜导数、欧拉反褶积等多种方法圈定了深层火山岩的分布,指出火山岩的视密度、视磁化率与其两者的相关系数是最佳的三参数组合.神经网络模糊识别是判别火山岩岩性的有效方法,应用该方法在井约束下建立判别网络,完成了深层火山岩岩性的识别.应用神经网络判别火山岩岩性的方法对其他地区深层火山岩的预测有一定的参考和借鉴作用.     

深度学习的BP神经网络在GNSS水准拟合中的应用

针对误差逆向传播BP (back propagation)神经网络在GNSS水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu(rectified linear units)作为神经元激活函数,自适应矩估计Adam (adaptive moment estimation)算法作为网络优化函数,提出了一种基于深度学习的BP神经网络模型。研究结果表明:改进后的BP神经网络内外符合精度分别提高近50%和25%,可达0.9 cm和2.4 cm,为GNSS水准拟合提供了新的思路。     

人工智能在海洋工程地质领域的应用

人工智能算法在海洋地质研究的应用是当前的研究热点,在海洋地质调查、海洋地质灾害评价、海洋地质建模等多个方向都得到了应用。海洋工程地质调查是海洋工程地质研究的基础,调查数据的精细化、自动化处理对数据的高效挖掘和分析具有非常重要的作用。本文首先介绍了人工智能、神经网络、机器学习和深度学习的历史发展和研究现状,总结了它们之间的关系;然后概述了人工智能在海洋工程地质领域的应用,主要内容包括地球物理调查、地质取样、地质灾害评价。结果表明人工智能算法可以较好地应用于地球物理调查、地质取样、地质灾害评价等各项问题,只是目前在海洋工程地质领域应用仍然较少。最后阐述了人工智能在海洋工程地质领域的应用前景和目前存在的几种主要限制因素,并对未来发展方向进行了展望。     

计算结构可靠度的RBF神经网络响应面法

对功能函数不能明确表达的问题进行可靠度分析,常采用响应面法。其中二次多项式响应面法应用较为广泛,采用与此方法相同的思路,提出了RBF神经网络响应面法,并通过算例与常用的BP神经网络响应面法进行了对比分析,该方法在学习速度、迭代次数等方面均优于BP神经网络响应面法。该方法用于大型复杂结构的可靠性分析,可相应提高工作效率和解题质量,具有一定实际应用价值。     

BP神经网络精度估计及其在海洋油气资源预测中的应用

在对BP算法进行深入分析的基础上,将测量数据处理与误差理论中的精度评定方法应用到BP神经网络的精度估计中,通过分别计算BP神经网络学习训练过程及预测过程的输出层中误差,实现对神经网络模型的精度评定。最后以海洋油气资源预测为例,结合实测资料建立了BP神经网络预测模型并分别进行了学习训练过程及预测过程的精度评定,以期为神经网络模型结构的优化设计提供有效参考,为提高神经网络模型的适用性提供科学依据。     

基于T-S模糊神经网络的信息融合在赤潮预测预警中的应用

基于T-S模型的模糊神经网络不但具有模糊逻辑和神经网络两者的优点,又具有很好的学习能力。将基于T-S模型的模糊神经网络的信息融合算法应用在赤潮的预测预警中,研究各种理化因子与赤潮藻类浓度间非线性对应规律和有效预测赤潮藻类浓度。仿真实验表明这种方法具有有效的赤潮预测预警功能。     

基于密集多尺度特征的遥感影像水体提取

针对传统遥感影像水体提取方法和基于深度学习的经典目标提取模型的提取结果存在丢失边缘细节信息和准确率低的问题,提出了基于深层特征编码-水体识别解码的多尺度特征密集连接网络结构。首先利用深层特征编码结构中的普通卷积提取影像中水体的特征信息,然后利用密集多尺度特征模块提取水体的多尺度特征和保留全局信息,最后利用水体识别解码结构对图像中的水体进行预测。实验结果表明：本文方法的提取结果精度优于经典全卷积神经网络模型,在测试集上的像元精度达到98.56%,交并比达到78.91%,有效保留了水体的完整性和细节边缘信息,实现了水体的精细化提取。     

位势理论和象方法在风海流与升降流研究中的应用

目前,在海流研究中广泛地采用了Fourier方法,本文尝试用位势理论及象方法,从所解决的问题来看,后者有较广的应用范围,而且求解过程简捷、严密。 文中简捷地给出了无限深度的风海流的解,而且首次求出了有限深度情况中的普遍解。本文还研究了近岸处的风海流。对任意风胁强的情况给出了无限深度与有限深度时所述问题的解。在K.Hidaka的带状风系假定下,解的形式比K.Hidaka的解简单得     

ANN在海洋预报中的应用

人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理,具有自学习和自适应等一系列优点,因而用它来进行海洋预报是可行的。针对海洋预报问题,初步建立了基于神经网络的预报分析系统,给出了应用实例。     

卷积神经网络在SAR遥感海岛海岸带地物信息提取中的应用综述

为满足科学管理海岛海岸带的需求,发掘合成孔径雷达（SAR）在海岛海岸带地物信息提取中的应用潜力,文章概述SAR和卷积神经网络的原理,分析卷积神经网络应用于SAR遥感海岛海岸带地物信息提取的可行性和优势。研究结果表明：通过卷积神经网络提取SAR数据中的海岛海岸带地物信息,无须预先提取图像特征,卷积神经网络能够自动提取图像中更本质和更抽象的特征,更好地应对地物目标的非线性混合;这种提取方法的精度更高,鲁棒性和泛化能力更强,可应用于海岛海岸带的精细化监测,为海岛海岸带的科学管理提供支撑。     

干涉谱法测量水下竖直运动目标轨迹

以被动测量竖直运动目标轨迹为目的,通过分析多途信号声压场模型,讨论了经过相干多途信道的目标辐射噪声在接收点产生相干干涉的现象。在目标水平距离已知的情形下,给出了干涉频率周期与目标深度的关系,提出了利用多途信道的相干干涉信息来解算目标深度轨迹的方法。时频分析可以得到干涉条纹、条纹粗细变化的规律与目标深度变化有关。通过对实测数据的分析,说明本方法的有效性。     

神经网络技术在碳氧比能谱测井中的应用

为了充分利用碳氧比能谱测井中的各种信息，以BP神经网络基本原理为理论基础，发挥神经网络自动识别的优势，研究并建立了预测碳氧比含油饱和度的非线性神经网络模型，通过对实际取心井资料的应用，说明该方法是一种有效的方法。