融合scSE模块的改进Mask R-CNN海洋锋检测方法

海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE (spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率（IoU,Intersection-over-union））及检测精度（mAP,Mean Average Precision）均达0....     

应用贝叶斯方法对有效信息较少的渔业资源进行资源评估-以印度洋长鳍金枪鱼的资源评估为例

众所周知,对有效信息较少的渔业资源进行资源评估面临很大的挑战,而贝叶斯方法在数据数量较少、质量较差的情况下能利用其它种群高质量的数据或已知的先验信息提高资源评估结果的可靠性。由于印度洋长鳍金枪鱼的数据质量较差而数据量有限,长鳍金枪鱼的资源评估结果存在很大的不确定性,为此,本文以印度洋长鳍金枪鱼的资源评估为例,以调查贝叶斯方法在有效信息较少的资源评估中的优势。本文根据不同的先验假设与捕捞数据系列,共构建了8个贝叶斯动态产量模型,以评估长鳍金枪鱼资源。结果表明:(1)分析参数的后验分布能提高捕捞数据系列选择与参数假设的合理性; (2) 利用种群统计学方法为内禀增长率(r)构建有信息先验,能提高资源评估结果的可靠性。与传统方法相比,当基于贝叶斯框架时,能将已知的知识表示为先验信息并能分析参数的后验分布,从而在数据较少或数据质量较差的情况下,能利用各种信息提高参数估计的合理性与资源评估的可靠性。因此,对数据量较少或数据质量较差情况下的渔业资源评估而言,贝叶斯方法非常有效,如本文所示的印度洋长鳍金枪鱼的资源评估。     

基于权重调整的BP神经网络在Nino区海温预报中的应用

传统BP神经网络在训练完之后,其权重是固定不变的,加上神经网络的样本的标准化处理,将使得网络不易描绘样本峰值.因此,本文考虑变权的方法,以调节训练后的BP网络权重,基于变权次数,建立不同网络模型,并利用不同网络输出值与相应实测值进行比较.结果表明:变权BP网络预报效果有较大提升,同时,降低了对因子相关性的要求.     

BP网络学习参数模糊自适应算法的实现

前馈神经网络BP算法的改进方案中,对网络训练(学习)过程中学习率和惯性系数进行模糊自适应调节,以提高收敛速度,是一项很有效的措施。文中具体分析了如何根据设计者的先验知识确定模糊规则和隶属函数,并以三比特异或函数(或称奇偶分类)的实现为例,验证了这种算法的改进、加速了BP网络的学习过程。     

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。     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比。结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势。同时,对数据样本集合进行了系统预处理。结果显示:Chl-a浓度与溶解氧、pH、浊度和氨氮都有显著的相关性,与表层温度、盐度、亚硝氮和磷酸盐在限定时间段内的相关性不大。通过对模型预测结果的对比验证,发现数据预处理对数据质量的改进、数据挖掘执行效率和执行效果(预测结果)都起到明显的正向作用。     

长短期记忆神经网络在叶绿素a浓度预测中的应用

针对传统人工神经网络对叶绿素a浓度预测存在训练速度慢、收敛精度低、易陷入局部最优，尤其是无法灵活的利用任意长度的历史信息对叶绿素a浓度进行预测等问题，本文根据海洋各要素与叶绿素a浓度之间的长短期依赖程度，对叶绿素a浓度与各要素间的关系进行界定，分别将各要素与叶绿素a浓度之间的长期依赖关系与短期依赖关系分割开来，并且在长短期记忆(Long Short-Term Memory, LSTM)神经网络模型的基础上构建融合的LSTM预测模型，模型中的长期依赖关系与短期依赖关系分别使用不同的神经元，最终在模型的最上层进行长短期融合。本文选取三都澳站位的连续监测资料作为实验数据，实验结果表明本文构建的模型不仅具有训练误差下降快的优点，与其他3种经典的神经网络模型相比，预测精度也有显著提高。     

LabVIEW设计中压力传感器的RBF神经网络温度补偿

在石油平台注水压力监测系统设计中 ,采用LabVIEW虚拟仪器平台 ,嵌入逼近能力强和收敛速度快的RBF神经网络 ,以人工环境实验数据为样本进行训练 ,实现了压力传感器的智能网络温度补偿。结果显示 ,此方法能够在压力、温度变化较大的恶劣环境下 ,获得很高的补偿精度。     

基于图卷积的一维平流方程空间离散化数值求解加速方法

本文提出了一种基于图卷积神经网络的偏微分方程空间离散化数值求解加速方法，并将该方法应用于求解一维平流方程的研究中，实现了一维平流方程的加速求解。并设计了基于图卷积的一维平流方程空间离散化神经网络模型(GCPNN),其在物理先验知识指导下基于图模型利用空间图结构特征进行一维平流方程空间离散化求解加速方案建模，在构建图结构关系过程中，基于物理先验知识建立邻接矩阵，利用邻接矩阵融合了全局信息，从而实现了一维平流方程的加速求解。并且通过设计对比实验和消融实验验证了基于GCPNN的求解器相较于基线求解器和CNN求解器在求解精度和计算成本方面的优势，且验证了加入物理先验知识指导及全局信息融合的有效性。     

海相软土场地形成的水泥土劣化深度预测

基于日照岚山港滨海相软土场地形成的水泥土的微型贯入试验,采用BP神经网络建立了水泥土劣化深度的网络模型来预测场地形成的水泥土的劣化深度。在模型建立过程中,将养护时间、水泥掺入比、养护条件、水泥种类、水泥强度等级、含水量及搅拌条件与水泥土劣化深度密切相关的7个参数引入到输入层,用Visual Basic语言编制了以水泥掺入比和养护时间为主要输入因素的计算程序,在样本训练和学习过程中,程序可对比显示实测和计算曲线。结果表明:水泥土劣化深度的预测结果与实测值较为吻合。说明运用BP神经网络模型预测水泥土劣化深度的方法是切实可行的。