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。     

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。     

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。     

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。     

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。     

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。     

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。     

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。     

基于小波变换和LSTM神经网络的格陵兰岛近海海域海平面变化预测

海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。     

基于统计学习理论的海色遥感叶绿素浓度反演方法

根据卫星遥感信息反演叶绿素浓度对估计水域初级生产力的重要作用,分析已有反演方法的不足之处;尝试将基于统计学习理论的复合核函数方法引入到这一领域,并用SeaBAM的数据进行实验,结果显示该方法性能优良;从理论上分析其在样本数较少的情况下,核函数方法可以避免过学习的原因;与神经网络法和传统的经验方法相比,该方法体现出较大的实用价值和较好的应用前景。     

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。     

基于深度学习的海温观测数据质量控制应用研究

基于国家海洋信息中心质量控制后的西太平洋 10 度方区约 100 万站次温盐实测历史调查资料,对经过 26 种严格质量控制方法的综合海温质量符进行分类分析,首次将深度学习技术应用于海洋数据质量控制多分类 （multiclass classification）算法与应用研究。通过人工合成少数类样本和加权损失函数方法减少多数类的频率来降低数据的不平衡,并构建了多层感知器 （Multi-Layer Perceptron, MLP） 和深度神经网络 （Deep Neural Network, DNN） 两个海温资料质量符分类深度学习模型。分类结果表明本文构建的两个深度分类模型能够较准确快速地识别该海域海温数据质量,在 20 975 条温盐剖面资料测试集中分类准确率分别达到 99.63%和 99.69%。海温资料的分类精度评分有着较好的表现,其中正确数据 （QC1） 和数据缺失（QC9） 的正确识别率均达 100%。MLP 和 DNN 多分类质量控制模型可大幅降低传统质量控制方法的工作量,提升海量数据处理速度和分析能力,为海温观测资料在海洋研究与工程中应用提供参考。     

高频地波雷达海上目标航迹跟踪新思路

高频地波雷达是对海上运动目标进行监视监测的一种重要手段,为了提高地波雷达对海上特定目标独立跟踪探测时的性能,本文对高频地波雷达海上目标跟踪技术的研究现状进行了综述,分析总结了目前航迹跟踪方法存在的主要问题。结合海上目标跟踪的实际应用需求,借助目前流行的深度学习方法充分挖掘其他同步探测手段获取的目标信息,提出了基于知识辅助的特定目标跟踪方法,改善后续地波雷达对特定目标独立跟踪时的航迹质量,初步的航迹跟踪结果验证了提出方法的有效性。提出的地波雷达特定目标跟踪方法对目标跟踪方法的理论研究及地波雷达目标跟踪系统的业务化应用均具有重要意义及参考价值。