基于深度学习的近岸海浪等级分类研究

基于深度学习的近岸海浪等级分类研究

ID:34583620

大小:1.72 MB

页数:64页

时间:2019-03-08

基于深度学习的近岸海浪等级分类研究_第1页
基于深度学习的近岸海浪等级分类研究_第2页
基于深度学习的近岸海浪等级分类研究_第3页
基于深度学习的近岸海浪等级分类研究_第4页
基于深度学习的近岸海浪等级分类研究_第5页
资源描述:

《基于深度学习的近岸海浪等级分类研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、学校代码:10264研究生学号:M150502672上海海洋大学硕士学位论文题目:基于深度学习的近岸海浪等级分类研究ResearchofNearshoreOceanWaveGrade英文题目:ClassificationBasedonDeepLearning专业:计算机科学与技术研究方向:深度学习研究及应用姓名:郝剑波指导教师:郑宗生副教授二O一八年五月二十二日上海海洋大学学位论文原创性声明本人郑重声明:我恪守学术道德,崇尚严谨学风。所呈交的学位论文,是本人在导师的指导下,独立进行研究工作所取得的成果。除文中已经明确注明和引

2、用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写,我对所写的内容负责,并完全意识到本声明的法律结果由本人承担。学位论文作者签名:日期:年月日上海海洋大学学位论文版权使用授权书学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅或借阅。本人授权上海海洋大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密□,在年解密后适用本版权书。本学位论

3、文属于不保密□学位论文作者签名:指导教师签名:日期:年月日日期:年月日上海海洋大学硕士学位论文答辩委员会成员名单姓名工作单位职称备注徐方勤上海建桥学院教授主席宋巍上海海洋大学教授委员邹国良上海海洋大学教授委员郑宗生上海海洋大学副教授委员熊中敏上海海洋大学副教授委员郑永德上海海洋大学讲师秘书答辩地点信息学院205室答辩日期2018.5.22上海海洋大学硕士学位论文基于深度学习的近岸海浪等级分类研究摘要海洋是人类的摇篮,是人类赖以生存和发展的重要环境。海洋面积约占地球面积的三分之二,海洋蕴含着丰富的资源,同时承载着人类的诸多海上

4、生活,比如海上运输、海洋捕捞与养殖等。但是海洋环境异常复杂,海洋资源开发利用、海洋防灾减灾、海洋科学研究,都需要对潮汐、海浪等基本海况条件及其内部规律的准确把握。其中海浪灾害每年给人类带来诸多灾难及损失,根据国家海洋局公布数据,仅2016年,我国近海共出现36次有效波高4米及以上的海浪灾害,共造成经济损失约3700万元,故研究海浪并进行海浪等级监测预报具有重大意义。传统的海浪监测手段如海流计监测存在监测困难,实时性、便捷性不高;波浪仪监测存在自动化程度低的缺点;雷达监测与摄影照相测波法存在成本高的缺点。为了更精准地掌握海浪规

5、律,需要长时间连续地海浪监测。视频监测具有实时非接触特点,可弥补传统监测手段的不足。但是海浪等级视频数据数据量大、特征复杂,同时人工提取特征困难。卷积神经网络(ConvolutionalNeuralNetwork,CNN)作为深度学习成功运用的模型之一,能够克服底层特征提取困难,在视频及图像处理领域得到了广泛的应用。海浪周期性变化快,时序图像时空关联度高且特征复杂,传统的机器学习方法需要人工提取先验知识,使海浪图像的分类识别变得困难。鉴于此,本文尝试基于现场视频监测数据,利用卷积神经网络对近岸海浪的等级进行分类研究。针对海浪

6、等级图像数据,关联国际通用海浪等级标准及波浪仪同步测量海浪等级数据,得到带标签的海浪等级数据集,对小样本数据采用数据扩增技术构建了适合深度学习的海浪等级数据集;在传统CNN基础上,在误差反向传播(BackPropagation,BP)过程中引入基于视频相关性的弹性因子来修正灵敏度,提出了基于深度学习的海浪等级分类模型架构Wave-CNNs,并将其分类结果与传统机器学习模型的分类结果进行对比分析;结合海浪等级数据集特征及Wave-CNNs模型架构,在修正BP误差灵敏度的基础上,分别在取景框大小、数据集比例、网络深度和超参数优化

7、等方面进行了优化实验,提出了适用于海浪等级分类的优化参数及策略。I上海海洋大学硕士学位论文首先,进行近岸海浪等级的分类研究。其一,基于大洋山深水港生态基地的海浪视频监测数据,通过一系列处理,构建了面向海洋环境适用于深度学习的三个等级海浪数据集,包括海浪等级训练集、验证集和测试集;其二,针对海浪等级视频的高时空相关性,引入误差函数作为弹性因子,通过优化模型内部基(Bias)的灵敏度(也即误差对一个节点全部输入的导数)改善过拟合提高模型泛化能力,然后设计卷积层、采样层的卷积核大小及数量、采样半径等参数,提出了适用于海洋领域海浪等

8、级深度学习模型架构(Wave-CNNs)。在所构建的海浪等级数据集上,Wave-CNNs与传统机器学习模型(支持向量机、贝叶斯网络)进行对比实验,结果表明Wave-CNNs的分类精度优于支持向量机和贝叶斯网络。然后,针对如何改善Wave-CNNs模型对海浪等级数据集分类精度问题,提出适用于

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。