基于半监督聚类的赤潮预测和浒苔检测.pdf

《基于半监督聚类的赤潮预测和浒苔检测.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、摘要近年来，海洋灾害的频繁发生和规模的不断扩大，严重破坏了海洋生态系统的平衡，使近海旅游业和水产养殖业蒙受巨大损失，也严重威胁着人类的生命安全。海洋部门已经积累了TB乃至PB级的海洋数据，并且每天仍以GB量级增加。传统的有监督方法需要大量的标注数据作为训练集，而半监督聚类对标注数据没有太高的要求，并可以利用大量的无标注数据对模型进行调整，从而降低标注成本。为此，本文以浒苔和赤潮灾害为例，基于半监督学习机制进行浒苔检测和赤潮预测。另一方面，海洋灾害是复杂的多因素相互作用而产生的现象，为此，奉文以赤潮灾害为例，基于复

2、杂网络理论对影响赤潮发生的因素建立了关联网络，并进行了拓扑分析，从而为赤潮预测提供依据。具体而言，本文主要工作如下：(1)提出了一种面向浒苔检测的半监督聚类框架。首先，基于少量的标签数据获取成对约束形式的实例层知识；然后，采用测度学习构建优化问题，求解新的距离度量，从而新的距离度量将数据集划分成两个簇；最后，基于标签数据识别簇的类别。在真实的浒苔数据集上验证了方法的有效性。(2)提出了一种基于半监督聚类的赤潮预测方法。针对样本比例不平衡问题，改进了融合成对约束的测度学习策略，赋予较苛刻的约束条件，从而尽可能增大簇

3、间的间距。进而，结合具体需求将方法应用于赤潮预测。在2003年～2009年的赤潮检测数据集上验证了方法的有效性。(3)基于复合网建立了赤潮监控网络模型。基于复杂网络理论对影响赤潮发生的各个因素构建了因素子网，通过对网络拓扑性质的分析，明确了各影响因素之间的关联。基于复合网理论，依据空间距离和水质建j、、，：了赤潮站点的复合网络，从j『{j为监控赤潮提供依据。关键词：半监督聚类；赤潮预测；浒苔检测；复合网AbstractInrecentyears，frequentmarinedisastershaveposedas

4、eriousthreattothemarineecologicalbalance，humanhealthy,offshoretourismandaquaculture．Nowadays，themarinedepartmenthascollectedTerabytesorevenPetabytesofmarinedataandtheamountofdatastillincreasesatGigabytesrateperday．Thetraditionalsupervisedmethodsusuallyrequire

5、alargeamountofhumanlabelingdataastrainingset，whichcosttoomuch．Differentwithsupervisedlearning，semi—supervisedlearningonlyrequirealittleofpriorknowledge．Inaddition，itcanusealargeamountofnon·labeleddatatotunethemodel，whichcanreducelabelingcosts．Inthispaper,weta

6、keenteromorphaandredtideasexamplesandutilizesemi—supervisedlearningmechanismtoenteromorphadetectionandredtideforecast．Ontheotherhand，Marinedisasterisaphenomenonarisingfromtheinteractionofmultiplefactors．Inthispaper,givingredtideasanexample，weconstructanetwork

7、offactorsbasedoncompositedcomplexnetworktheoryandanalysisthenetworktopology．Thus，weprovideabasisforredtideforecast．Themainworkofthispapercanbesummarizedasfollows．(1)Weproposeaneffectivesemi—supervisedclusteringframeworkforenteromorphadetection．Firstly，withafe

8、woflabels，wegettheinstancelevelknowledgeofpairwiseconstraints．Then，weadoptmetriclearningtoconstructanoptimizationproblem．Wesolvetheoptimizationproblemtoobtainattributeweightsandthenewmetr