本文主要研究内容
作者孟祥鹤哲（2019）在《基于神经网络的WOA13数据的海洋温跃层分析》一文中研究指出：近些年来,由于陆地资源的不断枯竭,海洋内丰富的资源以及复杂的环境已经成为各个国家研究的重点,其中海洋温跃层从战略上来说是非常重要的研究方向。随着技术的不断进步,科技的不断发展,研究人员终于可以通过硬件设施对海水内的信息进行记录和研究,但由于海洋过于庞大,并且海水会对水下的硬件设施造成腐蚀,每一次研究都投入新的设施的成本过于高昂,也是不切合实际的,所以利用最新的互联网技术以及机器学习等技术对海洋数据进行研究是势在必行的。在当今深度学习广泛应用的背景下,神经网络的使用已经深入到了各个领域,以其为基础设计开发的神经网络也被大量的应用于各类研发当中,其中残差网络以其优越的性能成为研发人员使用的重点。本文实验数据源我们选择WOA13(世界海洋地图集2013)海洋数据,然后我们对全球海洋数据进行了预处理,将其划分为23940个海洋区域,并按照是否含有温跃层进行了标注,将其以2:1的比例划分为训练集和测试集。本文首先通过使用多种神经网络对WOA13海洋三维数据进行了二分类实验(根据是否含有温跃层分类),其中包括Alex Net、Goog Le Net、VGGNet-16以及Res Net-18网络结构,根据实验结果我们发现Res Net-18网络结构对于处理WOA13海洋三维数据的分类问题的性能是最好的,所以我们将选取残差网络作为我们二分类实验的主要网络模型。而后本文提出使用改进的残差网络对WOA13世界海洋地图集海洋区域数据进行分类。首先我们对超参数的使用进行了多组实验,以保证选取最优的超参数来提升网络性能,然后我们对残差单元进行了改进,增加了Dropout保留层以防止过拟合,最终我们使用改进的Res Net-26、改进的Res Net-50、改进的Res Net-101以及经典的Res Net-50、经典的Res Net-101分别对8月份WOA13海洋区域数据进行了分类实验,并对比了实验结果,我们发现改进的Res Net-26的网络性能是最优的,数据分类的精准度是最高的,准确率达到95%以上。并且我们又使用了2月份、5月份以及11月份WOA13的海洋数据进行实验,以排除实验数据造成的实验结果的偶然性,其结果再次证明了改进的Res Net-26网络模型对于WOA13海洋区域数据分类是有效的。
Abstract
jin xie nian lai ,you yu liu de zi yuan de bu duan ku jie ,hai xiang nei feng fu de zi yuan yi ji fu za de huan jing yi jing cheng wei ge ge guo jia yan jiu de chong dian ,ji zhong hai xiang wen yue ceng cong zhan lve shang lai shui shi fei chang chong yao de yan jiu fang xiang 。sui zhao ji shu de bu duan jin bu ,ke ji de bu duan fa zhan ,yan jiu ren yuan zhong yu ke yi tong guo ying jian she shi dui hai shui nei de xin xi jin hang ji lu he yan jiu ,dan you yu hai xiang guo yu pang da ,bing ju hai shui hui dui shui xia de ying jian she shi zao cheng fu shi ,mei yi ci yan jiu dou tou ru xin de she shi de cheng ben guo yu gao ang ,ye shi bu qie ge shi ji de ,suo yi li yong zui xin de hu lian wang ji shu yi ji ji qi xue xi deng ji shu dui hai xiang shu ju jin hang yan jiu shi shi zai bi hang de 。zai dang jin shen du xue xi an fan ying yong de bei jing xia ,shen jing wang lao de shi yong yi jing shen ru dao le ge ge ling yu ,yi ji wei ji chu she ji kai fa de shen jing wang lao ye bei da liang de ying yong yu ge lei yan fa dang zhong ,ji zhong can cha wang lao yi ji you yue de xing neng cheng wei yan fa ren yuan shi yong de chong dian 。ben wen shi yan shu ju yuan wo men shua ze WOA13(shi jie hai xiang de tu ji 2013)hai xiang shu ju ,ran hou wo men dui quan qiu hai xiang shu ju jin hang le yu chu li ,jiang ji hua fen wei 23940ge hai xiang ou yu ,bing an zhao shi fou han you wen yue ceng jin hang le biao zhu ,jiang ji yi 2:1de bi li hua fen wei xun lian ji he ce shi ji 。ben wen shou xian tong guo shi yong duo chong shen jing wang lao dui WOA13hai xiang san wei shu ju jin hang le er fen lei shi yan (gen ju shi fou han you wen yue ceng fen lei ),ji zhong bao gua Alex Net、Goog Le Net、VGGNet-16yi ji Res Net-18wang lao jie gou ,gen ju shi yan jie guo wo men fa xian Res Net-18wang lao jie gou dui yu chu li WOA13hai xiang san wei shu ju de fen lei wen ti de xing neng shi zui hao de ,suo yi wo men jiang shua qu can cha wang lao zuo wei wo men er fen lei shi yan de zhu yao wang lao mo xing 。er hou ben wen di chu shi yong gai jin de can cha wang lao dui WOA13shi jie hai xiang de tu ji hai xiang ou yu shu ju jin hang fen lei 。shou xian wo men dui chao can shu de shi yong jin hang le duo zu shi yan ,yi bao zheng shua qu zui you de chao can shu lai di sheng wang lao xing neng ,ran hou wo men dui can cha chan yuan jin hang le gai jin ,zeng jia le Dropoutbao liu ceng yi fang zhi guo ni ge ,zui zhong wo men shi yong gai jin de Res Net-26、gai jin de Res Net-50、gai jin de Res Net-101yi ji jing dian de Res Net-50、jing dian de Res Net-101fen bie dui 8yue fen WOA13hai xiang ou yu shu ju jin hang le fen lei shi yan ,bing dui bi le shi yan jie guo ,wo men fa xian gai jin de Res Net-26de wang lao xing neng shi zui you de ,shu ju fen lei de jing zhun du shi zui gao de ,zhun que lv da dao 95%yi shang 。bing ju wo men you shi yong le 2yue fen 、5yue fen yi ji 11yue fen WOA13de hai xiang shu ju jin hang shi yan ,yi pai chu shi yan shu ju zao cheng de shi yan jie guo de ou ran xing ,ji jie guo zai ci zheng ming le gai jin de Res Net-26wang lao mo xing dui yu WOA13hai xiang ou yu shu ju fen lei shi you xiao de 。
论文参考文献
论文详细介绍
论文作者分别是来自吉林大学的孟祥鹤哲，发表于刊物吉林大学2019-06-25论文，是一篇关于卷积神经网络论文,残差网络论文,温跃层论文,数据论文,吉林大学2019-06-25论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自吉林大学2019-06-25论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：卷积神经网络论文; 残差网络论文; 温跃层论文; 数据论文; 吉林大学2019-06-25论文;