《監督的深度學習算法及其在海洋環境數據分析中的套用》是依託中國海洋大學，由仲國強擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：監督的深度學習算法及其在海洋環境數據分析中的套用
- 項目類別：青年科學基金項目
- 項目負責人：仲國強
- 依託單位：中國海洋大學
中文摘要,結題摘要,
中文摘要
海洋環境監測對於預測海洋環境和氣候變化有重要的實際意義，通過海洋表面溫度監測可以發現厄爾尼諾現象的發生髮展情況，對及早預防自然災害有重要的價值。之前國內外的工作都是基於小規模數據或簡單模型來對海洋數據進行分析和處理的，在模型準確率和預測精度方面有很大的不足之處。本研究團隊在機器學習和海洋數據分析等方面已取得一些重要的研究成果。本項目中，我們將基於大規模的海洋環境數據，開發新穎的監督的深度學習算法，並將其用於海洋環境數據的分析當中。在這個深度學習框架當中，我們利用糾錯輸出編碼模型作為多類分類器來學習每一個隱層節點，每個隱層節點的機率輸出又可以作為下一個隱層的輸入特徵，這樣整個深度學習網路就可以逐層的訓練完成。在整個網路訓練完成之後，我們可以利用反向傳播算法對整個網路進行精細調參，從而提高模型的泛化性能。我們希望這個深度學習模型對於國家預報和預防沿海地區自然災害能起到重要作用。
結題摘要
海洋環境監測是我國中長期科學與技術發展規劃綱要中積極發展的重要前沿技術。建立海洋環境立體監測系統，對於保護海洋環境、 海洋資源可持續利用、 預防自然災害，乃至認識全球氣候變化都有非常重要的科學和實際意義。在本項目的支持下，本研究團隊對於監督的深度學習算法以及深度學習算法在海洋環境監測中的套用開展了廣泛的研究，發表了10篇SCI檢索的期刊論文和12篇EI檢索的會議論文，培養碩士研究生4人，支持本科畢業設計10人，組織國內學術研討會3次，超額完成了本項目既定的研究目標。特別地，在監督的深度神經網路研究方面，研究團隊提出了深度糾錯輸出編碼算法和深度增量糾錯輸出編碼算法，將傳統的糾錯輸出編碼推廣到深度模型，同時克服了以往深度學習算法隨機初始化的不足之處；提出了拉伸深度結構算法，較傳統的深度學習模型，拉伸深度網路不需要進行反向傳播，訓練速度快，並且不需要大量的訓練數據；提出了深度哈希學習網路，極大地提高了傳統哈希學習算法的精度；提出了間隔深度結構，將大間隔最佳化融入了深度網路學習當中。在機器學習方法用於解決海洋環境監測方面，利用支持向量機對厄爾尼諾現象進行預測，準確率達到82.76%；將海表溫度預測問題歸結為時間序列的回歸問題，並用長短時記憶網路對這個問題進行了求解；結合班扎夫權力指數最佳化隨機森林中每棵樹節點的最佳分割閾值，實現了對海洋環境中海洋鋒的高效識別；將深度稀疏非負矩陣分解算法用於水下圖像顏色恆常性研究，實現了水下圖像色彩的增強。這裡，海洋表層溫度監測可以發現厄爾尼諾現象的發生髮展情況，對及早預防自然災害有重要的價值；在鋒帶附近的特定水團中，常有浮游植物大量繁殖，為浮游生物和動物提供豐富的餌料，可以根據海洋鋒的位置制訂最大漁獲量的捕撈計畫。因此，本項目所開展的研究不僅對於機器學習領域有重要的理論貢獻，對於海洋科學和海洋環境監測也具有突出的實際意義。
