基于残差网络的海洋温跃层分析方法

发布时间：2021-04-08 16:52

　　首先,以世界海洋地图集2013（WOA13）海洋数据为实验数据,提出将不等距微分法、垂直梯度法应用于海洋数据预处理、海洋区域划分和跃层分析中,并通过对多种神经网络在基于WOA13海洋三维数据二分类实验的性能分析,选取残差网络作为二分类实验的网络模型,在三层残差网络模型基础上增加了Dropout保留层以防止过拟合.其次,将残差网络模型用于温跃层分析判定,并针对改进模型进行超参数优化、残差单元改进、保留率调整等对比实验.实验结果表明,改进的ResNet-26网络对WOA13海洋区域数据的温跃层数据分类有效,分类准确率超过94%. 

【文章来源】：吉林大学学报(理学版). 2020,58(04)北大核心

【文章页数】：5 页

【部分图文】：

卷积神经网络结构

深度学习的主要问题是梯度消失和梯度爆炸, 传统解决方案均基于数据的初始化和正则化, 虽然解决了梯度问题, 但随着网络深度的不断增加,出现了正确率开始饱合下降及网络的退化问题. 残差单位的提出不仅解决了退化问题和梯度问题, 还兼顾了网络性能的提升. 残差网络的基本结构如图2所示.残差单元的基本思想是解决在信息输入时因精度提高和卷积层数过多而导致的饱和, 以及随着网络深度的增加而导致准确率降低的问题. 本文假设x为信息输入, H(x)为特征输出, 则残差公式为

本文基于新型的ResNet V2结构对残差单元进行改进, 将原来的二层 残差单元改进为三层, 将原来大小为3×3的2个 卷积层改为3个卷积层,其卷积核大小分别为1×1,3×3,1×1. 改进的三层残差单元如图3所示, 其中: m,n为通道数量; k为加宽因子. 使用三层 卷积的优势在于首层和末层中的1×1卷积可减少模型的参数, 同时可加速训练过程; 3×3的卷积层可提升性能, 减少参数, 且将AlexNet中的Dropout保留层加入到3×3的卷积层中, 能更好地减少过拟合问题.改进后的残差单元公式为

【参考文献】：
期刊论文
[1]基于WOA13数据的南大西洋声波导诊断分析[J]. 曹震卿,李庆红,刘振龙.  海洋预报. 2018(03)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[3]海洋温跃层特征值的分析与计算[J]. 张学宏,张绪东,李颜.  海洋预报. 2011(05)
[4]垂直梯度法与最优分割法确定温跃层边界的比较分析[J]. 张旭,张永刚,聂邦胜,姚忠山.  海洋通报. 2008(06)
[5]陆架海区温跃层特征量的一种计算方法——拟阶梯函数逼近法[J]. 葛人峰,乔方利,于非,蒋志晓,郭景松.  海洋科学进展. 2003(04)

硕士论文
[1]基于Argo海洋数据的温跃层处理方法研究[D]. 勾毓.吉林大学 2018



本文编号：3125904