基于深度学习的近岸海浪等级分类研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1. 研究背景和意义 | 第11-12页 |
| 1.2. 研究现状及存在问题 | 第12-14页 |
| 1.2.1. 研究现状 | 第12-13页 |
| 1.2.2. 存在问题 | 第13-14页 |
| 1.3. 本文主要研究内容及创新点 | 第14-16页 |
| 1.3.1. 主要研究内容 | 第14页 |
| 1.3.2. 技术路线 | 第14-15页 |
| 1.3.3. 本文的创新点 | 第15-16页 |
| 1.4. 论文组织结构 | 第16页 |
| 1.5. 本章小结 | 第16-17页 |
| 第二章 机器学习理论基础 | 第17-33页 |
| 2.1. 传统分类方法 | 第17-20页 |
| 2.1.1. 传统手段 | 第17-18页 |
| 2.1.2. SVM模型 | 第18-19页 |
| 2.1.3. BNs方法 | 第19-20页 |
| 2.2. 深度学习 | 第20-29页 |
| 2.2.1. 深度学习方法 | 第20-21页 |
| 2.2.2. ANN到DNN | 第21-24页 |
| 2.2.3. BP规则算法 | 第24-26页 |
| 2.2.4. CNN框架 | 第26-29页 |
| 2.3. 机器学习模型评价指标及方法 | 第29-32页 |
| 2.3.1. 误差矩阵 | 第29-31页 |
| 2.3.2. 总体与平均精度 | 第31页 |
| 2.3.3. 交叉验证 | 第31-32页 |
| 2.4. 本章小结 | 第32-33页 |
| 第三章 近岸海浪等级分类研究 | 第33-48页 |
| 3.1. 海浪等级划分标准 | 第33-36页 |
| 3.1.1. 近岸海浪等级的形成与发展 | 第33-35页 |
| 3.1.2. 海浪等级划分标准 | 第35-36页 |
| 3.2. 面向深度学习的近岸海浪等级数据集构建 | 第36-39页 |
| 3.2.1. 现场视频监控系统 | 第36-37页 |
| 3.2.2. 近岸海浪等级视频数据处理 | 第37页 |
| 3.2.3. 数据扩增技术 | 第37-38页 |
| 3.2.4. 构建海浪等级数据集 | 第38-39页 |
| 3.3. Wave-CNNs全模型架构 | 第39-45页 |
| 3.3.1. Wave-CNNs全模型 | 第40-41页 |
| 3.3.2. Wave-CNNs卷积层 | 第41-42页 |
| 3.3.3. Wave-CNNs采样层 | 第42-43页 |
| 3.3.4. Wave-CNNs过拟合改善 | 第43-44页 |
| 3.3.5. Wave-CNNs网络深度调整 | 第44页 |
| 3.3.6. Wave-CNNs弹性因子 | 第44-45页 |
| 3.4. Wave-CNNs验证及对比分析 | 第45-47页 |
| 3.5. 本章小结 | 第47-48页 |
| 第四章 Wave-CNNs模型优化 | 第48-56页 |
| 4.1. Wave-CNNs整体优化策略 | 第48-49页 |
| 4.2. Wave-CNNs局部优化策略 | 第49-55页 |
| 4.2.1. Wave-CNNs取景框大小 | 第49-50页 |
| 4.2.2. Wave-CNNs数据集比例 | 第50-51页 |
| 4.2.3. Wave-CNNs网络深度 | 第51-52页 |
| 4.2.4. Wave-CNNs超参数调优 | 第52-55页 |
| 4.3. 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1. 总结 | 第56页 |
| 5.2. 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 附录 | 第63-64页 |
| 致谢 | 第64页 |
