基于深度学习的浙江近岸船舶数据赤潮生物量趋势性预测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 海洋GIS在赤潮中的应用现状 | 第12-13页 |
| 1.2.2 神经网络算法在赤潮中的应用现状 | 第13-15页 |
| 1.3 论文主要内容和组织结构 | 第15-18页 |
| 1.3.1 论文主要内容 | 第15-16页 |
| 1.3.2 论文组织结构 | 第16-18页 |
| 2 构建面向浙江近岸的赤潮生物量预测模型 | 第18-36页 |
| 2.1 海洋监测数据分析与组织存储 | 第18-21页 |
| 2.1.1 船舶采样观测数据 | 第18页 |
| 2.1.2 海洋监测数据的时空特征分析 | 第18-20页 |
| 2.1.3 海洋监测数据的组织与存储 | 第20-21页 |
| 2.2 预测模型基础框架及分析 | 第21-26页 |
| 2.2.1 受限玻尔兹曼算法 | 第21-24页 |
| 2.2.2 深度信念网络模型 | 第24-26页 |
| 2.3 构建赤潮生物量预测模型 | 第26-33页 |
| 2.3.1 构建CRBM-DBN预测模型 | 第26-29页 |
| 2.3.2 CRBM-DBN模型训练方法分析 | 第29-31页 |
| 2.3.3 高斯分布处理输入特征值 | 第31-33页 |
| 2.4 CRBM-DBN模型训练和预测过程分析 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 CRBM-DBN预测模型结构优化 | 第36-49页 |
| 3.1 海洋监测数据预处理 | 第36-37页 |
| 3.2 CRBM-DBN模型参数取值分析 | 第37-43页 |
| 3.2.1 CRBM网络深度分析 | 第38-39页 |
| 3.2.2 各训练参数分析及实验设计 | 第39-43页 |
| 3.3 CRBM-DBN模型参数求解分析 | 第43-47页 |
| 3.3.1 标准粒子群算法求解方法分析 | 第43-45页 |
| 3.3.2 基于粒子群算法求解模型各参数值 | 第45-47页 |
| 3.4 粒子群算法求解最优值的评价方法 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 实验验证 | 第49-64页 |
| 4.1 实验环境与实验数据集 | 第49页 |
| 4.2 各训练参数求最优解的实验结果与分析 | 第49-54页 |
| 4.2.1 CRBM网络深度实验结果与分析 | 第49-51页 |
| 4.2.2 输入节点数求解分析 | 第51-52页 |
| 4.2.3 隐含节点数求解分析 | 第52-53页 |
| 4.2.4 学习率求解分析 | 第53-54页 |
| 4.3 与传统预测方法的对比实验结果与分析 | 第54-57页 |
| 4.4 赤潮生物量趋势预测的实验结果与分析 | 第57-60页 |
| 4.5 原型系统实现 | 第60-63页 |
| 4.6 本章小结 | 第63-64页 |
| 5 结论与展望 | 第64-67页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 主要研究特色 | 第65页 |
| 5.3 展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 作者简历及攻读硕士期间科研成果 | 第70页 |
