基于卷積神經(jīng)網(wǎng)絡(luò)的海洋中尺度渦旋檢測(cè)算法研究.pdf

1、中尺度渦又稱(chēng)為海洋“風(fēng)暴”，對(duì)海洋能量和物質(zhì)運(yùn)輸具有重大作用，具有重大的研究?jī)r(jià)值。傳統(tǒng)的基于流場(chǎng)幾何特征和高度異常值的渦旋檢測(cè)算法不僅復(fù)雜度高，而且閾值設(shè)置受人為影響比較大，適用范圍有限。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是深度學(xué)習(xí)的算法之一[1]，已經(jīng)被廣泛應(yīng)用在圖像的識(shí)別方面。本文致力于將卷積神經(jīng)網(wǎng)絡(luò)引入海洋中尺度渦旋檢測(cè)，以期提高渦旋檢測(cè)的效率和精確度。
　　本文在基于對(duì)現(xiàn)有渦旋

2、檢測(cè)方法研究的基礎(chǔ)上，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別方面的有效應(yīng)用，將卷積神經(jīng)網(wǎng)絡(luò)引入到渦旋檢測(cè)場(chǎng)景中，實(shí)現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)的渦旋檢測(cè)算法。研究?jī)?nèi)容主要分為兩部分：
　　一方面，本文實(shí)現(xiàn)基于流場(chǎng)幾何特征和基于高度異常值的渦旋檢測(cè)算法。分析海洋渦旋在流場(chǎng)和高度異常中的特征，以特征約束方式實(shí)現(xiàn)渦旋檢測(cè)。對(duì)比分析兩種算法的準(zhǔn)確度以及誤檢和漏檢的原因。結(jié)果證明：這兩種算法實(shí)現(xiàn)較容易，但對(duì)計(jì)算機(jī)的計(jì)算性能比較高，閾值比較敏感，容易造成誤檢或漏檢

3、，檢測(cè)準(zhǔn)確率比較低，適合數(shù)據(jù)量較少的渦旋檢測(cè)。
　　另一方面，本文實(shí)現(xiàn)基于CNN的渦旋檢測(cè)算法。在分析CNN原理和結(jié)構(gòu)研究的基礎(chǔ)上，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到中尺度渦旋檢測(cè)中。流場(chǎng)再分析數(shù)據(jù)（基于海洋數(shù)值模擬計(jì)算）可以精確表征中尺度渦的速度和方向但渦心不清晰，海面高度數(shù)據(jù)可以準(zhǔn)確反映渦心位置但容易誤檢測(cè)。結(jié)合兩種數(shù)據(jù)特點(diǎn)，利用高度異常值進(jìn)行全局檢測(cè)，刷選疑似渦旋中心點(diǎn)，利用流場(chǎng)幾何特征構(gòu)建檢測(cè)樣本集，對(duì)疑似渦心點(diǎn)進(jìn)行局部檢測(cè)，實(shí)現(xiàn)基于C