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

1、中尺度渦又稱為海洋“風暴”，對海洋能量和物質(zhì)運輸具有重大作用，具有重大的研究價值。傳統(tǒng)的基于流場幾何特征和高度異常值的渦旋檢測算法不僅復(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）是深度學習的算法之一[1]，已經(jīng)被廣泛應(yīng)用在圖像的識別方面。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，以期提高渦旋檢測的效率和精確度。
　　本文在基于對現(xiàn)有渦旋

2、檢測方法研究的基礎(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)引入到渦旋檢測場景中，實現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)的渦旋檢測算法。研究內(nèi)容主要分為兩部分：
　　一方面，本文實現(xiàn)基于流場幾何特征和基于高度異常值的渦旋檢測算法。分析海洋渦旋在流場和高度異常中的特征，以特征約束方式實現(xiàn)渦旋檢測。對比分析兩種算法的準確度以及誤檢和漏檢的原因。結(jié)果證明：這兩種算法實現(xiàn)較容易，但對計算機的計算性能比較高，閾值比較敏感，容易造成誤檢或漏檢

3、，檢測準確率比較低，適合數(shù)據(jù)量較少的渦旋檢測。
　　另一方面，本文實現(xiàn)基于CNN的渦旋檢測算法。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中。流場再分析數(shù)據(jù)（基于海洋數(shù)值模擬計算）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)可以準確反映渦心位置但容易誤檢測。結(jié)合兩種數(shù)據(jù)特點，利用高度異常值進行全局檢測，刷選疑似渦旋中心點，利用流場幾何特征構(gòu)建檢測樣本集，對疑似渦心點進行局部檢測，實現(xiàn)基于C