监督的深度学习算法及其在海洋环境数据分析中的应用

Marine environmental monitoring is significant to predict marine environment and climate change. It's valuable to discover bad weather, such as El nino, via ocean surface temperature monitoring. Most of the previous work only focuses on small data sets and simple models. Our team has already obtained some important research on machine learning and ocean data analysis. In this project, based on large scale marine environmental data sets, we plan to develop a novel supervised deep learning algorithm and apply it to marine environmental data analysis. In this deep learning framework, we use error-correcting output codes as a module to learn each hidden node. The probabilistic output of each node can be taken as input for the training of next hidden layer, such that the whole model can be learned layer-by-layer. After the training of each hidden layer, we use the back-propagation algorithm for fine-tuning to improve the generalization ability. We hope this deep learning model is helpful to forecasting and preventing bad weather for our country, especially the area close to the sea.

海洋环境监测对于预测海洋环境和气候变化有重要的实际意义，通过海洋表面温度监测可以发现厄尔尼诺现象的发生发展情况，对及早预防自然灾害有重要的价值。之前国内外的工作都是基于小规模数据或简单模型来对海洋数据进行分析和处理的，在模型准确率和预测精度方面有很大的不足之处。本研究团队在机器学习和海洋数据分析等方面已取得一些重要的研究成果。本项目中，我们将基于大规模的海洋环境数据，开发新颖的监督的深度学习算法，并将其用于海洋环境数据的分析当中。在这个深度学习框架当中，我们利用纠错输出编码模型作为多类分类器来学习每一个隐层节点，每个隐层节点的概率输出又可以作为下一个隐层的输入特征，这样整个深度学习网络就可以逐层的训练完成。在整个网络训练完成之后，我们可以利用反向传播算法对整个网络进行精细调参，从而提高模型的泛化性能。我们希望这个深度学习模型对于国家预报和预防沿海地区自然灾害能起到重要作用。

海洋环境监测是我国中长期科学与技术发展规划纲要中积极发展的重要前沿技术。建立海洋环境立体监测系统，对于保护海洋环境、 海洋资源可持续利用、 预防自然灾害，乃至认识全球气候变化都有非常重要的科学和实际意义。在本项目的支持下，本研究团队对于监督的深度学习算法以及深度学习算法在海洋环境监测中的应用开展了广泛的研究，发表了10篇SCI检索的期刊论文和12篇EI检索的会议论文，培养硕士研究生4人，支持本科毕业设计10人，组织国内学术研讨会3次，超额完成了本项目既定的研究目标。特别地，在监督的深度神经网络研究方面，研究团队提出了深度纠错输出编码算法和深度增量纠错输出编码算法，将传统的纠错输出编码推广到深度模型，同时克服了以往深度学习算法随机初始化的不足之处；提出了拉伸深度结构算法，较传统的深度学习模型，拉伸深度网络不需要进行反向传播，训练速度快，并且不需要大量的训练数据；提出了深度哈希学习网络，极大地提高了传统哈希学习算法的精度；提出了间隔深度结构，将大间隔优化融入了深度网络学习当中。在机器学习方法用于解决海洋环境监测方面，利用支持向量机对厄尔尼诺现象进行预测，准确率达到82.76%；将海表温度预测问题归结为时间序列的回归问题，并用长短时记忆网络对这个问题进行了求解；结合班扎夫权力指数优化随机森林中每棵树节点的最佳分割阈值，实现了对海洋环境中海洋锋的高效识别；将深度稀疏非负矩阵分解算法用于水下图像颜色恒常性研究，实现了水下图像色彩的增强。这里，海洋表层温度监测可以发现厄尔尼诺现象的发生发展情况，对及早预防自然灾害有重要的价值；在锋带附近的特定水团中，常有浮游植物大量繁殖，为浮游生物和动物提供丰富的饵料，可以根据海洋锋的位置制订最大渔获量的捕捞计划。因此，本项目所开展的研究不仅对于机器学习领域有重要的理论贡献，对于海洋科学和海洋环境监测也具有突出的实际意义。