本書(shū)內(nèi)容涵蓋海洋大數(shù)據(jù)概述，海洋大數(shù)據(jù)來(lái)源、獲取與傳輸，智慧海洋，海洋大數(shù)據(jù)典型數(shù)據(jù)挖掘分析方法，海洋大數(shù)據(jù)的深度學(xué)習(xí)與應(yīng)用，海洋大數(shù)據(jù)和智慧海洋發(fā)展形勢(shì)與挑戰(zhàn)等。首先，本書(shū)介紹了海洋大數(shù)據(jù)經(jīng)典的數(shù)據(jù)挖掘分析方法，并進(jìn)一步拓展研究方法，介紹了深度學(xué)習(xí)在海洋大數(shù)據(jù)中的處理與應(yīng)用。其次，在給出完備理論推導(dǎo)的基礎(chǔ)之上，引入典型應(yīng)用案例。最后，本書(shū)還對(duì)海洋大數(shù)據(jù)和智慧海洋面臨的機(jī)遇與挑戰(zhàn)進(jìn)行分析，對(duì)海洋大數(shù)據(jù)未來(lái)發(fā)展提出了建設(shè)性建議。

更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。

2004.04~2008.07，黑龍江大學(xué)，工學(xué)學(xué)士 2008.09~2012.07，哈爾濱工程大學(xué)，工學(xué)博士 2010.09~2011.08，美國(guó)德州農(nóng)工大學(xué)，國(guó)家聯(lián)合培養(yǎng)2012.09~2018.06，哈爾濱工程大學(xué)，講師 2018.07~至今，哈爾濱工程大學(xué)，副教授水聲定位與導(dǎo)航、目標(biāo)探測(cè)與跟蹤、人工智能與機(jī)器學(xué)習(xí)算法研究等哈爾濱工程大學(xué)青年教師教學(xué)競(jìng)賽一等獎(jiǎng)?chuàng)�任�?guó)家自然基金同行評(píng)審專家，IEEE/CAA Journal of Automatic Sinica，Chinese Optics Letters，IET Computer Vision，Recent Advances in Electrical & Electronic Engineering等期刊審稿人。

目錄
前言
第1章 海洋大數(shù)據(jù)概述 1
1.1 大數(shù)據(jù)的發(fā)展現(xiàn)狀與趨勢(shì) 1
1.2 海洋數(shù)據(jù)的內(nèi)涵和分類 3
1.3 海洋科學(xué)發(fā)展歷程 5
參考文獻(xiàn) 5
第2章 海洋大數(shù)據(jù)來(lái)源、獲取與傳輸 6
2.1 海洋大數(shù)據(jù)來(lái)源 6
2.1.1 衛(wèi)星海洋遙感技術(shù) 6
2.1.2 水聲技術(shù) 7
2.1.3 海洋水文觀測(cè)站 8
2.1.4 無(wú)人機(jī)和無(wú)人船 9
2.2 海洋大數(shù)據(jù)獲取方式 9
2.3 海洋信息傳輸 10
2.4 海洋大數(shù)據(jù)內(nèi)容 11
參考文獻(xiàn) 12
第3章 智慧海洋 13
3.1 智慧海洋的概念 13
3.2 智慧海洋的發(fā)展歷程 17
3.3 智慧海洋的特點(diǎn) 17
3.4 智慧海洋典型案例分析 22
參考文獻(xiàn) 27
第4章 海洋大數(shù)據(jù)典型數(shù)據(jù)挖掘分析方法 28
4.1 線性模型與線性回歸 28
4.1.1 線性模型的基本形式 28
4.1.2 線性回歸 28
4.1.3 線性判別分析 30
4.1.4 線性判別分析的多類分類任務(wù) 32
4.2 模型評(píng)估與性能度量 34
4.2.1 數(shù)據(jù)集和有監(jiān)督學(xué)習(xí) 34
4.2.2 訓(xùn)練集和測(cè)試集的生成 35
4.2.3 超參數(shù)設(shè)置 36
4.2.4 分類及其性能度量 36
4.2.5 分類性能可視化 40
4.3 容量、過(guò)擬合與欠擬合 43
4.4 高維數(shù)據(jù)降維方法 45
4.4.1 k近鄰學(xué)習(xí) 45
4.4.2 多維縮放降維算法 46
4.4.3 主成分分析 47
4.4.4 核化線性降維 49
4.4.5 度量學(xué)習(xí) 51
4.5 特征選擇與特征提取 52
4.5.1 過(guò)濾式特征選擇 52
4.5.2 包裹式特征選擇 53
4.5.3 嵌入式特征選擇與L1正則化 53
4.5.4 短時(shí)信號(hào)分析技術(shù) 55
4.5.5 LOFAR譜分析技術(shù) 56
4.5.6 MFCC特征提取技術(shù) 56
4.5.7 log-Mel頻譜與MFCC 59
4.5.8 基于MFCC的水聲目標(biāo)特征提取 59
4.5.9 基于主成分分析的特征選擇 61
4.5.10 基于線性判別分析的特征提取 62
4.5.11 基于核的非線性特征提取 63
4.5.12 基于流形學(xué)習(xí)的非監(jiān)督特征提取 63
4.5.13 F -分值特征提取 67
4.5.14 遞歸特征消除方法 68
4.5.15 最大噪聲分?jǐn)?shù) 68
4.5.16 獨(dú)立成分分析 69
4.6 稀疏表示與字典學(xué)習(xí) 72
4.7 模糊C均值聚類 79
4.8 支持向量機(jī)與支持向量回歸 80
4.8.1 支持向量機(jī)的基本模型 80
4.8.2 基于支持向量機(jī)的小樣本艦船輻射噪聲識(shí)別 89
4.8.3 基于支持向量機(jī)的樣本數(shù)目失衡艦船輻射噪聲識(shí)別設(shè)計(jì)與仿真 101
4.8.4 支持向量回歸 106
4.9 相關(guān)向量機(jī) 108
4.9.1 貝葉斯模型 108
4.9.2 模型參數(shù)估計(jì) 110
4.9.3 相關(guān)向量機(jī)分類 111
參考文獻(xiàn) 111
第5章 海洋大數(shù)據(jù)的深度學(xué)習(xí)與應(yīng)用 112
5.1 深度前饋網(wǎng)絡(luò) 112
5.1.1 深度學(xué)習(xí)的基本模型 112
5.1.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化 113
5.1.3 復(fù)雜性與泛化能力 113
5.2 深度學(xué)習(xí)中的正則化 114
5.3 集成學(xué)習(xí) 118
5.4 卷積神經(jīng)網(wǎng)絡(luò)的基本組成 122
5.4.1 卷積 125
5.4.2 填充 127
5.4.3 池化 127
5.4.4 激活函數(shù) 128
5.4.5 全連接層 128
5.4.6 softmax函數(shù) 128
5.5 卷積神經(jīng)網(wǎng)絡(luò)的前向傳播算法 131
5.6 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法 132
5.6.1 池化層的反向傳播 132
5.6.2 卷積層的反向傳播 133
5.6.3 全連接層的反向傳播 136
5.7 深度前饋網(wǎng)絡(luò)模型 137
5.8 基于梯度的學(xué)習(xí) 138
5.9 深度前饋網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu) 141
5.10 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法推導(dǎo) 142
5.11 海洋大數(shù)據(jù)典型應(yīng)用案例 147
5.11.1 艦船輻射噪聲源的特性分析 147
5.11.2 艦船輻射噪聲典型特征模擬仿真 149
5.11.3 艦船輻射噪聲的譜分析 157
5.11.4 基于卷積神經(jīng)網(wǎng)絡(luò)的艦船輻射噪聲識(shí)別 169
5.11.5 基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的艦船輻射噪聲識(shí)別 173
5.11.6 基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的艦船輻射噪聲識(shí)別 178
5.11.7 基于遷移學(xué)習(xí)的小樣本艦船輻射噪聲識(shí)別 185
5.11.8 艦船輻射噪聲數(shù)據(jù)集 189
5.11.9 艦船輻射噪聲多元識(shí)別 193
5.11.10 艦船輻射噪聲的小樣本識(shí)別 198
5.11.11 艦船輻射噪聲的樣本數(shù)目失衡識(shí)別 209
參考文獻(xiàn) 219
第6章 海洋大數(shù)據(jù)和智慧海洋發(fā)展形勢(shì)與挑戰(zhàn) 220
6.1 海洋大數(shù)據(jù)和智慧海洋面臨的機(jī)遇與挑戰(zhàn) 220
6.2 海洋大數(shù)據(jù)未來(lái)發(fā)展 224
參考文獻(xiàn) 224