本书内容涵盖海洋大数据概述，海洋大数据来源、获取与传输，智慧海洋，海洋大数据典型数据挖掘分析方法，海洋大数据的深度学习与应用，海洋大数据和智慧海洋发展形势与挑战等。首先，本书介绍了海洋大数据经典的数据挖掘分析方法，并进一步拓展研究方法，介绍了深度学习在海洋大数据中的处理与应用。其次，在给出完备理论推导的基础之上，引入典型应用案例。最后，本书还对海洋大数据和智慧海洋面临的机遇与挑战进行分析，对海洋大数据未来发展提出了建设性建议。

更多科学出版社服务，请扫码获取。

2004.04~2008.07，黑龙江大学，工学学士 2008.09~2012.07，哈尔滨工程大学，工学博士 2010.09~2011.08，美国德州农工大学，国家联合培养2012.09~2018.06，哈尔滨工程大学，讲师 2018.07~至今，哈尔滨工程大学，副教授水声定位与导航、目标探测与跟踪、人工智能与机器学习算法研究等哈尔滨工程大学青年教师教学竞赛一等奖担任国家自然基金同行评审专家，IEEE/CAA Journal of Automatic Sinica，Chinese Optics Letters，IET Computer Vision，Recent Advances in Electrical & Electronic Engineering等期刊审稿人。

目录
前言
第1章 海洋大数据概述 1
1.1 大数据的发展现状与趋势 1
1.2 海洋数据的内涵和分类 3
1.3 海洋科学发展历程 5
参考文献 5
第2章 海洋大数据来源、获取与传输 6
2.1 海洋大数据来源 6
2.1.1 卫星海洋遥感技术 6
2.1.2 水声技术 7
2.1.3 海洋水文观测站 8
2.1.4 无人机和无人船 9
2.2 海洋大数据获取方式 9
2.3 海洋信息传输 10
2.4 海洋大数据内容 11
参考文献 12
第3章 智慧海洋 13
3.1 智慧海洋的概念 13
3.2 智慧海洋的发展历程 17
3.3 智慧海洋的特点 17
3.4 智慧海洋典型案例分析 22
参考文献 27
第4章 海洋大数据典型数据挖掘分析方法 28
4.1 线性模型与线性回归 28
4.1.1 线性模型的基本形式 28
4.1.2 线性回归 28
4.1.3 线性判别分析 30
4.1.4 线性判别分析的多类分类任务 32
4.2 模型评估与性能度量 34
4.2.1 数据集和有监督学习 34
4.2.2 训练集和测试集的生成 35
4.2.3 超参数设置 36
4.2.4 分类及其性能度量 36
4.2.5 分类性能可视化 40
4.3 容量、过拟合与欠拟合 43
4.4 高维数据降维方法 45
4.4.1 k近邻学习 45
4.4.2 多维缩放降维算法 46
4.4.3 主成分分析 47
4.4.4 核化线性降维 49
4.4.5 度量学习 51
4.5 特征选择与特征提取 52
4.5.1 过滤式特征选择 52
4.5.2 包裹式特征选择 53
4.5.3 嵌入式特征选择与L1正则化 53
4.5.4 短时信号分析技术 55
4.5.5 LOFAR谱分析技术 56
4.5.6 MFCC特征提取技术 56
4.5.7 log-Mel频谱与MFCC 59
4.5.8 基于MFCC的水声目标特征提取 59
4.5.9 基于主成分分析的特征选择 61
4.5.10 基于线性判别分析的特征提取 62
4.5.11 基于核的非线性特征提取 63
4.5.12 基于流形学习的非监督特征提取 63
4.5.13 F -分值特征提取 67
4.5.14 递归特征消除方法 68
4.5.15 最大噪声分数 68
4.5.16 独立成分分析 69
4.6 稀疏表示与字典学习 72
4.7 模糊C均值聚类 79
4.8 支持向量机与支持向量回归 80
4.8.1 支持向量机的基本模型 80
4.8.2 基于支持向量机的小样本舰船辐射噪声识别 89
4.8.3 基于支持向量机的样本数目失衡舰船辐射噪声识别设计与仿真 101
4.8.4 支持向量回归 106
4.9 相关向量机 108
4.9.1 贝叶斯模型 108
4.9.2 模型参数估计 110
4.9.3 相关向量机分类 111
参考文献 111
第5章 海洋大数据的深度学习与应用 112
5.1 深度前馈网络 112
5.1.1 深度学习的基本模型 112
5.1.2 经验风险最小化 113
5.1.3 复杂性与泛化能力 113
5.2 深度学习中的正则化 114
5.3 集成学习 118
5.4 卷积神经网络的基本组成 122
5.4.1 卷积 125
5.4.2 填充 127
5.4.3 池化 127
5.4.4 激活函数 128
5.4.5 全连接层 128
5.4.6 softmax函数 128
5.5 卷积神经网络的前向传播算法 131
5.6 卷积神经网络的反向传播算法 132
5.6.1 池化层的反向传播 132
5.6.2 卷积层的反向传播 133
5.6.3 全连接层的反向传播 136
5.7 深度前馈网络模型 137
5.8 基于梯度的学习 138
5.9 深度前馈网络的网络结构 141
5.10 卷积神经网络的反向传播算法推导 142
5.11 海洋大数据典型应用案例 147
5.11.1 舰船辐射噪声源的特性分析 147
5.11.2 舰船辐射噪声典型特征模拟仿真 149
5.11.3 舰船辐射噪声的谱分析 157
5.11.4 基于卷积神经网络的舰船辐射噪声识别 169
5.11.5 基于AlexNet卷积神经网络的舰船辐射噪声识别 173
5.11.6 基于长短时记忆神经网络的舰船辐射噪声识别 178
5.11.7 基于迁移学习的小样本舰船辐射噪声识别 185
5.11.8 舰船辐射噪声数据集 189
5.11.9 舰船辐射噪声多元识别 193
5.11.10 舰船辐射噪声的小样本识别 198
5.11.11 舰船辐射噪声的样本数目失衡识别 209
参考文献 219
第6章 海洋大数据和智慧海洋发展形势与挑战 220
6.1 海洋大数据和智慧海洋面临的机遇与挑战 220
6.2 海洋大数据未来发展 224
参考文献 224