空間插值是通過已知空間數(shù)據(jù)預(yù)測未知空間數(shù)據(jù)的方法,是空間統(tǒng)計分析的重要內(nèi)容之一。空間插值的核心是基于空間相關(guān)關(guān)系,擬合空間權(quán)重,傳統(tǒng)空間插值方法一般基于歐式空間距離計算空間權(quán)重,在表征空間各向變化趨勢、擬合空間距離與空間權(quán)重之間的復(fù)雜非線性上有一定局限;現(xiàn)有基于神經(jīng)網(wǎng)絡(luò)的空間插值方法在一定程度上提升了空間插值精度,但多是針對已有方法的優(yōu)化,遷移能力和適應(yīng)力有待提升。為此本文提出了一種基于空間自回歸神經(jīng)網(wǎng)絡(luò)的插值方法（Spatially Auto-regressive Neural Network,SARNN）,利用神經(jīng)網(wǎng)絡(luò)的分析計算與特征提取能力,實現(xiàn)廣義空間距離與空間權(quán)重的精準(zhǔn)解算,提高空間插值方法的精度,同時,本文對不同維度、不同特點的空間模擬數(shù)據(jù)和海洋環(huán)境實測數(shù)據(jù)為研究對象,驗證本文方法在不同維度與場景下的建模精度與適應(yīng)能力。本文主要研究內(nèi)容概括如下:（1）針對現(xiàn)有空間插值方法無法充分表達(dá)區(qū)域內(nèi)空間相關(guān)關(guān)系等問題,提出顧及空間方向異性的廣義空間距離計算方法,并利用神經(jīng)網(wǎng)絡(luò)擬合廣義空間距離與空間權(quán)重間的非線性關(guān)系,構(gòu)建SARNN。在此基礎(chǔ)上,針對模型訓(xùn)練與優(yōu)化等問題,給出網(wǎng)絡(luò)訓(xùn)練流... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：109 頁

【學(xué)位級別】：碩士

【部分圖文】：

神經(jīng)元結(jié)構(gòu)

浙江大學(xué)碩士學(xué)位論文融合空間自相關(guān)神經(jīng)網(wǎng)絡(luò)的空間插值方法17其中是神經(jīng)元的輸入，是神經(jīng)元的偏置，是輸入的權(quán)重系數(shù)。神經(jīng)元輸出為：()=(+)(2.10)多個神經(jīng)元構(gòu)成了神經(jīng)網(wǎng)絡(luò)，其中最簡單的是單層神經(jīng)網(wǎng)絡(luò)，其代表是感知機(jī)（perceptron），共包含兩層神經(jīng)元，如圖2.2（a）所示。感知機(jī)結(jié)構(gòu)較為簡單，只對線性問題具備處理分類能力，在非線性擬合上存在一定局限。圖2.2感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)多層神經(jīng)網(wǎng)絡(luò)包含輸入層、輸出層與多個隱含層，如圖2.2（b）所示。其中，輸入層接受輸入信號，隱含層對輸入信號進(jìn)行處理，利用激活函數(shù)對信號進(jìn)行非線性轉(zhuǎn)化，最終由輸出層輸出結(jié)果。多層神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性擬合能力，被廣泛地應(yīng)用于各個領(lǐng)域。2.2.2顧及各向異性的廣義空間距離計算空間插值方法的關(guān)鍵是空間權(quán)重系數(shù)的求解，而空間權(quán)重系數(shù)則與空間距離相關(guān)。因此，空間插值方法的本質(zhì)是建立已知空間區(qū)域和未知空間區(qū)域之間基于距離的映射關(guān)系，即：=(;)(2.11)空間距離的計算一定程度上影響空間插值模型的結(jié)果。在二維空間中，經(jīng)典插值方法采用歐式空間距離作為空間相關(guān)性的表達(dá)基礎(chǔ)，兩點之間距離的計算公式為：==+(2.12)

浙江大學(xué)碩士學(xué)位論文融合空間自相關(guān)神經(jīng)網(wǎng)絡(luò)的空間插值方法21隱含層………………PReLU&Dropout一致性樣本點位置……【……數(shù)據(jù)集交叉驗證集1交叉驗證集2交叉驗證集10…………輸入層×××預(yù)測值……觀測值終止訓(xùn)練過擬合訓(xùn)練集最大迭代次數(shù)MSE驗證集MSE交叉驗證訓(xùn)練集計算距離梯度下降&持續(xù)訓(xùn)練待估點空間距離SpatiallyNeuralNetwork【數(shù)據(jù)集訓(xùn)練集一十折交叉驗證驗證集一…………空間權(quán)重……×××權(quán)重分量……圖2.4模型流程本文使用交叉驗證法作模型訓(xùn)練評估方法。為交叉驗證法是一種常用于模型驗證的方法，其思想是將數(shù)據(jù)進(jìn)行分組，一部分?jǐn)?shù)據(jù)作為訓(xùn)練集，一部分作為驗證集進(jìn)行模型性能評價，交叉驗證可以評估訓(xùn)練好的模型在新數(shù)據(jù)上的表現(xiàn)，可以在一定程度上減小過擬合，從數(shù)據(jù)中提取更多的有效特征(范永東，2013)。本文采用十折交叉驗證法進(jìn)行模型訓(xùn)練和驗證。將數(shù)據(jù)集分成十等份，九份作為訓(xùn)練集，一份作為驗證集。其中，訓(xùn)練集用于模型訓(xùn)練，擬合參數(shù)與空間神經(jīng)網(wǎng)絡(luò)權(quán)重系數(shù)，驗證集不參與訓(xùn)練過程，用于評估模型的泛化能力。交叉驗證法對不同分組訓(xùn)練的結(jié)果進(jìn)行平均，降低了對數(shù)據(jù)的劃分的敏感性。本文采取10折交叉驗證，步驟如下：Step1：對數(shù)據(jù)做不重復(fù)抽樣，隨機(jī)分為10份。Step2：每次實驗選取其中1份作測試集，剩余9份作為訓(xùn)練集。Step3：重復(fù)第二步10次，對訓(xùn)練集與測試集做劃分。Step4：對每個訓(xùn)練集進(jìn)行訓(xùn)練并得出結(jié)果，對測試集進(jìn)行測試，保存模型的評估指標(biāo)。Step5：計算10組測試結(jié)果的均值作為結(jié)果精度估計。過程如圖2.5所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于海面位勢高度和海表溫度構(gòu)建西太平洋三維溫度場[J]. 范秀梅,樊偉,楊勝龍,周為峰,伍玉梅.  中國海洋大學(xué)學(xué)報(自然科學(xué)版). 2019(12)
[2]空間插值分析算法綜述[J]. 李海濤,邵澤東.  計算機(jī)系統(tǒng)應(yīng)用. 2019(07)
[3]顧及各向異性的三維克里金空間插值[J]. 劉永坤,陳放,湯春節(jié),余昊.  科技通報. 2019(04)
[4]三維空間場各向異性徑向基函數(shù)空間插值模型研究[J]. 段平.  測繪學(xué)報. 2018(12)
[5]基于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的降水量空間插值對比研究——以甘肅省為例[J]. 李純斌,劉永峰,吳靜,王春瑜,柳小妮.  草原與草坪. 2018(04)
[6]象山港水體的磷酸鹽及其對赤潮的潛在影響[J]. 楊志,冉莉華,徐曉群,季仲強(qiáng),朱勇,陳倩娜,陳建芳.  海洋學(xué)報. 2018(10)
[7]基于Argo資料的西太平洋混合層和溫躍層數(shù)據(jù)產(chǎn)品研制[J]. 楊小欣,吳曉芬,盧少磊.  海洋預(yù)報. 2018(03)
[8]錢塘江口磷酸鹽分布、變化與浮游植物的響應(yīng)[J]. 李麗,臧家業(yè),劉軍,劉偉峰,尹曉斐,張波濤,冉祥濱.  海洋科學(xué)進(jìn)展. 2018(02)
[9]粒子群算法優(yōu)化BP在降雨空間插值中的應(yīng)用[J]. 邱云翔,張瀟瀟,劉國東.  長江科學(xué)院院報. 2017(12)
[10]一種新的空間權(quán)重矩陣構(gòu)造及其應(yīng)用[J]. 黃精,張輝國,胡錫健.  統(tǒng)計與決策. 2017(21)

碩士論文
[1]近140年東海及毗鄰的西北太平洋海域表層海溫時空分布特征分析[D]. 張晨.上海師范大學(xué) 2019
[2]基于趨勢面分析的龍海市耕地質(zhì)量時空變化研究[D]. 柯文龍.福建農(nóng)林大學(xué) 2019
[3]基于PT-Kriging的木材內(nèi)部缺陷三維成像方法研究[D]. 李毅斐.浙江農(nóng)林大學(xué) 2018
[4]基于Delaunay的三維快速克里金插值[D]. 王倩.電子科技大學(xué) 2015
[5]模型選擇中的交叉驗證方法綜述[D]. 范永東.山西大學(xué) 2013
[6]顧及各向異性的三維Kriging空間插值方法研究[D]. 王亭.南京師范大學(xué) 2013
[7]空間插值算法的研究及其在空氣質(zhì)量監(jiān)測中的應(yīng)用[D]. 王玉璟.河南大學(xué) 2010



本文編號：3059953