文献

J-GLOBAL ID：202202275277946152   整理番号：22A0730534

機械学習を用いた浅い河口における船舶後流の同定【JST・京大機械翻訳】

Identifying ship-wakes in a shallow estuary using machine learning

著者 (14件)： Luo Yao (State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou, 510301, China) ,  Luo Yao (Southern Marine Science and Engineering Guangdong Laboratory (Guangzhou), Guangzhou, 511458, China) ,  Zhang Cheng (Center for Applied Coastal Research, University of Delaware, Newark, DE 19716, USA) ,  Liu Junliang (State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou, 510301, China) ,  Xing Huanlin (State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou, 510301, China) ,  Zhou Fenghua (State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou, 510301, China) ,  Wang Dongxiao (School of Marine Sciences, Sun Yat-Sen University, Guangzhou, China) ,  Wang Dongxiao (Southern Marine Science and Engineering Guangdong Laboratory, Zhuhai, China) ,  Long Xiaomin (State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou, 510301, China) ,  Wang Shengan (State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou, 510301, China) ,  Wang Shengan (Southern Marine Science and Engineering Guangdong Laboratory (Guangzhou), Guangzhou, 511458, China) ,  Wang Weiqiang (State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou, 510301, China) ,  Wang Weiqiang (Southern Marine Science and Engineering Guangdong Laboratory (Guangzhou), Guangzhou, 511458, China) ,  Shi Fengyan (Center for Applied Coastal Research, University of Delaware, Newark, DE 19716, USA)
資料名： Ocean Engineering  (Ocean Engineering)
巻： 246  ページ： Null  発行年： 2022年 
JST資料番号： D0597A  ISSN： 0029-8018  CODEN： OCENBQ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 比較的浅い河口で発生する船舶後流は,非線形波進化や波波相互作用のような複雑な動的過程を受ける。沿岸水域における船舶-覚醒の同定は,水路計画,海岸線保護,および bus水におけるナビゲーション関連問題を含む海洋および沿岸管理にとって重要である。本研究では,機械学習フレームワークを開発し,教師つき訓練アルゴリズムを用いて船舶-覚醒を同定した。波データを中国南部の珠江河口の2つの観測所で測定した。2つのステーションは1,500m離れて,1つはナビゲーションチャネルの近接場にあり,もう1つは遠方場にある。2つの機械学習技術,即ち,多層パーセプトロン(MLP)モデルとサポートベクトルマシン(SVM)モデルを採用した。訓練と試験プロセスにおける2つのデータフォーマットを使用した。1つは波動時系列のディジタルデータであり,他は時系列から導かれたスペクトログラムである。試験は,スペクトログラムが時系列形式に対して両モデルに対してより適切なフォーマットであることを示唆した。SVMモデルはMLPモデルと比較してより高い交差検証スコアとより高い計算コストを有した。近接場データを用いた訓練モデルは,高精度の遠方場位置での予測に使用できる。感度試験は,長い一次波と一次後流チャープが,船舶-覚醒認識のための全体の船舶-覚醒特性の間で,スペクトログラムにおける最も重要な成分であることを明らかにした。スペクトログラムの時間と周波数分解能はモデル性能にわずかな影響しか及ぼさない。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *伴流 ,  相互作用 ,  波動 ,  航法 ,  *船舶 ,  *河口 ,  モデル ,  覚醒 ,  沿岸 ,  遠方場 ,  *機械学習 ,  サポートベクトルマシン ,  近接場
準シソーラス用語： スペクトログラム , 【Automatic Indexing@JST】

著者キーワード (5件)： 船舶伴流 ,  機械学習 ,  浅い河口 ,  その場波動観測 ,  珠江河口

分類 (1件)： 航海と実務  (TD01020F)

タイトルに関連する用語 (5件)： 機械学習 ,  河口 ,  船舶 ,  後流 ,  同定