深度学习起源：海洋智能无人系统技术

深度学习起源于神经网络。1943年，麦卡洛克和皮茨最早提出了神经网络数学模型，用以模拟人类大脑神经元的工作原理，采用简单线性加权和模拟输入信息到输出信息的变换，并应用于垃圾邮件的识别处理。为了使简单的线性加权和更自动、更符合实际，1958年，罗森布拉特提出了感知机模型，这是第1个可通过学习获取训练数据特征权重的模型，用于解决简单的图像分类问题。然而由于模型自身的局限性，之后的十多年，神经网络的研究一直处于低潮期。直到20世纪80年代末期，神经网络因分布式知识表达和反向传播算法的提出而再次兴起，模型的表达能力得以丰富，神经网络的训练效率得以提高。神经网络的发展在20世纪80年代末90年代初进入高峰期。乐村等提出的卷积神经网络（convolutional neural networks，CNN）是第1个真正的多层结构学习算法，该算法能够通过特征转换，学习得到复杂的方程，进而对物体的特征进行自动模拟。霍克赖特等提出了长短期记忆（long short-term memory，LSTM）模型，应用于长时序数据建模。然而由于计算资源和数据量的限制，深层神经网络的表达效果仍不理想，20世纪90年代末期渐渐被机器学习的光芒所覆盖。21世纪以来，随着计算机软硬件性能的飞速发展，特别是图形处理器（graphics processing unit，GPU）的出现，神经网络迎来了崭新的时期。2006年，欣顿等在《Science》杂志上提出了深度学习理念，开启了深度学习研究的热潮，特别是在科学领域和工业领域，推动了一批深度学习项目的落地实施。2012年，克里泽夫斯基等在ImageNet计算机视觉挑战比赛中，通过使用CNN算法中的Alex Net，将图像分类误判率从26.2%降到15.3%，成功回应了外界对于深度学习的质疑。同年，微软公司研发了深度神经网络——隐马尔科夫混合模型，并将其应用于语音识别。深度学习应用于生物制药分子的预测，为发现可能的药物分子提供了较好的分析预测结果。此外，深度学习产品还包括谷歌人工智能软件AlphaGo和开源深度学习系统TensorFlow、波士顿动力公司最新发布的机器人Atlas和Facebook公司推出的聊天机器人等，其中2016年和2017年AlphaGo与人类围棋对弈的胜出，凸显了深度学习模型对于海量复杂数据的分析能力。如今，深度学习也从最初的图像识别领域渐渐扩展应用至语音识别、生物化学数据处理、网络搜索内容推荐、医疗、金融安全验证等方面，并逐渐进入海洋领域，用以解决不同领域的数据挖掘分析问题。

传统的海洋数据处理分析多采用人工手动分类识别、传统统计分析、海洋模式模拟等方法，这些方法往往受主观因素的影响而不能真实刻画数据中的隐含信息；且海洋大数据多为非结构或半结构化数据，数据之间关系复杂或无关联，对传统的统计分析和海洋模式模拟提出了挑战。而深度学习，以数据为驱动，通过多层学习提取数据中的有用信息，客观挖掘数据之间的可能关系，能够提高数据处理效率和精度，为海洋大数据的智能分析挖掘带来新的契机。(www.xing528.com)

2015年，奥伦斯坦等采用CNN对340万个浮游生物图像进行了训练和分类，结果表明该方法在时间和精度方面都优于传统人工分类筛选方法，对大量浮游生物图像的分类效果较好。Bentes等则采用深度神经网络对SAR图像数据进行自动分类，省去大量人工时间。Zeng等采用人工神经网络和经验正交函数（empirical orthogonal function，EOF）相结合的方法对海表面高度（sea surface height，SSH）数据进行分析预测，实现了对墨西哥湾中的套流变化和涡旋脱落过程的预测。杜古诺和法布莱提出了一种基于深度学习的图像超分辨率模型与复杂的卷积神经网络方法，对海表面温度（sea surface temperature，SST）数据进行研究，评估应用于海洋遥感数据的深度学习体系的效率与相关性，结果验证了“经过专门训练的海洋遥感数据的深度学习模型能支持重建高分辨海洋表面温度场”。利马等将CNN方法应用于海洋锋的识别，通过训练学习将数据转化为知识，从而应用于有限的数据识别中，得到的识别精度高于传统算法。杨等基于深度学习中的LSTM神经网络模型，引入空间信息，建立了用于SST预测的模型，该模型在中国沿海的SST数据集中应用效果良好。深度学习逐渐应用于海洋大数据的分类识别、高分重构、现象预测等方面，不断拓展在海洋领域中的应用。