更全的杂志信息网

深度学习神经网络及其在海洋环境信息挖掘预测中的应用

更新时间:2009-03-28

深度学习的概念起源于人工神经网络的研究,它通过建立模型模拟人类大脑神经的连接结构。在处理信号时通过组合低层特征形成更加抽象的高层表示、属性类别或特征,对数据的特征进行表示,能够用于分类、回归和信息检索等特定问题。近年来,深度学习在解决语音感知、目标识别、计算机视觉、自然语言处理等人工智能相关任务中取得了突破性进展[1]

1 相关工作

深度学习这一概念最早是由多伦多大学的Hinton等在2006年提出的,指基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的学习过程。为解决传统神经网络随机初始化网络中初始权重值而导致容易收敛到局部最小值的问题,Hinton提出了使用无监督预训练方法优化网络权重的初值,再进行权值微调的方法[2]。此外Lecun等人提出的卷积神经网络是第一个真正的多层结构学习算法,它利用空间相对关系减少参数数目提高BP训练性能[3]

近年来,许多研究通过使用各种概率分布函数来评估不同地区的风能潜力,结果显示,威布尔分布和瑞利分布可以很好地描述风速概率分布[13]。相比于瑞利分布,两参数威布尔分布能更准确地模拟绝大部分地区的风速变化,常记为X-W(α,β) 。在风速模拟中,α 用风速平均值来表示,取值范围为1.8~2.3, β 取决于局部的地形、地貌和气温,用于刻画两参数威布尔分布的偏斜度。经过计算,参数设置为α = 7, β = 2。

支持向量机、提升方法 (boosting)、最大熵方法等 “浅层学习”方法,其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限,而之所以被称为 “深度学习”,则是通过对原始信号进行逐层特征变化,将样本在原空间的特征表示变换到新的特征空间,自动的学习得到层次化的特征表示,从而更有利于分类或特征的可视化[4]。在网络表达复杂目标函数的能力方面、网络结构计算复杂度方面、仿生学角度和信息共享方面,深度学习有着浅学习无法媲美的优点。

深度神经网络是由多个非线性网络叠加而成的。大致分为以下3类:前馈神经网络、反馈神经网络和双向深度网络。前馈神经网络由多个编码器层叠加而成,如多层感知机、卷积神经网络等[5]。反馈神经网络由多个解码器层叠加而成,如反卷积网络、层次稀疏编码网络等。双向深度网络通过叠加多个编码器和解码器层构成,如深度玻尔兹曼机、深度信念网络、栈式自编码器等。

深度学习在许多的商业应用中都取得了前所未有的成功,它在科学领域也做到了令人瞩目的成就,比如利用神经网络方面的知识来使用概率自编码器对星系形状建模,在气候模拟中寻找极端天气事件,学习宇宙质量天体图中的模式,从人类神经记录中解码语音,以及使用去噪自编码器聚类大亚湾数据等[6]

模型的输入为多个打好标签值的样本,输出为模型的预测值或标签值。模型中引入长短期记忆神经网络,适合处理具有长记忆性的时间序列,已经在多个领域的公开数据集UCR[24]中进行测试,具有分类准确率高,预测准确的特点。局限性为网络模型中参数较多,训练时间较长。O-riginal Branch中LSTM层单元数为64个,激活函数为tanh;Convolution1D层的卷积核大小为3*3,激活函数为 RELU。MultiScale Branch中LSTM层单元数为32个,激活函数为tanh;Convolution1D层的卷积核大小为3*3。Gaussian-Noise Branch中LSTM层单元数为16个,激活函数为tanh;Convolution1D层的卷积核大小为3*3,激活函数为RELU。模型初始权重为随机正态分布赋值,采用RMSprop方法对网络权重进行调整,网络采用分批方法进行训练。

香港科技大学的施行建使用新型CNN+RNN模型,与香港气象台合作来进行短期天气预报,相对于NWP和ROVER算法精度更高,它在香港用于预测临近的降雨强度,需要一系列的天气雷达图像,并预测下一个雷达图像。这样,可以预测几分钟或者将来几小时的降雨,而且通过深入的学习,还可以将卫星图像、雷达图像、地面观测数据、无线电数据、风力发电量等各种数据组合成一个模型。大数据催生的深度学习的研究方法与模型配合上一些必要的基本假设模型正好适用于体量飞速增长的气象大数据,将会对气象预测产生无比深远的影响[8]

船舶《保安计划》要求船舶生活区、驾驶台、机舱等水密门均能够从里边很方便地栓死,而从外边不能打开。这一点主要是为了防海盗和登船控制船舶核心部分,以及伤害在船人员。通常对水密门的锁闭,有几点要求:1.是要求从内部可以很方便地打开和锁闭。2.一旦从里边锁死后,从外部轻易打不开。3.正常航行期间,特别是靠离码头,狭水道机动航行时,严禁随意从里边锁死。4.安保通道控制期间,未经许可不可以随意打开,谁打开谁负责从里边锁死。船舶每层水密门均应安排专人在紧急情况下从里边锁死。

2 深度学习原理及框架

深度神经网络是由多个单层非线性网络叠加而成的,常见的单层网络按照编码解码情况分为3类:只包含编码器部分、只包含解码器部分、既有编码器部分也有解码器部分。编码器提供从输入到隐含特征空间的自底向上的映射,解码器以重建结果尽可能接近原始输入为目标将隐含特征映射到输入空间[10]。深度神经网络分为以下3类(如图1 所示):前馈深度网络、反馈深度网络、双向深度网络。

  

图1 深度神经网络分类结构

2.1 前馈深度网络

前馈神经网络是最初的人工神经网络模型之一。在这种网络中,信息只沿一个方向流动,从输入单元通过一个或多个隐层到达输出单元,在网络中没有封闭环路。典型的前馈神经网络有卷积神经网络等。卷积神经网络是由多个单层卷积神经网络组成的可训练的多层网络结构。每个单层卷积神经网络包括卷积、非线性变换和下采样3个阶段[11],其中下采样阶段不是每层都必需的。卷积、非线性变换和下采样3个阶段构成单层卷积神经网络 (如图2所示)。

  

图2 卷积神经网络的3个阶段

在训练卷积神经网络时,最常用的方法是采用反向传播法则以及有监督的训练方式[12],算法流程如图3所示。

  

图3 卷积神经网络训练过程

2.2 反馈深度网络

反馈网络并不是对输入信号进行编码,而是通过解反卷积[13]或学习数据集的基,对输入信号进行反解。前馈网络是对输入信号进行编码的过程,而反馈网络则是对输入信号解码的过程。反卷积网络是通过先验学习,对信号进行稀疏分解和重构的正则化方法。一个单层反卷积网络模型,输入信号由特征通道组成,其中任意一个通道y 输出可看作隐层特征图与滤波器组的卷积。

2.3 双向深度网络

双向网络由多个编码器层和解码器层叠加形成,每层可能是单独的编码过程或解码过程,也可能同时包含编码过程和解码过程。典型的双向深度网络有深度玻尔兹曼机,将多个受限玻尔兹曼机堆叠,前一层的输出作为后一层的输入,便构成了深度玻尔兹曼机 (如图4所示)。网络中所有节点间的连线都是双向的。

  

图4 深度玻尔兹曼机

深度玻尔兹曼机训练分为2个阶段:预训练阶段和微调阶段[14]。在预训练阶段,采用无监督的逐层贪心训练方法来训练网络每层的参数,即先训练网络的第1 个隐含层,然后接着训练第2,3,…n个隐含层,最后用这些训练好的网络参数值作为整体网络参数的初始值。预训练之后,将训练好的每层受限玻尔兹曼机叠加形成深度玻尔兹曼机,利用有监督的学习对网进行训练。由于深度玻尔兹曼机随机初始化权值以及微调阶段采用有监督的学习方法,这些都容易使网络陷入局部最小值。而采用无监督预训练的方法,有利于避免陷入局部最小值问题。

3 LSTM模型

3.1 LSTM 结构与训练

传统神经网络很难来处理这个问题——使用电影中先前的事件推断后续的事件。RNN 解决了这个问题,RNN 是包含循环的网络,允许信息的持久化[15]。RNN的目的是用来处理序列数据,在传统的神经网络模型中,是从输入层到隐含层再到输出层,层与层之间是全连接的,每层之间的节点是无连接的[16-18]。在实践中,为了降低复杂性往往假设当前的状态只与前面的几个状态相关[19],图5便是一个典型的RNN。

  

图5 RNN结构

交叉熵作为指标来衡量模型的预测用于描述真相的好坏,在这里我们通过梯度下降方法最小化交叉熵来使模型的输出更符合真实分布。

3.2 模型应用

模型每个隐藏层LSTM单元个数设置为64,训练集数据为样本数据的70%,验证数据集为样本数据的30%,模型的训练误差下降 (如图7所示),横坐标为训练次数epochs,纵坐标为实际值和预测值的误差,由图中可以看出误差下降速度较快,在300次的时候基本达到收敛,由此也可以证明本文所提出模型的有效性。

模型网络结构能够对任何长度的序列数据进行处理,如图6所示,将模型分为两个部分,其中一个用于训练OS序列,使用一层的LSTM来进行短期依赖记忆;另一个用于专门训练BS的时序依赖关系,使用两层的LSTM来进行长期依赖记忆,之后使用一层Merge Layer将两类经过LSTM训练之后的数据合并起来。通过Rectified Linear Units Layer再次训练,以便达到更快的收敛速度,最后通过输出层Linear线性输出。

  

图6 Merged-LSTM 模型图

  

图7 模型训练误差下降情况

从图8可以看出,模型对比其他模型在叶绿素浓度预测的回归问题上准确率有较大的提升,从图中可以看出在预测误差方面本文方法比其他4种方法低很多,其影响因素间具有不一的长短期依赖,如果忽略这种长短时依赖关系,不管是传统机器学习还是现在流行的神经网络框架都难以准确预测。

磁通门传感器安装示意图如图3所示,传感器磁芯接口垂直于电力变压器铁芯叠片表面放置,安装磁通门传感器后,主磁芯中的交流磁通ΦAC和直流磁通ΦDC将通过低磁阻磁路流过磁通门传感器,从而在该区域产生高磁通密度。假设变压器堆叠方向指向Z方向,这意味着磁通路径平行于X-Y平面。为了实现低磁阻路径,磁通门传感器的堆叠方向指向X方向。

  

图8 直接计算叶绿素预测差图

4 LCNN模型

4.1 LCNN结构

LCNN采用多分支的网络结构,包含Original Branch、MultiScale Branch和 GaussianNoise Branch。按功能可以将其划分为4个阶段,第一个阶段是数据处理阶段,主要功能是对时间序列进行预处理,包括增加时间步、多尺度变换和高斯变换处理;第二个是特征学习阶段,使用LSTM[20]学习时间序列中的时序特征与长期依赖特征,然后将学习到的特征使用CNN[21]进行深度特征学习与提取;第三个是防止过拟合阶段,包括使用dropout[22]层随机断开部分神经元连接,在训练过程中使用Batch Normalization[23]算法进行归一化处理,它们都可以防止模型的过拟合;第四个是分类阶段,首先将3个分支提取的特征进行融合,并按照指定的轴进行连接,然后使用softmax分类器进行分类 (如图9所示)。

  

图9 模型整体结构图

其中其在气象预测方面的应用取得了很大的关注。比如朱国涛结合BP神经网络建立了气象威胁度模型,并且对8种严重影响飞行安全的气象相关因子做出了气象威胁度仿真评估;Kwong K等使用神经网络的方法进行风力预测;郭化文等建立了自回归模型并且将之应用在季节降雨量的预报;李杨等运用支持向量机在气象应用进行预测验证分析;Chen S M等使用时间序列进行温度预测等[7]

4.2 模型应用

海洋信息应用中,我们先对原始海面温度时间序列使用R/S[24]分析方法进行长记忆性分析,然后使用本文算法预测海面温度的变化情况。图10是使用LCNN进行海表面温度预测的结果图。我们对1994/1/1到2016/12/31的SST0.125点共8 401个数据点进行数据处理,对海表面温度涨跌幅在-1%~1%以内的温度变化认为平,即海面温没有发生明显波动;对涨跌幅大于1%的温度变化认为海表面温度上升;对海表面温度涨跌幅小于-1%的认为海表面温度下降。

  

图10 海面温度预测结果图

5 STS模型

5.1 STS结构及训练

此模型主要由3个部分组成,分别是编码层、解码层和注意力机制[25]。其中编码层主要是将输入序列转化为一个固定维度的稠密向量,解码层则根据这个稠密向量解码出对应的输出序列[26]。注意力机制则是对输入和输出的隐层状态进行匹配打分,若两者的分数越高说明匹配程度越大。

此模型适用于按照时间的先后次序进行连续采样的时间序列数据。

编码层和解码层各采用3层的GRU单元隐层[27’ 28] ,且每一层均包含64个隐层节点。初始化时,模型的所有权重均匀分布在-0.1到0.1之间。在训练过程中,采用没有动量的SGD(随机梯度下降)。开始学习率为0.25,如果在训练3次后结果没有改善,那么学习率下降0.99。

此模型在研究可变长度的时间序列关联度挖掘方面具有一定的优势,具体表现在(1)输入和输出都是序列;(2)序列的长度不固定;(3)输入输出序列长度没有对应关系。而传统的神经网络模型,如DNN、CNN、RNN等,由于它们要求输入输出的维度是已知且是固定的,因此不能直接以端到端的方式解决上述类型的问题[29]。但此模型也存在一定缺陷,例如无法事先确定序列分割的长度;只能进行一对一的关联度分析而无法进行多对多的关联度分析等。

  

图11 模型整体结构图

  

图12 注意力机制

5.2 模型应用

由于海面温也是根据时间的先后次序进行连续采样的,因此它是一个时间序列数据[30]。根据上面的模型介绍,可以利用这个模型来对海面温进行时间序列关联度挖掘,从而发现不同点的海面温之间的映射关系。具体做法如下:获取不同点的历年海面温度并将其进行归一化处理。对处理后的数据按照不同的长度进行序列分割,从而得到相应的分段时间序列数据。将一个点的分段时间序列作为模型的输入 (其中每段序列中的每个点分别代表一个输入单元),将另一个点的分段时间序列作为模型的输出 (其中每段序列中的每个点分别代表一个输出单元)来对模型进行训练。若验证集的损失能够持续下降到一定范围且最终趋于稳定,则表明模型训练良好。利用训练好的模型来进行测试,输入一个点的测试集分割时间序列数据,预测出其对应的分割时间序列数据,将此数据与原数据进行相关系数计算和误差计算,从而来判断这两个点之间的海面温是否存在一定关联。

国际贸易班87%学生认为这本课程的内容很抽象并难以理解,市场营销班仅有10%的学生认为这本课程的内容很抽象并难以理解;国际贸易班仅有8%的学生认为《商品学》是一门实用的学科,但市场营销班91%的学生都认为这门实用性很强;当问及“如果《商品学》是一门选修课,你愿意选吗?”国际贸易仅有19%的学生愿意选择,而市场营销有92%的学生愿意选择这门课程。

6 总结与展望

深度学习在时间序列分析挖掘中技术在海洋时间序列分析预报中能够取得有效成果,特别是在数据缺失或传统海洋理论薄弱的环节,人工智能方法预测海洋环境信息在国外取得了局部的成功,我国加快海洋智能技术发展与应用是必要的,也是可行的。

参考文献:

[1] Lecun Y’Bengio Y’Hinton G.Deep learning[J].Nature’2015’521(7553): 436.

[2] 周飞燕’金林鹏’董军.卷积神经网络研究综述[J].计算机学报’2017’40(6): 1229-1251.

[3] 尹宝才’王文通’王立 春.深度学习研究综述[J].北京工业大学学报’2015(1): 48-59.

[4] Mnih A’Gregor K.Neural Variational Inference and Learning in Belief Networks[J].Computer Science’2014’03: 1791-1799.

[15] Alex Graves.Supervised sequence labelling with recurrent neural networks[M]’Springer’2012’volume 385’Berlin: Verlag Berlin Heidel-berg.

[6] 刘鑫达.基于深度学习的气象温度预测研究[D].银川:宁夏大学’2016.

[7] 程学旗’靳小龙’王 元卓’等.大数据系统和分析技术综述[J].软件学报’2014’09: 1889-1908.

[12] LeCun Y.Une procedure d,apprentissage pour reseauaseuil assymetrique[J].Proceedings of Cognitiva’1985’85(2): 599-604.

[18] Pierre Baldi and Gianluca Pollastri.The principled design of large-scale recursive neural network architectures DAG-RNNs and the protein structure prediction problem[J].The Journal of Machine Learning Research’2003’4: 575-602.

[9] 高君宇’杨小汕’张天柱’等.基于深度学习的鲁棒性视觉跟踪方法[J].计算机学报’2016’39(7): 1419-1434.

[10] Venugopalan S’Xu H’Donahue J’et al.Translating Videos to Natural Language Using Deep Recurrent Neural Networks[J].Computer Science’2014’27(2): 1712-1714.

[11] LeCun Y’Kavukcuoglu K’Farabetc.Co-nvolutional networks and applications invision[C].Circuits and Systems (ISCAS)’Proceedings of 2010 IEEE International Symposium on.Pisc-ataway’NJ: IEEE’2010: 253-256.

在这个实施例中,假如A能源子系统与C能源子系统最后加和的系数相同(都是0.661),那么A和C中经济性最好的能源子系统优先运行。

[13] Lowe D G.Distinctive image features fromscale-invariant keypoints[J].International Journalof Computer Vision’2004’60(2): 91-110.

[14] 刘建伟’刘媛’罗雄麟.玻尔兹曼机研究进展[J].计算机研究与发展’2014’51(1): 1-16.

[5] Shi X’Chen Z’Wang H’et al.Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting[J].2015’05: 802-810.

[49] H.R. 5105, Better Utilization of Investments Leading to Development Act of 2018, 115th Congress, 2nd Session, July 18, 2018, pp. 4-7, 26-28, 43-44, 53-58, 61-66.

[16] John J Hopeld.Neural networks and physical systems with emergent collective computational abilities[J].Proceedings of the national academy of sciences’1982’79(8): 2554-2558.

宝清县农业用水井3 631眼,均为浅水井;工业用水井75眼,其中浅水井57眼,深水井 18眼;城镇生活用水井30眼,其中深水井19眼,浅水井11眼;农村生活饮用水井295眼,其中深水井194眼,浅水井101眼。浅水井井深50~70 m,取水层位为第四系孔隙水;深水井井深70~150 m,取水层位为第三系和白垩系孔隙裂隙水。2001—2010年供水量见图1,各业用水量见图2。可以看出,地下水主要供水层位为第四系浅层水,农业灌溉用水为主要用水。

[17] Michael I Jordan.Serial order: A parallel distributed processing approach[J].Advances in psychology’1997’121(4): 471-495.

[8] Mandal S’Prabaharan N.Ocean Wave Prediction Using Numerical and Neural Network Models[J].Proceedings of the National Academy of Sciences of the United States of America’2010’3(1): 328-332.

[19] Andrew L Maas’Quoc V Le’Tyler M O,Neil’et al.Recurrent neural networks for noise reduction in robust ASR[C].Interspeech’Citeseer’2012: 236-248.

[20] Lipton Z C’Berkowitz J’Elkan C.A critical review of recurrent neural networks for sequence learning[J].Computer Science’2015.

深度学习在海洋中也有广泛的应用,其中主要有海浪预测、海浪等级划分等方面。这些在发展国民经济和海防建设中都具有重要的意义。从国外的发展来看,前些年已经开始使用神经网络对海浪的参数进行数值模拟,其效果与实际情况非常接近[9]。近年IBM公司、圣母大学和贝勒大学研发了一种基于深度学习的海浪预测系统,该系统具有更高精度,并且比传统的预测系统快120倍。传统的预报模式需要超级计算机来计算潮汐、风力和风向,而该系统可以在树莓派上进行快速数值模拟和预测。该系统是利用深度学习进行数据集的训练,同时通过使用不同的数据集来观测更广泛的物理环境。IBM研究员认为准确的海浪高度和方向的预测对很多以海洋为基础的工业来说是很有价值的资源。从国内的研究发展来看,主要利用人神经网络来进行一个海浪预测。比如齐义泉等,采用人工神经网络与传统数值模式相结合的方式得到一个更有效的海浪预测[10]

广州亨龙智能装备股份有限公司成立于1997年,注册资金4 500万元,厂房面积约3万m²,是一家集研发制造为一体的高科技企业。公司通过自主研发中频及电容储能电阻焊接技术,形成了控制器、变压器、设备本体等完整的制造体系,辅以自动化控制系统,不断为汽车制造业等现代制造业提供高端装备,产品远销欧美等十多个国家和地区。

[21] 周飞燕’金林鹏’ 董军.卷积神经网络研究综述[J].计算机学报’2017’40(6): 1229-1251.

[18] Srivastava N’Hinton G’Krizhevsky A’et al. Dropout:a simple way to prevent neural networks from overfitting[J].Journal of Machine Learning Research’2014’15(1):1929-1958.

[22] Ioffe S’Szegedy C.Batch normalization: accelerating deep network training by reducing internal covariate shift[J].Computer Science’2015’27(5): 448-456.

妇产科急腹症是妇科急诊,患者临床中有急性腹痛症状出现[1-2]。因为发病突然,病因复杂,诊断难度比较大。急腹症的早期诊断可以有效的提升患者的救治效率,如果错过治疗时机,患者的生命会受到威胁[3-4]。现在我国医疗领域已经开始广泛应用,特别是临床妇产科的检查中。妇产科中彩超主要是被作为女性盆腔静脉曲张、不孕症的观察,胎儿先心病、脐带疾病及其胎盘功能的评估,对肿瘤良恶性进行分辨等,彩超的辅助诊断效果突出。根据研究显示,该疾病临床的误诊率比较高。此次我院就妇产科急腹症患者接受彩超诊断的临床价值进行研究分析,现报告如下。

[23] Chen Y’Keogh E’Hu B’et al.The UCR Time Series Classification Archive(2015).URL www.cs.ucr.edu/~eamonn/time-series-data/

车子呜呜发动。身侧那人还是举着盒子挡住刘雁衡,刘雁衡暗想,今天真是碰上怪事了,一瞥眼间,看到对方穿着一双小巧的马靴,这才放下心来,用右手食指在盒子上啪啪弹了两下:“小姐,请开门。”

建立危险、剧毒、有害、放射性、可传染性物品的全程监控体系,不断列出和修订上述物品清单,通过统一或申报购置,财务报销警示,使用者提供购置、使用、销毁方案等方式对其实行自购置到销毁的一条龙处置方案,经校院两级审批,严格把好使用和监控关。

[24] 何建.时间序列的长记忆性研究及其实证分析[D].成都: 电子科技大学’2016.

“把生态文明建设放在突出地位,融入经济建设、政治建设、文化建设、社会建设各方面和全过程,努力建设美丽中国,实现中华民族永续发展。”这是十八大报告第一次长篇阐述生态文明,“美丽中国”首次被作为未来生态文明建设的目标而高高确立,将生态文明以如此高的姿态出现,一方面体现了党中央对中国未来在生态文明建设方面的正确认识,另一方面强调了生态文明建设的重要地位,也彰显了中华民族对后代子孙、对世界文明主动承担责任的伟大精神。从另一层面展示了党中央坚持毛泽东思想、邓小平理论,将马克思主义真正与中国实际相结合的思想路线。

[25] Sutskever Ilya’Vinyals Oriol’Le Quoc V.Sequence to sequence learning with neural networks[M].Berlin: Verlag Berlin Heidel-berg’2014.3104-3112.

[26] Bahdanau D’Cho K’Bengio Y.Neural Machine Translation by Jointly Learning to Align and Translate[J].Computer Science’2014’6: 827-829.

[27] Chung J’Gulcehre C’Cho K H’et al.Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling[J].e-Print arxiv’2014’131(3): 89-92.

[28] Rana R.Gated Recurrent Unit (GRU) for Emotion Classification from Noisy Speech[J].2016’05: 712-715.

[29] Zhang Y’Pezeshki M’Brakel P’et al.Towards End-to-End Speech Recognition with Deep Convolutional Neural N-etworks[J].2017’4: 410-414.

基于学习产出的教育(Outcome Based Education,简称OBE),也称为目标导向的教育,核心教育理念是面向行业需求,实时动态的设计培养目标,并及时调整毕业能力要求。围绕学生毕业知识、能力、素质需达到的指标全面构建课程体系,进行教学设计以及教学资源的配置[1-3]。

[30] 俞肇元’袁林旺’谢志仁’等.基于时间序列分 解的 海面变化预测[J].南京师大学报 (自然科学版) ’2007’30(1):117-121.

 
徐凌宇,张高唯,江湾湾,李新绢,王蕾
《海洋信息》 2018年第01期
《海洋信息》2018年第01期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号