基于模糊RBF的漁場(chǎng)棲息地指數(shù)預(yù)測(cè)模型研究.pdf

1、作為我國(guó)漁業(yè)的有機(jī)組成部分,海洋漁業(yè)同樣在國(guó)民經(jīng)濟(jì)中占據(jù)重要地位。由于全球范圍內(nèi)海域的過(guò)度捕撈和嚴(yán)重的環(huán)境污染,目前底層魚類的資源已經(jīng)遭到嚴(yán)重破壞,與此同時(shí)頭足類魚類的產(chǎn)量并沒(méi)有受到影響,反而有所上升。于是,金槍魚漁業(yè),特別是以大洋性金槍魚類為捕撈對(duì)象的漁業(yè)正倍受各漁業(yè)國(guó)家的青睞,不少漁業(yè)發(fā)達(dá)國(guó)家爭(zhēng)相捕撈。大眼金槍魚,又稱肥壯金槍魚,是大洋性洄游魚類,較多見于集群活動(dòng)。大眼金槍魚主要分布于大西洋、印度洋和太平洋的熱帶與亞熱帶水域。金槍魚

2、延繩釣漁業(yè)的歷史可以追溯到18世紀(jì)的日本。在1907年漁船更新后,作業(yè)范圍擴(kuò)展到距岸50海里以上的海域。至二十世紀(jì)中葉,基于漁船的改進(jìn),設(shè)備革新,釣捕技術(shù)日益完善等,漁船迅速擴(kuò)大。之后韓國(guó),中國(guó)臺(tái)灣,印尼等國(guó)家和地區(qū)紛紛進(jìn)入印度洋大規(guī)模釣捕金槍魚。
　　隨著長(zhǎng)期的海上作業(yè)和釣捕實(shí)踐,我國(guó)水產(chǎn)工作者積累了大量的海洋漁獲數(shù)據(jù),但苦于無(wú)從下手處理和分析,許多捕撈海域的圈定和捕撈時(shí)間的確定大多數(shù)是根據(jù)自身的經(jīng)驗(yàn),沒(méi)有相關(guān)的數(shù)理分析加以支持

3、。這導(dǎo)致我國(guó)長(zhǎng)期處于盲目捕撈,出海造成的成本較高的情況。如果能提前了解漁場(chǎng)的情況,并對(duì)漁場(chǎng)漁情做理論分析以及進(jìn)行預(yù)測(cè),則可為遠(yuǎn)洋漁業(yè)提供有力支持,節(jié)省時(shí)間。由此,考慮到水產(chǎn)工作者的實(shí)際需要,開展金槍魚漁場(chǎng)漁情預(yù)測(cè)研究是非常重要的。
　　鑒于現(xiàn)有水產(chǎn)工作者對(duì)于遠(yuǎn)洋漁業(yè)魚種的漁情預(yù)報(bào)的研究,本文總結(jié)了它們存在的一些問(wèn)題。
　　首先,多元回歸分析法常被用來(lái)作為傳統(tǒng)漁情預(yù)測(cè)模型的理論工具,但是研究者忽略了海洋數(shù)據(jù)本身存在的特性,即因

4、變量與因變量之間不是簡(jiǎn)單的獨(dú)立可分,相互影響是時(shí)常存在的。而多元回歸分析的首要假設(shè)就是因變量之間的獨(dú)立性。其次,海洋環(huán)境因子較為復(fù)雜,現(xiàn)有的漁情預(yù)測(cè)模型大多包含的環(huán)境因子較少,僅有水溫和海面高度數(shù)據(jù)。這勢(shì)必會(huì)對(duì)漁情預(yù)測(cè)模型的精度產(chǎn)生影響?，F(xiàn)在急需要考慮一些對(duì)漁獲量有重大影響的因子。再有,目前大多數(shù)的漁情預(yù)測(cè)模型是一種關(guān)系型模型,即考慮了海洋環(huán)境因子和產(chǎn)量之間的關(guān)系。而現(xiàn)有領(lǐng)域?qū)＜业膶I(yè)知識(shí)能夠?yàn)轭A(yù)測(cè)模型的建模提供更多指導(dǎo)意義,但目前使用

5、率不高。最后,徑向基神經(jīng)網(wǎng)絡(luò)存在的優(yōu)點(diǎn)已經(jīng)被許多學(xué)者加以驗(yàn)證,但是針對(duì)其具有的神經(jīng)網(wǎng)絡(luò)的黑箱性質(zhì)的研究,大多是停留在專家系統(tǒng),或是利用其它系統(tǒng)模擬得出。很少有研究者嘗試從神經(jīng)網(wǎng)絡(luò)本身挖掘規(guī)則。雖然神經(jīng)網(wǎng)絡(luò)的發(fā)展時(shí)間較長(zhǎng),理論較為完善。但是目前研究者大多采用模型仿真實(shí)驗(yàn)的方式模擬假設(shè),這極大的限制了神經(jīng)網(wǎng)絡(luò)應(yīng)用于實(shí)際的能力。因此,如何將神經(jīng)網(wǎng)絡(luò)的理論真正應(yīng)用到實(shí)際也是值得研究的問(wèn)題。本文主要研究的內(nèi)容是,根據(jù)收集到的印度洋金槍魚作業(yè)鉤數(shù)、

6、產(chǎn)量數(shù)據(jù)和海洋環(huán)境因子數(shù)據(jù)(海水溫度、葉綠素濃度和海面高度)以及漁業(yè)方面專業(yè)領(lǐng)域知識(shí)利用徑向基神經(jīng)網(wǎng)絡(luò)加以學(xué)習(xí),并提取漁業(yè)知識(shí)。分析印度洋金槍魚的棲息地指數(shù),最終得到較好的漁情預(yù)測(cè)模型。這個(gè)預(yù)測(cè)模型系統(tǒng)可以用來(lái)指導(dǎo)漁業(yè)生產(chǎn)和釣捕活動(dòng),探索和發(fā)現(xiàn)漁場(chǎng)分布。主要研究?jī)?nèi)容為以下幾個(gè)方面:
　　(1)知識(shí)挖掘算法對(duì)比研究?，F(xiàn)有的知識(shí)挖掘算法包括決策樹、支持向量機(jī)(Support Vector Machine,SVM),關(guān)聯(lián)規(guī)則,K-Mea

7、ns聚類、遺傳算法、模糊分類和聚類、粗糙分類和規(guī)則歸納、神經(jīng)網(wǎng)絡(luò)等方法。綜合考慮現(xiàn)有方法的優(yōu)缺點(diǎn),針對(duì)海洋漁業(yè)數(shù)據(jù)特性,采用神經(jīng)網(wǎng)絡(luò)中的RBF神經(jīng)網(wǎng)絡(luò)方法挖掘漁類棲息地相關(guān)知識(shí),為進(jìn)一步分析和預(yù)測(cè)漁獲數(shù)據(jù)提供數(shù)據(jù)支撐。
　　(2)數(shù)據(jù)收集。收集印度洋海域海洋環(huán)境因子數(shù)據(jù),包括海面溫度、海水深層溫度、海面高度、葉綠素濃度等,以及1999年1月到2009年12月之間印度洋5°N-5°S,40°E-80°E區(qū)域內(nèi)金槍魚延繩釣作業(yè)產(chǎn)量數(shù)據(jù)

8、。環(huán)境因子中 SST和SSL數(shù)據(jù)的空間分辨率是0.25°×0.25°,而產(chǎn)量數(shù)據(jù)是5°×5°區(qū)間內(nèi)的平均值。因此在數(shù)據(jù)分析前必須將海洋環(huán)境因子數(shù)據(jù)與棲息地指數(shù)匹配,確保在同一標(biāo)準(zhǔn)基礎(chǔ)上度量,本文采用雙線性插值算法對(duì)數(shù)據(jù)進(jìn)行同一化處理,目的是提高數(shù)據(jù)的可用性和可靠性。
　　(3)改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用效果。徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法主要針對(duì)其基函數(shù)中心和寬度的確認(rèn)。本文使用模糊聚類算法、改進(jìn)后的寬度共同訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò),獲得的模型可用

9、于預(yù)測(cè)。
　　(4)利用智能搜索方法獲取 RBFNN隱含知識(shí)?，F(xiàn)有神經(jīng)網(wǎng)絡(luò)的一個(gè)重要缺點(diǎn)是難以被理解的網(wǎng)絡(luò)處理過(guò)程,如何有效顯示神經(jīng)網(wǎng)絡(luò)內(nèi)含規(guī)則,成為本文研究的重點(diǎn)。結(jié)合領(lǐng)域?qū)＜业囊庖?確定樣本數(shù)據(jù)的離散化分析,并將這些數(shù)據(jù)用于徑向基神經(jīng)網(wǎng)絡(luò)中,為利用和聲搜索提取神經(jīng)網(wǎng)絡(luò)知識(shí)做準(zhǔn)備。
　　本文首次提出利用和聲搜索算法描述神經(jīng)網(wǎng)絡(luò)的規(guī)則知識(shí),并將改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用到漁情預(yù)測(cè)系統(tǒng)中。該模型可獲得有價(jià)值的漁業(yè)知識(shí),能夠分析