几种人工神经网络模型在智利竹筴鱼渔场渔情预报中的比较研究

摘要

东南太平洋智利竹筴鱼是世界上一种较为重要的海洋经济鱼种，也是我国大型拖网渔船远洋捕捞作业的主要鱼种之一。因其渔业资源的分布范围横跨南太平洋，又易受到不同的海洋环境因素影响，导致渔场的中心范围与资源丰度很难把握。因而利用一些先进的渔情预报方法对其渔场中心及资源丰度的准确预报在有助于提高渔业生产效能的同时，也可以为渔业管理组织对资源的科学管理与可持续利用提供一定的参考资料。 本文根据2003—2013年东南太平洋智利竹筴鱼渔场15条作业渔船的生产统计数据，结合海表面温度、海表面温度梯度、海表面高度、叶绿素a浓度、南方涛动指数、厄尔尼诺3.4指数及其异常值共7个遥感海洋环境因子，通过GAM模型对生产统计数据中的年份、月份、船只、经度、纬度、经纬度交互因子，以及7个海洋环境因子的分析，分析结果剔除了海表面温度梯度因子的不显著因素，并通过其余因子构建以CPUE为资源丰度指标的标准化CPUE模型，从而获得CPUE标准化数据，数据的时间尺度为月，空间尺度为1°×1°。然后以月份、经度、纬度、南方涛动指数海表面高度、叶绿素a浓度、海表面温度、厄尔尼诺3.4指数及其异常值共计9个时空与环境因子分别作为BP神经网络模型预报系统、RBF神经网络模型预报系统、GABP神经网络模型预报系统的输入层因子，标准化CPUE为输出层因子，隐含层均为1层，利用线性拟合优度R2指标、残差平方和以及其它统计学参数综合分析获得三种神经网络中的最优神经网络模型，结果表明，GABP神经网络具有相对更好的渔场渔情预报精度与稳度，预报效果最好，预报精度达到69.52%。具体研究结果如下： （1）CPUE标准化结果 15条船中不同渔船的捕捞效率出现显著不同，渔船效应解释率7.91%；2003年~2013年CPUE整体呈现S型波动，2003~2006年上升，2007~2012年缓慢下降，2013年又上升，年效应解释率7.79%；资源的丰度具有明显的季节性波动，1~4月逐步上升，5、6、7月维持在较高位置，然后9月以后逐步下降，直至1月份的年中最低位，月效应13.7%；三者累积效应解释率占模型总解释能力的76%，对竹筴鱼的资源丰度影响显著。空间因素上，主要作业区域分布于45S~32S之间和80W-100W，中心渔场从北向南呈现东移趋势，空间效应3.3%。环境因素上，海表面温度最适栖息温度11~17℃；最适叶绿素-a浓度0.1~0.2mg/m3；Nino3.4指数在26.5~28，异常值在-0.5~0.5之间，SOI指数在-20、-5、5、12、30时，海表面高度在-10厘米、10厘米、40厘米时，均具有较高资源丰度；GAM模型增加海表面温度梯度因素经AIC检验模型解释率下降，显著性相对不强，在作为神经网络模型输入层因子时不予考虑。在构建智利竹筴鱼渔情预报系统的CPUE标准化过程中不考虑环境效应，CPUE标准化最终模型：ln(cpue+0.9)~factor(vessel)+factor(year)+factor(mon)+s(lat)+s(lon)GAM模型总解释率达到38.7%，标准化CPUE与名义CPUE的变化趋势相似。 （2）BP神经网络模型分析 东南太平洋智利竹筴鱼BP神经网络渔情预报系统，模型单隐含层节点数从1至16个，随着节点数的增加，预报精度先波动增加再稍有下降并逐渐稳定轻微波动。较少的隐含层节点数会导致神经网络模结构过于简单，迭代次数太少，收敛过小；过大的隐含层节点数会使模型映射能力增强，学习时间大大加长，甚至出现过度拟合现象。综合残差平方和和拟合优化系数发现单隐层神经网络节点为6较为适合，此时，拟合优度系数0.5202，残差0.3167，标准差0.038。模型预测结果基本反映出了观测的标准化CPUE的站点变化趋势，除局部区域出现了陷入极小值，基本达到预报需求。 （3）RBF神经网络模型分析 东南太平洋智利竹筴鱼RBF神经网络渔情预报系统，模型单隐层节点数从4至20个，随着节点数的增加，预报精度会相对逐步提高并稳定，不同的节点数会产生相应的最佳扩展系数，但由于固定模型参数预报结果稳定不变，在选取样本集合适中心时采用合适的算法是首要应考虑的因素。渔情预报模型参数在分析比较下确定较优隐含层节点数为14，扩展系数0.6，预报精度29.07%，残差平方和89。模型预测结果仅能反映出观测的标准化CPUE的站点变化大致趋势，整体的预报值偏高于观测标准化CPUE值。 （4）GABP神经网络模型分析 东南太平洋智利竹筴鱼遗传算法优化BP神经网络渔情预报系统，模型随着算法种群规模的增大，出现了预报精度先缓缓增大，稍后稳定轻微波动，整体预报精度差异变化不是很大，最佳种群规模250。但算法变异率与交叉率对预报模型的性能影响较大，过大的变异率和交叉率会导致预报的不稳定性，但过小又会导致模型不能良好反映渔场多变复杂的特征，模型过于收敛。对比发现变异率0.09，交叉率0.75，种群数250，隐含层节点数6时，残差平方和13.5864，预报精度69.52%，为相对最优模型。模型预测结果很好的反映了观测的标准化CPUE的站点变化趋势，较好的表现出了各站点的CPUE大小及整个渔场中心的资源丰度。 （5）三种模型神经网络模型性能比较 通过三个模型的性能比较发现，标准BP和RBF神经网络在智利竹筴鱼渔场渔情预报上的均表现一般，BP神经网络预报模型相较于RBF神经网络预报模型预报在精度及稳定性上表现稍微好些，而GABP神经网络预报系统，在整个预报模型系统的预测精度与稳定上相较于标准BP神经网络预报模型均得到较大的提升。BP神经网络预报系统在站点25-75出现了局部陷入极小值，而RBF神经网络预报系统由于中心的选取不合理出现了整体预报值偏高，GABP神经网络预报系统由于遗传优化算法在全局搜索上对参数的优化选择，使其整个预报系统相对更加稳定，仅在2012年CPUE叠加图中出现中心渔场的局部些许偏差。这表明了GABP神经网络预报模型在智利竹筴鱼渔场渔情预报中的应用是可行的，从而为今后神经网络模型在渔情预报方面进一步的研究提供新的参考方法与研究角度。

目录

封面

声明

中文摘要

英文摘要

目录

引言

1.1 研究背景与意义

1.2 国内外渔情预报研究现状

1.2.1 人工神经网络

1.2.2 BP神经网络国内外研究现状

1.2.3 RBF神经网络在渔业预报应用中的国内外研究现状

1.2.4 神经网络模型优缺点分析及算法改进

1.3 研究的内容和技术路线

1.3.1研究内容

1.3.2技术路线

第二章 材料与方法

2.1材料

2.2方法

2.2.1 基于GAM的CPUE标准化模型

2.2.2 BP神经网络渔情预报模型结构及实现过程

2.2.3 RBF神经网络渔情预报模型结构及实现过程

2.2.4 GABP神经网络渔情预报模型结构及实现过程

2.2.5 模型评价方式

2.2.6 数据处理软件

第三章 CPUE标准化与因子选择

3.1 数据处理

3.2 基于GAM的各影响因子分析

3.2.1 船型因子对CPUE的影响

3.2.2 时间因子对CPUE的影响

3.2.3 空间因子对CPUE的影响

3.2.4 环境因子对CPUE的影响

3.2.5 CPUE标准化

第四章 神经网络模型渔情预报效果研究

4.1 BP神经网络模型渔情预报结果

4.1.1 BP神经网络渔情预报模型训练及性能比较

4.1.2 BP神经网络渔情预报模型训练过程分析

4.1.3 分析与讨论

4.2 RBF神经网络模型渔情预报结果研究

4.2.1 RBF神经网络渔情预报模型训练及性能比较

4.2.2 RBF神经网络渔情预报模型训练过程分析

4.2.3 分析与讨论

4.3 GABP神经网络模型渔情预报效果研究

4.3.1 GABP神经网络渔情预报模型训练及性能比较

4.3.2 GABP神经网络渔情预报模型训练过程分析

4.3.3 分析与讨论

4.4 三种神经网络渔情预报模型效果对比研究与讨论

第五章 结束语

5.1 总结

5.2 本文的创新点

5.3本文的不足与展望

参考文献

致谢

附录1 GAM、GLM部分代码片段

附录2 三种神经网络部分代码片段