基于深度学习的浙江近岸船舶数据赤潮生物量趋势性预测研究

摘要

浙江近岸海域是赤潮频发的敏感海域。赤潮爆发不仅会导致水环境生态系统失衡，还会造成水产养殖灾难，甚至会危害到公众的健康。因此，如何有效地对浙江近岸复杂多变的敏感水体环境，开展赤潮生物量的趋势性预测，具有十分重要的研究意义。赤潮生物的生长、繁殖、消亡整个过程，与环境因子之间存在一定的关联。由于这些关联错综复杂，且环境因子具有时序性特征，给赤潮生物量的趋势预测带来了困难。赤潮生物量的预测常采用神经网络方法，深度学习是其中的一种深层神经网络，能有效地解决传统神经网络过度拟合的缺点。论文的主要研究内容与结果如下:
　　(1)提出了一种将条件受限玻尔兹曼机(Conditional Restricted BoltzmannMachines，CRBM)算法与深度信念网络（Deep Belief Network，DBN）模型相结合的方法，构建非线性的CRBM-DBN深度学习模型，采用高斯分布处理输入特征值，对比散度抽样，用于浙江近岸海域的赤潮生物量趋势性预测，相比传统神经网络方法，有效地提高了预测的准确率和拟合度。
　　(2)基于粒子群(Particle Swarm Optimization，PSO)算法对CRBM网络深度和训练参数进行最优求解，实验采用浙江近岸海域船舶观测数据作为输入特征值训练CRBM-DBN模型，并通过与经典的深度学习算法和浅层学习算法进行对比实验，验证CRBM-DBN模型对赤潮生物量的预测误差、预测拟合度和预测准确率要明显优于其他三种模型，并能有效地用于赤潮生物量未来4帧的趋势性变化预测。
　　(3)针对浙江近岸海域赤潮监测数据的多源、异构、海量等特点，结合地理信息系统(GIS)空间数据库引擎与Oracle数据库，将本文构建的预测模型集成到浙江近岸海域赤潮预测预警研究平台中。
　　研究结果表明，构建的CRBM-DBN模型对浙江近岸海域赤潮生物量的趋势预测取得较好的效果，具有较强的可行性和实用性，对浙江近岸海域赤潮预测预警有一定的参考价值。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 海洋GIS在赤潮中的应用现状

1．2．2 神经网络算法在赤潮中的应用现状

1．3 论文主要内容和组织结构

1．3．1 论文主要内容

1．3．2 论文组织结构

2 构建面向浙江近岸的赤潮生物量预测模型

2．1 海洋监测数据分析与组织存储

2．1．1 船舶采样观测数据

2．1．2 海洋监测数据的时空特征分析

2．1．3 海洋监测数据的组织与存储

2．2 预测模型基础框架及分析

2．2．1 受限玻尔兹曼算法

2．2．2 深度信念网络模型

2．3 构建赤潮生物量预测模型

2．3．1 构建CRBM-DBN预测模型

2．3．2 CRBM-DBN模型训练方法分析

2．3．3 高斯分布处理输入特征值

2．4 CRBM-DBN模型训练和预测过程分析

2．5 本章小结

3 CRBM-DBN预测模型结构优化

3．1 海洋监测数据预处理

3．2 CRBM-DBN模型参数取值分析

3．2．1 CRBM网络深度分析

3．2．2 各训练参数分析及实验设计

3．3 CRBM-DBN模型参数求解分析

3．3．1 标准粒子群算法求解方法分析

3．3．2 基于粒子群算法求解模型各参数值

3．4 粒子群算法求解蕞优值的评价方法

3．5 本章小结

4 实验验证

4．1 实验环境与实验数据集

4．2 各训练参数求最优解的实验结果与分析

4．2．1 CRBM网络深度实验结果与分析

4．2．2 输入节点数求解分析

4．2．3 隐含节点数求解分析

4．2．4 学习率求解分析

4．3 与传统预测方法的对比实验结果与分析

4．4 赤潮生物量趋势预测的实验结果与分析

4．5 原型系统实现

4．6 本章小结

5 结论与展望

5．1 工作总结

5．2 主要研究特色

5．3 展望

参考文献

作者简历及攻读硕士期间科研成果