面向漁情的智能處理模型及其應(yīng)用——以印度洋大眼金槍魚延繩釣漁業(yè)為例.pdf

1、近年來，隨著信息技術(shù)的發(fā)展，如何將智能信息處理方法應(yīng)用于海洋漁業(yè)中，有效地對(duì)海洋環(huán)境數(shù)據(jù)和生產(chǎn)作業(yè)數(shù)據(jù)進(jìn)行處理，獲取海洋漁業(yè)知識(shí)，提高漁情預(yù)測(cè)的準(zhǔn)確性，是擺在研究者們面前亟待解決的問題。 已有學(xué)者將數(shù)據(jù)挖掘方法應(yīng)用于漁情智能處理，但存在以下不足：(1)目前基于智能信息處理方法的漁情預(yù)測(cè)所涉及的海洋環(huán)境因子較少，僅包含水溫和海面高度，從而漁情預(yù)測(cè)精度受到一定影響。如何將目前可獲得的眾多海洋環(huán)境因子有效應(yīng)用于漁情預(yù)測(cè)成為一個(gè)研究的主

2、要內(nèi)容；(2)目前海洋環(huán)境數(shù)據(jù)豐富而實(shí)際定點(diǎn)作業(yè)數(shù)據(jù)積累較少，可滿足數(shù)據(jù)挖掘應(yīng)用的數(shù)據(jù)不足；(3)傳統(tǒng)漁情預(yù)測(cè)模型的構(gòu)建中大部分采用多元回歸分析法，然而回歸分析的前提是因變量之間獨(dú)立和正態(tài)分布，這對(duì)于動(dòng)態(tài)的海洋環(huán)境變量不易達(dá)到。需要確定一種更為合理有效的預(yù)測(cè)方法；(4)目前得到的漁場(chǎng)知識(shí)都為靜態(tài)知識(shí)，而海洋環(huán)境因子和漁場(chǎng)均為動(dòng)態(tài)變化的，能體現(xiàn)環(huán)境因子和漁場(chǎng)間變化關(guān)系的動(dòng)態(tài)知識(shí)更為重要。 針對(duì)以上四個(gè)問題，通過大量閱讀漁情預(yù)測(cè)方面

3、的文獻(xiàn)并結(jié)合漁業(yè)數(shù)據(jù)及海洋環(huán)境數(shù)據(jù)的特點(diǎn)，本論文利用支持向量機(jī)、模糊集、可拓?cái)?shù)據(jù)發(fā)掘等技術(shù)的優(yōu)點(diǎn)，提出一個(gè)面向漁情的智能處理模型，對(duì)該模型中的各模塊以及模塊間的有機(jī)組合進(jìn)行分析研究；用計(jì)算機(jī)進(jìn)行原型系統(tǒng)的開發(fā)實(shí)現(xiàn)，并通過印度洋大眼金槍魚延繩釣漁獲數(shù)據(jù)及印度洋海域真實(shí)海洋環(huán)境因子數(shù)據(jù)進(jìn)行挖掘應(yīng)用，對(duì)該模型及其關(guān)鍵技術(shù)的有效性進(jìn)行了驗(yàn)證，得到能夠揭示漁場(chǎng)形成機(jī)制的靜動(dòng)態(tài)漁情知識(shí)，并構(gòu)造出優(yōu)于傳統(tǒng)方法所得的漁獲量預(yù)測(cè)模型。該處理模型的核心內(nèi)容

4、為以下幾個(gè)方面： (1)首先對(duì)于挖掘方法的選用，針對(duì)海洋環(huán)境數(shù)據(jù)不滿足正態(tài)分布的特點(diǎn)以及漁業(yè)作業(yè)定點(diǎn)數(shù)據(jù)積累少，真正可用于挖掘的數(shù)據(jù)量稀少兩個(gè)特點(diǎn)，選用支持向量機(jī)(SVM)作為該處理模式的核心方法。支持向量機(jī)以統(tǒng)計(jì)學(xué)習(xí)理論為理論依據(jù)，解決了傳統(tǒng)方法如多元線性回歸及神經(jīng)網(wǎng)絡(luò)中的不足之處，效果要優(yōu)于傳統(tǒng)方法；由于基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，因此非常適合處理小樣本學(xué)習(xí)；支持向量機(jī)(SVM)分為支持向量分類器(SVC)和支持向量回歸機(jī)(SV

5、R)，可以用于漁情知識(shí)的挖掘和漁情預(yù)測(cè)模型的構(gòu)建； (2)利用支持向量分類器(SVC)，對(duì)由海洋環(huán)境因子及延繩釣產(chǎn)量數(shù)據(jù)組成的樣本，選擇合適的核函數(shù)及相應(yīng)參數(shù)進(jìn)行學(xué)習(xí)，得到一系列支持向量，由于這些支持向量都是最靠近分類超平面的點(diǎn)，這些點(diǎn)在漁業(yè)生產(chǎn)中往往表達(dá)了海洋環(huán)境因子的邊際范圍，而其它的點(diǎn)則會(huì)在支持向量所表達(dá)的邊際范圍內(nèi)，因此對(duì)其采用模糊集合劃分密度的確定方法將其屬性值抽象到語義值，通過對(duì)樣本支持向量的提取，即可獲得相應(yīng)的表達(dá)

6、環(huán)境因子邊際范圍的模糊規(guī)則的靜態(tài)知識(shí)，得到一組IF…THEN的模糊規(guī)則，即漁業(yè)靜態(tài)知識(shí)。 (3)將獲得的粗糙靜態(tài)知識(shí)進(jìn)行可信度評(píng)價(jià)以及冗余沖突處理，就可以得到最終的靜態(tài)知識(shí)。由于靜念知識(shí)不足以表達(dá)充滿變化關(guān)系的漁業(yè)，將可拓?cái)?shù)據(jù)挖掘理論對(duì)得到的模糊規(guī)則進(jìn)行進(jìn)一步知識(shí)挖掘，將靜態(tài)規(guī)則進(jìn)行可拓變換，從而得到比靜態(tài)知識(shí)更有價(jià)值的漁場(chǎng)動(dòng)態(tài)知識(shí)。 (4)利用支持向量回歸機(jī)(SVR)，通過對(duì)海洋環(huán)境因子及延繩釣產(chǎn)量數(shù)據(jù)的不同方式組織，

7、選擇相對(duì)應(yīng)的核函數(shù)及參數(shù)，構(gòu)建預(yù)測(cè)印度洋海域大眼金槍魚延繩釣漁獲量的預(yù)測(cè)模型。 本論文首次針對(duì)漁業(yè)提出了一種面向漁情的智能處理模型，對(duì)該模型中的關(guān)鍵技術(shù)進(jìn)行深入研究。該模型可獲取更有價(jià)值的漁業(yè)知識(shí)，提高漁情預(yù)測(cè)的精度。文章利用印度洋大眼金槍魚的實(shí)際生產(chǎn)數(shù)據(jù)和多因子海洋環(huán)境數(shù)據(jù)(包括海水表面溫度SST、海水水溫垂直分布、海水表溫距歷史平均值SSTA、海水鹽度垂直分布、海水縱橫流速垂直分布等6類)進(jìn)行該模式的實(shí)際應(yīng)用驗(yàn)證。該面向漁情