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

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

2、要內容；(2)目前海洋環(huán)境數(shù)據(jù)豐富而實際定點作業(yè)數(shù)據(jù)積累較少，可滿足數(shù)據(jù)挖掘應用的數(shù)據(jù)不足；(3)傳統(tǒng)漁情預測模型的構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立和正態(tài)分布，這對于動態(tài)的海洋環(huán)境變量不易達到。需要確定一種更為合理有效的預測方法；(4)目前得到的漁場知識都為靜態(tài)知識，而海洋環(huán)境因子和漁場均為動態(tài)變化的，能體現(xiàn)環(huán)境因子和漁場間變化關系的動態(tài)知識更為重要。 針對以上四個問題，通過大量閱讀漁情預測方面

3、的文獻并結合漁業(yè)數(shù)據(jù)及海洋環(huán)境數(shù)據(jù)的特點，本論文利用支持向量機、模糊集、可拓數(shù)據(jù)發(fā)掘等技術的優(yōu)點，提出一個面向漁情的智能處理模型，對該模型中的各模塊以及模塊間的有機組合進行分析研究；用計算機進行原型系統(tǒng)的開發(fā)實現(xiàn)，并通過印度洋大眼金槍魚延繩釣漁獲數(shù)據(jù)及印度洋海域真實海洋環(huán)境因子數(shù)據(jù)進行挖掘應用，對該模型及其關鍵技術的有效性進行了驗證，得到能夠揭示漁場形成機制的靜動態(tài)漁情知識，并構造出優(yōu)于傳統(tǒng)方法所得的漁獲量預測模型。該處理模型的核心內容

4、為以下幾個方面： (1)首先對于挖掘方法的選用，針對海洋環(huán)境數(shù)據(jù)不滿足正態(tài)分布的特點以及漁業(yè)作業(yè)定點數(shù)據(jù)積累少，真正可用于挖掘的數(shù)據(jù)量稀少兩個特點，選用支持向量機(SVM)作為該處理模式的核心方法。支持向量機以統(tǒng)計學習理論為理論依據(jù)，解決了傳統(tǒng)方法如多元線性回歸及神經網絡中的不足之處，效果要優(yōu)于傳統(tǒng)方法；由于基于結構風險最小化原則，因此非常適合處理小樣本學習；支持向量機(SVM)分為支持向量分類器(SVC)和支持向量回歸機(SV

5、R)，可以用于漁情知識的挖掘和漁情預測模型的構建； (2)利用支持向量分類器(SVC)，對由海洋環(huán)境因子及延繩釣產量數(shù)據(jù)組成的樣本，選擇合適的核函數(shù)及相應參數(shù)進行學習，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，這些點在漁業(yè)生產中往往表達了海洋環(huán)境因子的邊際范圍，而其它的點則會在支持向量所表達的邊際范圍內，因此對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，通過對樣本支持向量的提取，即可獲得相應的表達

6、環(huán)境因子邊際范圍的模糊規(guī)則的靜態(tài)知識，得到一組IF…THEN的模糊規(guī)則，即漁業(yè)靜態(tài)知識。 (3)將獲得的粗糙靜態(tài)知識進行可信度評價以及冗余沖突處理，就可以得到最終的靜態(tài)知識。由于靜念知識不足以表達充滿變化關系的漁業(yè)，將可拓數(shù)據(jù)挖掘理論對得到的模糊規(guī)則進行進一步知識挖掘，將靜態(tài)規(guī)則進行可拓變換，從而得到比靜態(tài)知識更有價值的漁場動態(tài)知識。 (4)利用支持向量回歸機(SVR)，通過對海洋環(huán)境因子及延繩釣產量數(shù)據(jù)的不同方式組織，

7、選擇相對應的核函數(shù)及參數(shù)，構建預測印度洋海域大眼金槍魚延繩釣漁獲量的預測模型。 本論文首次針對漁業(yè)提出了一種面向漁情的智能處理模型，對該模型中的關鍵技術進行深入研究。該模型可獲取更有價值的漁業(yè)知識，提高漁情預測的精度。文章利用印度洋大眼金槍魚的實際生產數(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)進行該模式的實際應用驗證。該面向漁情