神經(jīng)網(wǎng)絡(luò)算法在赤潮災(zāi)害智能預(yù)警系統(tǒng)中的應(yīng)用.pdf

1、近年來，我國沿海赤潮頻發(fā)且規(guī)模不斷擴(kuò)大，導(dǎo)致各種海洋生物的生存環(huán)境遭到嚴(yán)重破壞，海洋生態(tài)系統(tǒng)失衡惡化，漁業(yè)資源和海產(chǎn)養(yǎng)殖業(yè)受損嚴(yán)重，同時(shí)赤潮藻毒素嚴(yán)重威脅著海洋生物和人類的生命安全。因此，迫切需要建立高精度的赤潮災(zāi)害智能預(yù)警系統(tǒng)。本文結(jié)合當(dāng)前日趨成熟的神經(jīng)網(wǎng)絡(luò)算法，對于神經(jīng)網(wǎng)絡(luò)赤潮預(yù)測模型進(jìn)行了初步的研究，設(shè)計(jì)并實(shí)現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的赤潮災(zāi)害智能預(yù)警系統(tǒng)。具體來說包括以下幾個(gè)方面： 首先，在簡要分析赤潮發(fā)生與環(huán)境因子之間關(guān)系的基礎(chǔ)

2、上，構(gòu)建了基于PCA（Principal Component Analysis）的附加動(dòng)量法BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)赤潮預(yù)測模型。由于赤潮成因復(fù)雜，且與多種環(huán)境因子密切相關(guān)，導(dǎo)致模型的輸入變量難以選擇。針對這一問題，模型首先采用了PCA算法對輸入數(shù)據(jù)進(jìn)行有效信息提取，即對大量輸入數(shù)據(jù)進(jìn)行線性變換，在保證原有信息量的同時(shí)降低輸入維數(shù)以獲取主成分，然后將主成分作為神經(jīng)網(wǎng)絡(luò)模型的輸入，從而有效降低了神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度

3、，大大提高了網(wǎng)絡(luò)的收斂速度。模型仿真實(shí)驗(yàn)結(jié)果表明，該模型較傳統(tǒng)附加動(dòng)量法模型在擬合精度與預(yù)測效果上都有了較大提高。 其次，通過對煙臺四十里灣海域赤潮成因進(jìn)行分析，構(gòu)建了基于LMBP（Levenberg—Marquardt Back Propagation）的煙臺四十里灣赤潮預(yù)測模型。該模型通過設(shè)計(jì)實(shí)驗(yàn)組合并對比實(shí)驗(yàn)結(jié)果的方式確定輸入變量，即根據(jù)該海域各理化因子對赤潮發(fā)生的影響大小對其依次排序，并設(shè)計(jì)了多個(gè)實(shí)驗(yàn)組合，對比各組合的實(shí)

4、驗(yàn)結(jié)果選取輸入變量。本文還詳細(xì)闡述了LMBP神經(jīng)網(wǎng)絡(luò)建模的過程，對于隱含層神經(jīng)元個(gè)數(shù)如何選擇，如何最大限度利用現(xiàn)有數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練等問題進(jìn)行了深入分析。整個(gè)建模過程思路清晰，容易理解，為赤潮預(yù)測的神經(jīng)網(wǎng)絡(luò)建模提供了解決思路。另外，LMBP算法是BP算法的改進(jìn)形式，具有收斂速度快，逼近精度高的優(yōu)點(diǎn)，因此將LMBP模型用于赤潮的實(shí)時(shí)在線預(yù)測有著極大的優(yōu)越性和可行性，從而為赤潮預(yù)測提供了一種新方法。 最后，以多種神經(jīng)網(wǎng)絡(luò)預(yù)測算法為核