湖库富营养化人工神经网络评价模型

在分析现有应用人工神经网络评价模型局限性的基础上，根据湖库富营养化的评价标准，提出了生成BP神经网络训练样本、检验样本和测试样本的新方法，给出了区分湖库富营养化不同程度的分界值，论述了确定合理隐层及其节点数的方法，使得训练后的神经网络模型具有更强的泛化能力，不受初始连接权值的影响。训练后的评价模型应用于实例的评价结果表明，新的评价模型具有更好的客观性、强壮性、通用性和实用性。并且由于评价结果采用连续函数输出，能够比较精细地分析湖库的富营养化程度。     

BP人工神经网络模型在珠江口水质评价中的应用

根据海水水质标准GB30971997,应用VB编程语言在各类海水水质指标浓度区间内生成足够多的随机分布样本,以此作为海水水质评价BP人工神经网络模型的训练、检验和测试样本,利用训练后的海水水质评价BP人工神经网络模型对珠江口2002～2003年水质状况做出评价。结果表明,训练后的海水水质评价BP人工神经网络模型具有较好的泛化能力,能够准确评价未知海水样本的水质类别;2002～2003年珠江口的水环境总体状况较差,绝大部分区域属于II～IV类海水,在其分布上,珠江口西部海域水质状况好于东部海域,这是由于珠江口东部沿岸城市东莞和深圳较大的排污量和繁忙的海上运输所引起。     

基于YOLOv5s-Mask和梯度回归的对虾投饵量预测系统设计

<正>在传统的凡纳滨对虾养殖过程中,需要根据养殖经验确定投喂量,容易导致饲料过剩或不足的问题。为解决这一问题,研究者建立预测模型预测投喂量,主要使用BP神经网络预测模型对水产养殖投饵量进行预测(杨加庆,2018;陆天辰,2020)。近年来,随着计算机深度学习的发展,相关模型具有更强的数据挖掘和泛化能力。何津民(2022)提出IPSO-CNN-LSTM-ATTN对虾投饵量预测模型,改善了BP神经网络过拟合和稳定性差的问题,然而该类模型训练数据来自养殖记录,这需要人工长期进行记录。     

基于BP神经网络模型的福建海域赤潮预报方法研究

赤潮往往给渔业生产和人类的生命安全造成极大的危害,但由于赤潮的成因十分复杂,对其进行预报非常困难。本研究收集了福建海区2000年至2016年发生的219个赤潮案例有效数据,应用BP神经网络人工智能模型建立了其与气温、降水、风速、气压和日照5个气象因子的非线性关系,并将这些赤潮案例数据与相应的气象指标按闽东、闽中和闽南3个海区,分别输入模型进行学习、训练与预测。结果显示:1)闽东海区53个训练样本45个预测正确,正确率达84.91%,3个模拟预测样本全部正确;2)闽中海区69个训练样本58个预测正确,正确率达84.06%,4个模拟预测样本全部正确;3)闽南海区85个训练样本的运算预测结果63个正确,正确率74.12%,5个模拟预测样本全部正确,达到预期的结果。研究表明,以气象因子为自变量采用BP神经网络模型对赤潮的发生进行预测是可行的,该方法可为赤潮的预测提供新的途径。     

基于遗传BP神经网络的半滑舌鳎体重估算模型优化研究

针对人工估算半滑舌鳎(Cynoglossus semilaevis)鱼苗体重存在误差大、难度大、易伤鱼苗等缺点,提出了一种基于遗传BP神经网络体重估算模型优化研究的方法。首先利用参考系测量鱼苗体长和体宽,再通过遗传BP神经网络估算模型计算鱼苗体重。利用遗传算法对编码后的BP神经网络进行优化并验证了遗传算法能有效确定BP神经网络隐藏层节点数目。结合遗传算法优化BP神经网络的结构和连接权值,采用300份同一训练样本对优化的BP神经网络进行训练,最终建立准确遗传BP神经网络体重估算模型。结果显示,该方法对鱼苗体重估算与实际值平均相对误差不超过0.61%。研究表明,该方法为半滑舌鳎体重估算提供了一种比较科学的计算方法,在鱼苗生长发育监测和科学喂养等方面具有重要的实际意义。     

基于模糊神经网络的池塘溶解氧预测模型

在分析了池塘溶解氧影响因素的基础上，利用模糊神经网络良好的非线性逼近能力建立了池塘溶解氧的模糊神经网络预测模型。神经网络模型如采用常规的BP或其它梯度算法，常导致训练时间较长且易陷入局部极小点，本实验采用快速的粒子群优化算法对模糊神经网络进行训练，收敛速度明显加快。实验结果表明采用该方法预报溶解氧的预测精度较常规BP递推算法的预测精度明显提高，所采用的模型能对溶解氧进行可靠的预测，该方法为研制开发智能水质检测仪以及工厂化养殖工作奠定了基础，对实际生产具有一定的指导意义。     

最小二乘支持向量机在太湖流域水质评价中的应用

为客观、准确地评价水质状况,从而为水污染防治和水资源合理开发利用提供科学指导,根据最小二乘支持向量机(LS-SVM)的基本原理,引入其分类算法构建太湖流域的水质评价模型,以太湖流域5个重点断面为研究对象,通过对已知训练样本进行学习训练,对测试样本的水质等级进行评价,并将其结果与BP神经网络、判别分析法相比较。结果表明,LS-SVM在太湖流域水质评价方面有着更出色的效果,可为太湖流域水资源管理提供新的参考方法。     

海州湾海洋牧场水环境的承载力

海洋牧场是实现海洋环境保护与渔业资源养护的重要举措。本研究以2014年春(5月)、夏(8月)、秋(10月)对海州湾海洋牧场示范区水环境数据为基础,选取高锰酸盐指数(CODMn)、溶解无机氮(DIN)、溶解无机磷(DIP)、生化需氧量(BOD)作为评价指标,利用BP神经网络模型对该海域水环境承载力进行评价。结果显示,2014年海州湾海洋牧场水环境承载力指数平均值高于0.6,承载状态较理想。水环境承载力存在明显的季节变化,呈现出夏季春季秋季;海洋牧场区域水环境承载力优于对照区海域;CODMn、DIN浓度过高是导致部分站点轻度超载的主要原因,这可能与陆源污染有关。研究表明,航运对水环境承载状态有负面影响;BP神经网络模型构建方便快捷,评价结果客观合理,可应用于海洋牧场等海域水环境承载力的研究。     

基于BP神经网络的虾蛄捕捞海域溯源方法

虾蛄是重要的经济水产品,对环境中重金属元素具有富集作用。不同海域捕捞的虾蛄体内重金属含量差异较大,因此,可根据虾蛄体内重金属含量推断捕捞海域的污染状况,即基于虾蛄体内重金属状况对其来源进行溯源。以渤海、东海和南海三大海域虾蛄中的3种重金属含量数据作为输入,建立BP神经网络判别分析模型,并对模型进行优化,通过模型判断虾蛄样本的来源海域。结果显示:经过网络训练后,总计90个样本中,86个分类正确,模型的判别准确率为95.6%,其中训练集判别准确率为98.1%,验证集准确率为94.4%,测试集准确率为88.9%。研究表明:基于BP神经网络建立的判别分析模型能够解析非线性复杂体系中各元素的内在关联,以区分样品的来源,并可据此进行有效的追溯。     

养殖水体水质的神经网络预测模型研究

以池塘养殖水体常规水质指标作为训练样本，在分析传统水质预测模型的基础上，构建神经网络水质预测模型。运用改进的BP算法对在线监测的水质指标进行分析、分类和预测，确定水质指标与其影响因子间的非线性关系，研究养殖水体水质指数变化梯度和分布规律，同时对水质状况进行模糊判别，为养殖生产提供预警控制，并对不同情况下的输出结果做出了比较。结果表明：该网络具有较好的泛化能力，预测平均误差在3％以内，实现了水质指标的准确预测和判别，收敛速度快，具有较好的实用性和较高的预测精度，基本满足环境管理的需要。     

基于卷积神经网络的养殖鱼类品种识别模型

随着人工智能、大数据、机器学习、计算机视觉等技术的发展,卷积神经网络（CNN）越来越多地应用于图像识别领域,图像数据集的丰富性以及多样性对CNN模型的性能和表达能力至关重要,但现有的鱼类图像公共数据集资源较匮乏,严重缺少训练集以及测试集样本,难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象,采用网络爬虫以及实验室人工拍照采集相结合的方式,构建了供鱼种分类的基础图片数据集,针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题,采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理,并通过内容变换以及尺度变换对基础数据集做了数据增强处理,完成了7 993个样本的图像采集与归纳;在权值共享和局部连接的基础上,构建了一个用于鱼类识别的CNN模型,采用ReLU函数作为激活函数,通过dropout和正则化等方法避免过度拟合。结果显示,所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加,CNN模型的性能也逐步提高,迭代1 000次达到最佳,模型的准确率为96.56％。该模型采用监督学习的机器学习方式,基于CNN模型,实现了5种常见鱼类的鱼种分类,具有较高的识别精度和良好的稳定性,并且模型本身具有一定程度的鱼种推广可能性,为养殖鱼类的品种识别提供了一种新的理论计算模型。     

BP神经网络在太湖不同湖区叶绿素a浓度短期预测的应用初探

摘要：人工神经网络具有强大的非线性能力,能对复杂的水环境系统中非线性行为进行准确有效地预测。本文选择太湖的梅梁湾和湖心区两个典型湖区为研究对象,分别设置4个和2个采样点。通过对其2006-2008年三年的常规水质监测参数进行主成分分析,选择合适的输入因子及最优的网络参数,建立优化的BP网络模型,以实现叶绿素a浓度的月预测。结果表明,梅梁湾湖区和湖心区的预测值与实测值的平均相对误差分别为71%和39%,两者预测精度均较低,原因与太湖的水动力条件、水文气象及藻型生态系统等因素有关。     

以优化的BP神经网络模型为基础研究山东近海口虾蛄空间分布与环境因子的关系

BP神经网络模型作为一种常用的机器学习方法,被广泛应用于物种分布模型,以解析生物分布与环境因子的关系。与传统回归模型相比,该模型可以灵活处理变量间的非线性关系,但其结构复杂,在参数设置方面存在不确定性,从而影响模型的预测与应用。根据2016—2017年山东近海口虾蛄渔业资源调查与环境数据,利用BP神经网络模型构建口虾蛄资源分布模型,同时利用数据分组处理算法(group method of data handling, GMDH)、遗传算法(genetic algorithm, GA)和自适应算法(adaptive algorithm)分别对模型输入变量、初始权值和隐节点数目3方面进行优化,构建7种不同组合优化模型。结果显示,7种模型的优化效果存在明显差异,单方面和两方面组合优化模型预测性能基本保持一致;而三方面共同优化其均方根误差与残差平方和分别为0.35和1.94,较初始模型的0.52和2.40更小,且相关系数最大为0.45,表明模型优化效果最好。对比优化前后发现,口虾蛄资源密度随纬度和底层盐度变化趋势基本保持一致,而随底层温度的升高,口虾蛄资源密度存在较大差异。此外,最优模型较初始模型增加水深为关键环境因子,对口虾蛄的资源密度具有重要影响。本研究进一步开发了BP神经网络模型参数优化的方法,证明了参数优化对BP模型的预测性能具有重要影响,模型优化对于分析口虾蛄资源密度与环境因子的关系具有重要意义。     

基于粒子群优化BP神经网络的水产养殖水温及pH预测模型

针对养殖水质、水温及p H预测准确性低的问题,提出了一种基于粒子群优化BP神经网络的养殖水质参数预测方法。首先应用粒子群算法优化得出BP神经网络的初始权值和阈值,然后对得到的数据进行预处理,修复异常数据信息,再以当前时间的多个水质参数作为输入,下个时间点的水温、p H作为输出,建立养殖水质预测模型,最后利用采集的水质数据在BP神经网络中进行训练,并通过实验检验水质预测模型的可行性和预测性能。与支持向量回归(SVR)和传统BP神经网络相比,基于粒子群优化的BP神经网络在预测水温方面,均方根误差(RMSE)下降幅度分别为64.4%和86.7%;在预测p H方面,RMSE下降幅度分别为11.1%和78.9%。研究表明,基于粒子群优化的BP神经网络养殖水质预测模型具有灵活简便、预测精度高、易于实现的特点,同时具有很好的预测能力。     

基于启发式Johnson算法优化BP神经网络的水产养殖产量预测模型

针对水产养殖产量预测难的现状,提出一种基于启发式Johnson算法优化的反向传播神经网络(BPNN)的产量预测模型。该模型在传统BP神经网络的基础上,针对网络训练时间长、易陷入局部最优的问题,通过启发式Johnson算法降低输入神经元维度,再结合试凑法确定神经网络隐层个数,构建启发式Johnson反向传播神经网络(HJA-BPNN)学习预测模型。实验结果表明,该模型在山东省对虾海水养殖产量预测中,预测的均方根误差小于传统BP神经网络和GM(1,1),且学习效率相比传统BP神经网络有所提升。研究表明,该学习预测模型在大量历史数据的模型构造上有更大的优势,能够缩短建模时间,同时获得良好的预测效果,为水产养殖产量预测提供了一种可行的新方法。     

The skipjack tuna fishery in the west-central Pacific Ocean: applying neural networks to detect habitat preferences

Spatial models for habitat selection were developed using neural networks. The model specifications were elucidated from model construction, training, validating, testing, and interpretation, and applied to skipjack tuna in the west-central Pacific Ocean. The model was created using commercial data from the Oceanic Fisheries Programme of the South Pacific Fisheries Commission and oceanic environmental data include sea surface temperature, horizontal gradient of sea surface temperature calculated from sea surface temperature, sea surface height, and chlorophyll-a. Local abundance indices for skipjack tuna were compiled using catch per unit effort, catch or effort. The optimal neural network models for each abundance index were selected by mean square errors and average relative variances. The predictive ability for optimal neural network models was evaluated by the R ² value using a cross-validation approach. The accuracy and stability of the optimal models, the contribution of independent variables, and the distribution of spatial sensitivity analyses were shown to vary with the abundance index chosen as the response variable. Chlorophyll-a was the most significant oceanographic factor in habitat selection. These results improve our understanding of how best to apply neural networks for modeling habitat selection by skipjack tuna.