基于人工神经网络的赤潮预测方法研究

发布时间：2020-07-17 01:42

【摘要】：赤潮（Red tide）是一种在特定条件下海洋中的某些浮游生物，包括微藻、原生动物和细菌等，暴发性增殖而使海水变色的生态异常现象。目前，赤潮的发生越来越频繁，已成为一种世界范围的生态灾害，给很多沿海国家和地区造成了巨大的损失。为此，很多专家学者开展了有关赤潮预测方法的研究，试图找到有效的方法对赤潮进行预报预警，以尽最大程度的减少赤潮所引发的危害。传统的赤潮预测方法是从数理角度出发，依据赤潮影响因子的变化规律来建造模型模拟赤潮是否发生。但由于赤潮发生的影响因素有很多种，海水的富营养化程度升高，水文气象的影响，海水理化因子的变化，船舶带来的外来浮游物种等等，这种复杂性使得人们对赤潮发生机理的认识还是不明确，再加上生态系统各因子之间表现出高度的非线性和不确定性，传统的预测方法真正有效的并不多见。人工神经网络作为一种现代化技术手段，在处理非线性模式识别方面已经表现出了很好的特性，它独特的信息处理能力和解算能力适用于机制尚不清楚的高维非线性系统，并且神经网络在系统模拟、数据处理以及信息的提取等方面已经得到了广泛应用，所以用人工神经网络来进行赤潮预测研究是一个很好的选择。本文首先对赤潮的成因和危害以及我国近年来赤潮的发生状况作了概述，其次是对以往的赤潮预测方法进行了综合、整理，对人工神经网络的三个基本要素进行了阐述，之后详细介绍了BP神经网络、RBF神经网络、GRNN三种网络，采用MATLAB软件的神经网络工具箱进行赤潮预测模型的仿真实验，得到了较为理想的结果，并且通过实验结果对比分析这三种网络的优缺点，进一步证明了光滑因子选取适当的GRNN比BP神经网络、RBF神经网络在赤潮预测方面有更高的准确度，可以推广使用。
【学位授予单位】：浙江海洋学院
【学位级别】：硕士
【学位授予年份】：2012
【分类号】：TP183;X55
【图文】：

神经网络,预测值,实测值,拟合性能

本文实验数据样本共有 28 个，为便于结果分析，现将实验分为两组，第一选取 22 个样本数据作为 BP 神经网络的训练数据，用 6 个样本数据来检查 BP 神经络的拟合性能；第二组选取 24 个样本数据作为 BP 神经网络的训练数据，用 4 个本数据来检查 BP 神经网络的拟合性能，通过 MatLab 7.9.0 的神经网络工具箱构建 B神经网络进行仿真实验。第一组仿真实验得到的结果如图 5-1 所示。

神经网络,预测值,实测值,组数据

图 5-2 BP 神经网络实测值与预测值Fig 5-2 The results of measured value and predicted value of BP neural network采用 4 组数据来进行预测的 BP 神经网络的均方误差34110 =×BPmse ，其实测值预测值和误差数据如表 5-3 所示：表 5-3 BP 神经网络的实测值预测值和误差数据表Tab 5-3 The measured value and predicted value and errors of BP neural network通过对比两组的实验结果，得到采用 4 组数据进行预测的 BP 神经网络的均方差值较小，说明采用 4 组数据进行预测的 BP 神经网络的预测效果要好于采用 6 组据进行预测的 BP 神经网络。同时，作者发现 BP 神经网络存在着不稳定性，通过样本实测值 BP 预测值误差值4 0.1018 0.1213 -0.019515 0.1024 0.1113 -0.008921 0.1097 0.1064 0.003325 0.1111 -0.0570 0.1681

神经网络训练,次数

图5-3的(a)和(b)是用同一个BP神经网络基于赤潮数据的仿真程序进行两次实得到的两个图像，采用 LM 训练函数，通过图像对比可以看出两次实验达到目标均误差的训练次数有很大的不同，这充分体现了 BP 神经网络存在不稳定性，这会影网络的预测能力，如果想用其进行预测研究，就需要采取一定的方法提高它的稳定性除了 BP 神经网络的不稳定性，作者还发现采用不同的训练函数，BP 神经网的训练速度、训练精度有着很大不同。下面将具体说明。

【参考文献】