共查询到10条相似文献，搜索用时 160 毫秒
1.
《广东海洋大学学报》2015,(6)
根据1989—2012年西北太平洋秋刀鱼(Cololabis saira)的单位捕捞努力量渔获量(CPUE)以及对应的海洋环境因子数据,包括1-12月各月的Trans-Nino指数(TNI)、1月黑潮区域海表面温度(SST_(黑潮))、6月亲潮海表面温度(SST_(亲潮)),采用BP神经网络预报模型,对西北太平洋秋刀鱼资源丰度进行预测分析。通过10种神经网络模型比较,以及实际CPUE的验证,以拟合残差最小的预报模型作为最优预报模型。研究表明:各月TNI指数、1月黑潮区域海表面温度、6月亲潮海表面温度对西北太平洋秋刀鱼资源丰度影响显著,结构为14-10-1的BP神经网络模型相对误差仅为0.000 681,可作为西北太平洋秋刀鱼资源丰度的预报模型。 相似文献
2.
《广东海洋大学学报》2017,(6)
根据1998-2013年中西太平洋鲣鱼围网生产统计数据以及海洋环境数据,采用BP人工神经网络模型,分别以初值化后的单位捕捞努力量渔获量(CPUE,Catch per unit of effort)和捕捞努力量(Fishing Effort)作为中心渔场的表征因子,并作为BP模型的输出因子,以时间因子、空间因子、海洋环境因子(包括海表温度SST、海面高度SSH、Nino3.4区海表指标及叶绿素浓度Chl-a)等作为输入因子,构建22个BP神经网络模型,以最小拟合残差作为判断标准,比较渔场预报模型优劣。实验结果,以捕捞努力量为输出因子的模型的最小拟合残差均小于以CPUE为输出因子的模型,表明捕捞努力量更适合作为表征中心渔场的因子;同时,拟合残差的平均值随着输入因子的增加而减少,表明本研究所选的时间、空间、海洋环境因子等对鲣鱼中心渔场预报均极为重要。其中,以月份、经度、纬度、SST、SSH、Nino3.4a、Chl-a为输入因子,以初值化后的捕捞努力量为输出因子,结构为7-5-1的BP神经网络模型预报精度为最高,影响因子的重要性从高到低依次是经度、Chl-a、SST、纬度、NINO3.4a、SSH、月份。 相似文献
3.
《广东海洋大学学报》2017,(1)
根据2003-2011年渔汛期间我国鱿钓船在西南大西洋海域的生产统计数据,结合海洋遥感获得的海表温度(SST)和海面高度(SSH)等数据,以单位捕捞努力量渔获量(CPUE)和作业次数作为中心渔场指标,以月份、经度、纬度、SST和SSH为输入因子,利用BP神经网络方法构建西南大西洋阿根廷滑柔鱼中心渔场预报模型。比较14种不同结构的BP神经网络模型,以CPUE作为中心渔场预报指标的BP模型均较佳,其拟合残差范围为0.004 0~0.005 5,平均值为0.004 7;而以作业次数作为中心渔场预报指标的BP模型,其拟合残差范围为0.009 3~0.011 6,平均值为0.010 4。输入因子为月份、经度、纬度、SST和SSH,输出因子为初值化后的CPUE,网络结构为5-4-1时的BP神经网络模型为最佳,其拟合残差为0.004 025,该模型可用于阿根廷滑柔鱼中心渔场的预报。BP神经网络方法可为准确渔场预报提供新途径。 相似文献
4.
贝叶斯正则化的Elman神经网络电离层TEC预报模型 总被引：1，自引：0，他引：1
利用2017年中低纬电离层总电子含量、地磁活动指数、年积日等参数,首次建立基于贝叶斯正则化(Bayesian regularization)的Elman回归神经网络(BR-Elman)的电离层TEC预报模型。同时,根据地磁活动指数的变化特征,分别进行平静电离层和扰动电离层预报建模。实验结果表明,该方法在平静期5 d预测值的均方根误差为1.19 TECu,残差为1.03 TECu,相关系数为0.93;在扰动期5 d预测值均方根误差为1.34 TECu,残差为1.01 TECu,相关系数为0.91。贝叶斯正则化的BP神经网络模型以及传统BP神经网络模型在平静期与扰动期5 d的预测上,均方根误差最小为1.87 TECu,残差最小为1.50 TECu,相关系数最优为0.87。通过对比分析,该模型较其他2个模型的预报效果有明显改善。 相似文献
5.
提出采用多元回归模型（MAR）与最小二乘（LS）组合进行极移预报。该模型考虑极移PMX和PMY的LS拟合残差之间的相关性,采用PMX残差和PMY残差一起构建预报模型进行残差预报。通过与LS+AR预报结果的对比表明,LS+MAR模型的预报结果更优。此外,通过与EOP_PCC预报结果的对比也说明,LS+MAR模型的短期极移预报精度能够达到国际先进水平。 相似文献
6.
气象变量常作为重要的影响因子出现在环境污染、疾病健康和农业等领域,而高分辨率的气象资料可作为众多研究的基础数据,对推进相关研究的发展意义重大。本文以中国大陆为研究区域,利用2015年824个气象站点的气温、相对湿度和风速3套数据,结合不同的解释变量组合,分别构建了各自的GAM和残差自编码器神经网络（简称残差网络）模型,以10倍交叉验证判断模型是否过拟合。研究结果表明：① GAM和残差网络方法都不存在过拟合问题,同GAM相比,残差网络显著提高了模型预测的精度（3个气象因素的交叉验证CV R2平均提高了0.21,CV RMSE平均降低了37%）,其中相对湿度模型的提升幅度最大（CV R2:0.85 vs. 0.52,CV RMSE:7.53% vs. 13.59%）;② 残差模型的结果较普通克里格插值结果和再分析资料更接近站点观测数据,表明残差网络可作为高分辨率气象数据研制的可靠方法。此外,研究还发现在相对湿度模型中加入臭氧浓度和气温、在风速模型中加入GLDAS风速再分析资料,可提升模型的性能。 相似文献
7.
为解决难以用确定机理模型描述的非线性系统状态预报问题,提出一种基于过程神经网络的预报模型及其算法.利用过程神经网络对动态系统的非线性映射机制和直接辨识建模能力,面向系统状态参数预测,建立一种反映系统过程模态特征变化的过程神经网络模型,分析模型的预测机制,给出相应学习算法.为弥补实际采样数据不足及提高数据信息利用率,利用... 相似文献
8.
为研究北斗卫星频间偏差参数(DCB)长期及短期变化特性,在某卫星DCB参数缺失时,对该卫星DCB参数进行短期及长期预报,以预报值代替真实值。本文利用中国测绘科学研究院i GMAS分析中心数据,采用二次多项式拟合法对北斗卫星DCB参数展开研究,通过构建电离层延迟模型求解北斗卫星DCB参数,统计了北斗卫星包括GEO卫星、IGSO卫星、MEO卫星的2016-01~2016-12及2017-02-01~2017-02-28的频间偏差参数解算结果,分析其变化特性,并采用二次多项式拟合法对DCB参数进行长短期预报及精度分析。实验证明,相比GEO、IGSO卫星、MEO卫星的DCB参数较低且波动幅度介于GEO、IGSO卫星之间;二次多项式拟合法可对北斗卫星的频间偏差参数进行预报,对北斗卫星的频间偏差求值及预报具有重要的参考作用。 相似文献
9.
【目的】研究环境与气候因子对鲐鱼的生长、繁殖和补充的影响。【方法】根据我国东、黄海鲐鱼灯光围网渔业捕获量、捕捞努力量建立剩余产量模型,尝试用6月产卵场(127°30′E、29°30′N)的平均海表温(SST)、Nino 3.4区海表温度距平值(Nino-SSTA)、太平洋中高纬年代际振荡(PDO)和南方涛动指数(SOI)4个因子对剩余产量模型进行优化,分析SST、Nino-SSTA、PDO和SOI对东、黄海鲐鱼资源量和最大可持续产量的影响。【结果】经过Pearson相关性分析,发现PDO对CPUE残差无影响,对SST、Nino-SSTA和SOI有影响。选取相关性较高的SST、Nino-SSTA对模型进行优化,发现优化后的模型对鲐鱼渔获量的拟合效果比优化前显著增强。【结论】6月份产卵场SST、Nino 3.4区海表温度距平值对鲐鱼资源变化有明显的影响,建议在渔业管理中应根据各年环境因子的情况确定最大可持续产量,合理制定管理策略。 相似文献
10.
《地质科技通报》2013,32(6):73
煤层气资源量计算是合理选择煤层气开发区块的重要依据。除煤层的空间体积外,影响煤层气资源量计算的不确定性
因素主要有以下2种:煤层含气量预测和煤层属性参数空间分布。利用随机模拟和神经网络方法对沁水盆地柿庄南部煤层气区
块的资源量进行了计算,并比较了不同纵向网格大小和回归方法计算的煤层气资源量的结果。在分析煤层含气量与测井数据相
关关系的基础上,选取有效埋深、自然伽马、深侧向电阻率和密度作为神经网络的输入层,测试的煤层含气量作为输出层,利用遗
传算法优化权系数和网络结构,建立了准确的神经网络模型;然后,利用序贯高斯随机模拟方法建立了有效埋深、自然伽马、深侧
向电阻率、密度的三维分布模型,再利用已建立的神经网络模型预测了煤层含气量的三维分布;最后根据密度分布模型和煤层含
气量的三维分布计算了煤层气的资源量。神经网络预测的煤层气量平均绝对误差为-0.03m3/t,平均相对误差为-0.25%。在
随机模拟基础上计算的资源量分别为:精细模型的平均值8.05×109 m3,粗化模型的平均值8.01×109 m3。回归法计算的平均
值9.08×109 m3。结果表明:与多元回归方法相比,神经网络方法可以准确地预测煤层含气量值;综合神经网络和随机建模方法
可以用来预测煤层气资源量并研究其不确定性;储层模型的纵向网格大小对煤层气资源量计算结果影响不大;利用回归方法计算
的煤层气资源量大于神经网络方法计算的结果。 相似文献
因素主要有以下2种:煤层含气量预测和煤层属性参数空间分布。利用随机模拟和神经网络方法对沁水盆地柿庄南部煤层气区
块的资源量进行了计算,并比较了不同纵向网格大小和回归方法计算的煤层气资源量的结果。在分析煤层含气量与测井数据相
关关系的基础上,选取有效埋深、自然伽马、深侧向电阻率和密度作为神经网络的输入层,测试的煤层含气量作为输出层,利用遗
传算法优化权系数和网络结构,建立了准确的神经网络模型;然后,利用序贯高斯随机模拟方法建立了有效埋深、自然伽马、深侧
向电阻率、密度的三维分布模型,再利用已建立的神经网络模型预测了煤层含气量的三维分布;最后根据密度分布模型和煤层含
气量的三维分布计算了煤层气的资源量。神经网络预测的煤层气量平均绝对误差为-0.03m3/t,平均相对误差为-0.25%。在
随机模拟基础上计算的资源量分别为:精细模型的平均值8.05×109 m3,粗化模型的平均值8.01×109 m3。回归法计算的平均
值9.08×109 m3。结果表明:与多元回归方法相比,神经网络方法可以准确地预测煤层含气量值;综合神经网络和随机建模方法
可以用来预测煤层气资源量并研究其不确定性;储层模型的纵向网格大小对煤层气资源量计算结果影响不大;利用回归方法计算
的煤层气资源量大于神经网络方法计算的结果。 相似文献