一种获取渔场知识的数据挖掘模型及知识表示方法研究

提出了一种获取渔场知识的数据挖掘模型及知识表示方法。首先利用SVM(支持向量机)和模糊分类器从数据库中提取出有利于渔情预测的静态知识,然后通过可拓挖掘方法将静态知识转换为动态知识,最后采用本体构建技术对渔场的静态知识和动态知识进行表达,建立本体知识库。在上述方法的研究基础上,建立了以印度洋大眼金枪鱼为例的渔情预测原型系统。系统运行结果表明,提出的获取渔场知识的数据挖掘模型及知识表示方法是有效可行的。

基于神经网络的规则提取及其渔业应用研究

为了解决远洋渔业中过度依赖经验而产生的盲目捕捞问题,结合海洋环境数据和历史产量数据对渔场进行有效分析,提出了一种基于径向基函数神经网络(Radial basis function neural network,RBFNN)的栖息地指数(HSI)预测方法,并将其应用于印度洋海域大眼金枪鱼(Thunnus obesus)栖息地指数的预测。在RBFNN训练过程中使用模糊C均值(Fuzzy c-means,FCM)聚类算法,在基于神经网络的规则提取过程中首次采用了和声搜索(Harmony search,HS)算法。实验研究表明,利用FCM改进后的RBFNN,均方误差(Mean square error,MSE)达到0.021 6。和声搜索由于算法简单,易于实现,能够应用于训练后的FCM-RBFNN提取分类规则,提取出的规则能够反映该渔业现状。

一种新的面向渔情预测的智能数据处理模型研究

结合印度洋大眼金枪鱼渔业应用背景,提出一种新的面向渔情预测的智能数据处理模型。首先利用支持向量机(SVM)对样本数据进行训练,并运用模糊分类器对支持向量进行规则提取;然后对条件和结论分别进行可拓变换和传导变换,获得渔场动态知识。实验结果表明,获得的动态知识具有更强的解释性,对丰富渔情预测方法、解释渔场形成机制具有重要意义。