排序方式: 共有14条查询结果,搜索用时 15 毫秒
11.
大眼金枪鱼(Thunnus obesus)是太平洋延绳钓的主捕鱼种之一,针对多数传统预报模型存在的问题,提出了基于经验模态分解和双向长短时记忆神经网络(EMD-BiLSTM)的渔场预报新模型,以实现一种新的面向渔业应用的产量预报方法。首先,通过经验模态分解机制(EMD)对单位捕捞努力量渔获量(CPUE)序列进行分解,得到不同尺度的分解分量(IMF);然后结合各影响因子对IMF分量分别建立双向长短时记忆神经网络渔场预报模型(Bi-LSTM),使神经网络的数据处理优势得以充分发挥;最后整合各项结果作为最终预报值。结果显示:与Bi-LSTM模型相比,均方根误差和绝对误差分别降低0.053和0.018;与BP模型相比,均方根误差和绝对误差分别降低0.208和0.048。研究表明,EMD-BiLSTM模型具有较高的预报准确率,可为渔场预报相关研究提供一种新思路。 相似文献
12.
13.
14.
为解决用传统方法进行渔场预测时存在的性能欠佳、特征转换困难、拟合程度不足等问题,提出了一种基于深度学习和典型相关分析的新型渔情预测方法——CNN-DNN-CCA(连接融合)-RBF模型,该方法首先在5°×5°渔业作业区域内将不同海洋环境因子按相对空间位置映射为三维矩阵,然后分别采用卷积神经网络(CNN)和深度神经网络(DNN)对海表温度(SST)、叶绿素a(Chl-a)浓度、海面高度(SSH)3种环境因子和渔场时空因子两种多源异构数据进行模态特征提取,得到两种不同模态的特征向量,并将两种特征向量通过典型相关分析(CCA)进行特征级融合,最后将融合后的特征输入到径向基函数网络(RBF)中进行分类.结果表明,通过试验验证,基于深度学习和典型相关分析的渔场预报模型CNN-DNN-CCA(连接融合)-RBF对南太平洋长鳍金枪鱼Thunnus alalonga中心渔场的召回率达到了90.3%,相较于随机森林(RF)、CNN和DNN模型提高了6.8%~21.8%.研究表明,CNN-DNN-CCA(连接融合)-RBF新型渔情预测模型通过深度学习和典型相关分析方法分别进行特征自动提取和特征融合,消除了冗余信息,简化了特征转换,提高了运算速度和预测精度. 相似文献