响应曲面法和人工神经网络模型对电催化氧化磺胺甲恶唑条件的优化

为获得电催化氧化磺胺甲恶唑的最佳实验条件,通过中心组合设计(CCD)设计实验,建立响应曲面(RSM)和人工神经网络(ANN)两种模型,并评价了两种模型的准确性和预测能力。在此基础上分别通过响应曲面法和遗传算法对所得模型进行优化。结果表明:RSM和ANN的均方误差(MSE)、平均绝对误差(MAE)和决定系数(R~2)分别为2.62、 1.13、 0.976和0.59、 0.62、 0.994,说明ANN模型比RSM模型具有更高拟合度、精度和预测能力。响应曲面法和遗传算法的优化结果与实验所得结果的相对误差分别为1.48%和0.74%,说明遗传算法具有更强的优化能力。本研究结果可为优化电催化氧化抗生素废水的条件提供参考。     

基于随机森林的复坡堤越浪量预测研究

针对复坡堤越浪量的计算问题,提出了采用随机森林算法预测越浪量的方法。首先,通过对欧洲CLASH数据集进行筛选,挑选出符合复坡堤越浪量预测的数据;其次,对数据做无量纲化处理,建立以随机森林为基础的复坡堤越浪量预测模型,并通过网格搜索(GridSearchCV)方法对模型进行调参以改善模型的性能;最后,利用决定系数R~2来评估模型的精度,并将随机森林模型与集成神经网络模型做了预测能力的对比,同时还给出了随机森林模型各个特征参数对预测精度的重要性。结果显示,随机森林模型的决定系数为92.7%,集成神经网络模型的决定系数为87.7%,表明随机森林模型对越浪量具有更强的学习和预测能力。通过对特征重要性的分析,墙顶高程对模型预测精度的影响最大,堤顶高程次之,堤脚宽度影响最小。     

利用后向预报方法分析印度洋黄鳍金枪鱼资源评估模型

当前,对渔业资源评估模型的诊断与选择,主要依赖于模型对观察数据的拟合度,很少评价模型的预测能力、并将其作为评价渔业资源评估与管理质量的依据。为此,本文利用后向预报方法评价了印度洋黄鳍金枪鱼(Thunnus albacores)资源评估模型的预测能力,并在此基础上分析了印度洋黄鳍金枪鱼的资源评估与管理质量。研究表明,在利用贝叶斯剩余产量模型对印度洋黄鳍金枪鱼进行资源评估时,存在如下问题:(1)拟合较好的模型其预测能力较差;(2)利用不同时段数据拟合模型时,采用DIC(Deviance Information Criterion)选择的最佳模型缺少稳定性;(3)不同模型估计的TAC (Total Allowable Catch)存在较大差异。据此可以判断,利用贝叶斯剩余产量模型对印度洋黄鳍金枪鱼进行资源评估与管理效果较差。本研究结果表明:(1)利用后向预报方法可评价模型的预测能力、DIC选择模型的稳定性,从而能在一定程度上判断模型模拟的种群演化动态是否正确、资源评估结果是否存在问题;(2)利用后向预报方法可揭示评估结果的不确定性及其可能引起的渔业管理风险,从而有利于避免渔业管理风险、实现渔业管理目标。     

原子掺杂对单元材料结晶能力的影响

2009年我们建立了一个凝结势模型用以预测材料形成单晶体的能力,表明单元体材料(Ni,Al,Cu,Ar,Mg)的结晶能力随凝结势的增大而单调增强.本文将凝结势模型应用于二元材料体系,并结合分子动力学模拟研究了6% Al原子掺杂对于Ni单晶材料结晶能力的影响.模拟结果发现,Al元素的掺杂会大大减弱Ni单晶的结晶能力,在此基础上提出了二元材料体系凝结势的定义,表明凝结势模型可广泛应用于预测二元体材料的结晶能力.     

基于Matlab和灰色模型GM（1,1）预测海岸线变化*

使用灰色模型的“少数据”建模寻求现实规律的良好特性用于海岸线变迁预测,结合 MATLAB 强大的计算能力,解决了灰色预测模型在矩阵计算方面复杂的问题.利用1975-2005年珠江口内伶仃洋海区6个时期的海图提取局部时序海岸线,设置原点和28条侧线,使用侧线与海岸线的交点,建立灰色模型 GM (1,1)模型原始数列,使用 MATLAB 编制程序计算出海岸线变化的预测点,并使用2005年实际海岸线对预测结果进行验证,结果表明灰色模型 GM (1,1)进行海岸线预测是合理可靠的.     

GM(1,1)模型研究及其在水质预测中的应用

对GM ( 1, 1 ) 模型原始数列进行对数变换,减缓了数据变化的趋势,并通过matlab编程实现模型计算,简化了模型计算.将模型应用于胶州湾前湾海域水质预测,结果表明,模型对于单调数列的预测精度较高,预测结果与实测值吻合较好.     

基于SVM的海浪要素预测试验研究

采用支持向量机对海浪要素中的有效波高进行预测,采用风场和波浪场作为学习要素,对比不同特征向量对有效波高预测结果的准确度。取台湾岛东部海区作为实验区域,使用NCEP再分析的数值模式数据作为学习样本。选用支持向量分类机,建立了4组不同特征向量的模型进行海浪有效波高的预测,并对4种模型的结果进行比较和分析。实验表明,当输入的特征向量过多或过少时,会对模型的预测结果和计算效率产生不同的影响。当使用风场和波浪场共同作为特征向量进行学习时,在该区域预测结果与模式预报结果相比更接近,相关系数将近99%,均方根误差约0.2 m。     

BP神经网络在海洋平台桩基轴向承载力中的应用研究

目前海洋石油导管架平台桩基础的轴向极限承载力常用的设计方法为API RP2A(美国石油协会)和静力触探(CPT)的方法。在这两种方法的基础上,提出了用BP神经网络模型对桩的轴向极限承载力进行计算的思路,能够有效地预测桩的轴向极限承载力。根据BP神经网络算法具有较强的非线性映射能力和学习功能的特点,通过对影响单桩极限承载力因素的分析,依据静力触探资料建立了基于BP神经网络的单桩轴向极限承载力预测模型。通过利用API RP2A方法分析成果对该模型进行学习训练和预测检验,证明了预测模型性能良好、具有较高的精度和收敛速度快等特点,验证了神经网络方法的可行性,预测结果能够指导桩基础设计,缩短周期。因而具有较大的工程实用价值。     

基于MaxEnt和GARP的阿蒙森海域南极磷虾(EUPHAUSIA SUPERBA)的分布区预测

南极磷虾是南大洋生态系统的关键物种,在南极碳汇过程中起到重要作用,近年来受到越来越多的关注。针对位于南大洋太平洋扇区的阿蒙森海域,运用最大熵模型(maximumentropy modeling,MaxEnt)和预设规则的遗传算法(geneticalgorithmforrule-setproduction,GARP)两种生态位模型,基于已采集的南极磷虾分布点的数据,对其在阿蒙森海域的潜在分布区进行了预测和分析,并采用受试者工作特征曲线(receiveroperatingcharacteristiccurve,ROC)下的面积(areaundercurve,AUC)和真实技巧统计法(true skill statistic, TSS)对模型结果进行评估。结果表明:MaxEnt模型中的高适生区刻画细致, GARP模型预测的高适生区分布范围更广。为克服单个模型的不确定性得到更佳结果,将两个模型的预测结果进行集合。集合后的结果模拟精度显著提高(AUC为0.946, TSS为0.78),达到了极好的预测效果。磷虾的高适生区集中分布在65°～73°S,占总面积的6.2%,中适生区占总面积的5.7%。...     

基于两种机器学习方法分析东海北部海域三疣梭子蟹(Portunus trituberculatus)时空分布

为了解东海北部海域三疣梭子蟹(Portunustrituberculatus)资源时空分布规律,探索更适合三疣梭子蟹资源量预测的模型方法,根据2006—2007年共四个季度在东海北部海域的底拖网调查数据,运用梯度提升回归树(gradientboostingregressiontree,GBRT)和支持向量机(supportvector machine,SVM)这两种机器学习方法,分析了三疣梭子蟹时空分布与环境因子之间的关系,同时使用方差解释率(VE)、相对均方根误差(RMSE)以及决定系数R2等指标对不同模型的拟合效果、预测性能以及稳定性等进行了比较,选择其中最佳模型对东海北部海域三疣梭子蟹资源分布进行预测。结果显示, GBRT模型的拟合效果相对优于SVM模型,两种模型的拟合结果均显示底层海水盐度(SBS)为影响三疣梭子蟹资源分布最为显著的环境因子。GBRT模型的预测性能较高且模型较为稳定,其预测结果显示夏季的资源量高于其他三个季节,且各季节所研究海域的东南部均存在一个资源分布的低值区。研究结果预期可为三疣梭子蟹资源分布及资源量预测新方法的探索和分析提供技术指导。     

基于经验正交函数和机器学习的南海海面高度异常预测

海面高度异常 （SSHA） 作为重要的海洋要素，对研究海洋温盐剖面、海洋涡旋等海洋动力现象具有重要意义。然而，传统的海洋预测技术存在着预测时效过短、预测过程复杂等诸多问题，现有的机器学习预测方法也只针对几个点或区域 进行平均，忽略了很多重要信息。因此，本文提出了一种基于经验正交函数和 BP 神经网络 （一种机器学习方法） 的 SSHA预测模型 （EOF-BPNN） 来实现对起报时刻后 30 天的南海 SSHA 预测。首先，对 1993 年 1 月 1 日—2013 年 12 月 31 日的逐日 SSHA 数据进行距平归一化预处理，构建相关系数矩阵，并对该矩阵进行 EOF 分解，获取主成分。然后将主成分输入 BP神经网络进行训练，实现对主成分的预测。最后将主成分预测值与相应的空间模态结合，获取 SSHA 预测值。结果表明，相较于惯性预报和气候态预报，EOF-BPNN 模型不仅能够提供提前 30 天的较为精确的 SSHA 和相应的涡旋演化过程预报，且在整个南海区域拥有更高的 SSHA 相关系数，证明了 EOF-BPNN 模型具有较好的预测性能。     

珠江口海域叶绿素a质量浓度SAR反演模型

以珠江口海域的Radarsatt-2全极化SAR数据和海域表层水面叶绿素a质量浓度实测数据为基础,利用微波散射原理及Cloude Pottier理论对SAR图像进行分解,得到平均散射角a、散射熵H及VH、VV、HH、HV等6个参数;采用BP人工神经网络模型建立上述6个参数与叶绿素a质量浓度的数学关系模型,并结合实测数据对叶绿素a质量浓度进行分类。结果表明:当隐含层节点数为9,输入层和隐含层传递函数分别为tansig和logsig,学习速率和动量系数均为0.2时的网络结构对叶绿素质量浓度反演取得了较好的效果,叶绿素a质量浓度实测值与预测值之间的决定系数(R~2)为0.826。将模型应用于不同时期的2幅图像进行验证,效果良好,与实际情况基本相符。     

基于决策树与二分分割算法的BP神经网络在赤潮等级预测中的应用研究

针对赤潮灾害等级预测难的现状,提出了一种基于C4.5决策树与二分分割算法优化的BP(反向传播)神经网络赤潮等级预测模型。该模型针对传统BP神经网络输入参数难以选择和隐含层节点数量难以确定的问题,通过决策树分类获取最优的属性组合,来解决输入参数难以选择的问题;通过"二分分割算法",来解决隐含层节点数难以确定的问题。实验结果表明,该模型在青岛近海海域赤潮灾害等级预测中,预测结果的均方根误差(RMSE)小于传统BP神经网络的预测误差,并且在网络训练时间上有所缩短,预测精度上有所提高,能够获得良好的预测结果,可为赤潮等级预测提供新的解决方法。     

预测有效波高的深度学习模型研究

研究基于RNN、LSTM、GRU深度学习模型,针对NOAA浮标数据集中的44013、44014、44017浮标的数据,通过斯皮尔曼相关性分析提高模型预测效果。实验结果表明,在进行相关性分析后,S-RNN、S-LSTM、 S-GRU的预测效果均比原始RNN、LSTM、GRU模型预测效果好。此外,提出一种基于LSTM的LSTM-Attention 波高预测模型,并进行相关实验,量化LSTM-Attention模型的预测效果,实验结果表明LSTM-Attention模型有更好的预测效果。为评估模型的泛化能力,研究还提出了一种采用邻近浮标数据进行学习,预测浮标缺失数据的方 法。实验结果表明,该方法的预测精度可以达到97.93%。本研究为海浪预测提供了新的方法和思路,也为未来深 度学习模型在海浪预测中的应用提供了参考。     

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

A forecasting model for wave heights based on a long short-term memory neural network

To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at Sta. N01 is 20%, 18% and 23% lower than the conventional numerical wave models in terms of the total root mean square error(RMSE), scatter index(SI) and mean absolute error(MAE), respectively. Particularly, for significant wave height in the range of 3–5 m, the prediction accuracy of the LSTM model is improved the most remarkably, with RMSE, SI and MAE all decreasing by 24%. It is also evident that the numbers of hidden neurons, the numbers of buoys used and the time length of training samples all have impact on the prediction accuracy. However, the prediction does not necessary improve with the increase of number of hidden neurons or number of buoys used. The experiment trained by data with the longest time length is found to perform the best overall compared to other experiments with a shorter time length for training. Overall, long short-term memory neural network was proved to be a very promising method for future development and applications in wave forecasting.     

光谱预处理方法对硝酸盐测量模型影响实验研究及软件设计

基于Savitzky-Golay(SG)卷积平滑、正态变量变换(SNV)、一阶导数法、附加散射校正(MSC)和小波去噪(WDS)等信号处理方法,对水中硝酸盐偏最小二乘(PLS)测量模型的影响进行实验研究,采用评估均方差(RMSEE)、预测标准差(RMSEP)、相关系数(R)、预测值与样本浓度值回归关系显著性F检验对预处理效果进行考察。实验结果表明,经SG卷积平滑预处理的PLS模型预测准确性优于其他处理方法。同时编写了该5种光谱预处理方法软件,实现了光谱数据采集与预处理、谱图绘制和光谱保存等功能。     

基于RBF神经网络的多系统钟差预报算法

针对海上条件下,对于实时定位应用,实时数据流无法下载的情况,文中提出一种基于RBF神经网络的卫星钟差预报算法,给出基函数的中心、方差以及隐含层到输出层的权值的计算方法,采用滑动窗口的方法,用样本数据训练后的网络预测下一个历元的钟差值,依次往后训练网络直到预测完整个时间段,通过实验验证了算法的可用性。短期预报中,GPS预报精度在1 ns以下,BDS和GLONASS在2～3 ns左右;长期预报中,GPS预报精度在几十纳秒左右,而BDS和GLONASS在几百纳秒左右,文中给出了相应的结果分析。     

BP神经网络精度估计及其在海洋油气资源预测中的应用

在对BP算法进行深入分析的基础上,将测量数据处理与误差理论中的精度评定方法应用到BP神经网络的精度估计中,通过分别计算BP神经网络学习训练过程及预测过程的输出层中误差,实现对神经网络模型的精度评定。最后以海洋油气资源预测为例,结合实测资料建立了BP神经网络预测模型并分别进行了学习训练过程及预测过程的精度评定,以期为神经网络模型结构的优化设计提供有效参考,为提高神经网络模型的适用性提供科学依据。     

基于变分模态分解和注意力机制的浪高预测

针对海洋中的海浪高度数据存在非线性和非平稳性的特点,海浪高度的预测就变得相对复杂。基于变分模态分解(VMD),在引入注意力机制(AM)的基础上,对传统长短期记忆(LSTM)神经网络算法进行了改进,提出了一种基于混合模型的海浪高度预测算法。算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测。为了比较和说明,以太平洋东北海盆海域和马尾藻海域的4个站点浮标数据进行实验。实验结果表明,本文提出的混合模型(VALM)将海浪高度数据分解为更平稳和更规则的子序列;可以更好的区分数据之间的重要程度,并能够携带更多信息的数据;与支持向量回归(SVR)、人工神经网络(ANN)和LSTM等模型进行比较,VALM模型的预测效果最好且具备一定的鲁棒性。