【摘要】： 作為世界上赤潮災(zāi)害嚴(yán)重的國家之一,在我國,赤潮災(zāi)害發(fā)生范圍已遍及所有沿海省市,每年對(duì)我國海洋經(jīng)濟(jì)產(chǎn)業(yè)造成的直接經(jīng)濟(jì)損失高達(dá)數(shù)以十億元計(jì)。因此,研究赤潮分析預(yù)測關(guān)鍵技術(shù)和開發(fā)先進(jìn)的赤潮預(yù)警系統(tǒng),對(duì)促進(jìn)我國海洋經(jīng)濟(jì)可持續(xù)發(fā)展具有重要的現(xiàn)實(shí)意義和戰(zhàn)略意義。 赤潮是海洋生態(tài)系統(tǒng)不平衡的一種生態(tài)異�，F(xiàn)象,其發(fā)生原因復(fù)雜,至今尚不能明確其發(fā)生機(jī)理,赤潮的爆發(fā)表現(xiàn)出非線性、隨機(jī)性等復(fù)雜特征,導(dǎo)致對(duì)其建立準(zhǔn)確的數(shù)學(xué)預(yù)測模型非常困難,從而極大的增加了赤潮的預(yù)報(bào)難度與準(zhǔn)確度。本文結(jié)合當(dāng)前先進(jìn)的小波網(wǎng)絡(luò)算法、IOWA算子及組合預(yù)測理論,分別建立了一種改進(jìn)型的小波網(wǎng)絡(luò)赤潮預(yù)測模型和基于IWNN的IOWA算子赤潮組合預(yù)測模型,并嘗試設(shè)計(jì)了面向服務(wù)的、智能赤潮預(yù)測平臺(tái)HIFP。具體來說包括以下幾個(gè)方面： ●應(yīng)用一種改進(jìn)的小波網(wǎng)絡(luò)算法(Improved Wavelet Neural Network,IWNN)建立了煙臺(tái)四十里灣赤潮預(yù)測模型,采用國家海洋局北海分局提供的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該模型取得了預(yù)期的效果,提高了模型的預(yù)測精度,并具有更好的泛化能力。首先應(yīng)用了隱含層為Morlet小波函數(shù),輸出層為sigmoid函數(shù)的一種新型多輸入、多輸出、單隱層的小波網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；其次應(yīng)用熵誤差函數(shù)來加快網(wǎng)絡(luò)的學(xué)習(xí)速率,添加動(dòng)量項(xiàng)來加快網(wǎng)絡(luò)的收斂速度的改進(jìn)的BP算法來最優(yōu)調(diào)節(jié)網(wǎng)絡(luò)權(quán)重；第三,詳細(xì)介紹了如何建立基于上述改進(jìn)小波網(wǎng)絡(luò)的赤潮預(yù)測模型,接著應(yīng)用O_rings標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)模型的有效性進(jìn)行了驗(yàn)證；最后,采用煙臺(tái)四十里灣數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果顯示無論是網(wǎng)絡(luò)收斂速度,還是均方誤差,都優(yōu)于相同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。 ●針對(duì)傳統(tǒng)組合預(yù)測模型同一單項(xiàng)模型在某一樣本區(qū)間上各個(gè)時(shí)刻的加權(quán)平均系數(shù)是相同的不足,提出了一種赤潮組合預(yù)測模型,該模型基于誘導(dǎo)有序加權(quán)平均(Induced Ordered Weighted Average Operator, IOWA)算子與改進(jìn)的小波網(wǎng)絡(luò)(Improved Wavelet Neural Network, IWNN)算法：依據(jù)各單項(xiàng)預(yù)測模型在不同時(shí)刻預(yù)測精度的高低來賦權(quán),從而很好的克服了此問題。建模過程中,首先針對(duì)赤潮頻發(fā)的特點(diǎn)選擇輸入變量,進(jìn)而通過多組對(duì)比實(shí)驗(yàn)確定最優(yōu)IWNN網(wǎng)絡(luò)結(jié)構(gòu),然后引入IMOWA算子,將九個(gè)單項(xiàng)IWNN神經(jīng)網(wǎng)絡(luò)預(yù)測的輸出結(jié)果按照擬合精度的高低順序賦權(quán),建立赤潮組合預(yù)測模型,并給出確定最優(yōu)權(quán)值的計(jì)算方法。 最后,針對(duì)傳統(tǒng)赤潮預(yù)測預(yù)警系統(tǒng)模型單一化、表現(xiàn)形式單一、擴(kuò)展性和集成性差等問題,嘗試以數(shù)據(jù)挖掘技術(shù)體系為支撐,構(gòu)建一種面向服務(wù)的、智能赤潮預(yù)測平臺(tái)(HABs Intelligent Forecast Platform, HIFP),為解決上述問題做出了有益的嘗試,對(duì)于構(gòu)建能夠測試和實(shí)際運(yùn)行的赤潮分析預(yù)測平臺(tái),提供了一條新的思路,對(duì)于以后相關(guān)赤潮預(yù)測平臺(tái)的開發(fā)亦有很好的指導(dǎo)作用。
【圖文】：

絡(luò)誤差指標(biāo)設(shè)定為0.0005，最大訓(xùn)練次數(shù)設(shè)定為2000次，分別以Morlet、作為隱含層、輸出層的激勵(lì)函數(shù)，最終確定了以葉綠素a，透明度，浮游植物密度為輸出的小波網(wǎng)絡(luò)模型。同時(shí)采用相同方法，建立了從而進(jìn)行預(yù)測效果的對(duì)比。COD5igmo為輸入，BP網(wǎng)絡(luò)模型，表3.4煙臺(tái)四1一里灣預(yù)測效果對(duì)比TheEva!uationIndexModel—MSESSEMAEMR王BP0.00950.15200.07561.0909IWNN0.00160.02530.03210.3433從表3.4中數(shù)據(jù)可以得出，兩個(gè)模型預(yù)測的均方誤差MSE分別為0.00160.0095，從而能夠得出，本章建立的三輸入改進(jìn)型小波網(wǎng)絡(luò)赤潮預(yù)測模型，其預(yù)測效果要明顯好于相同結(jié)構(gòu)的標(biāo)準(zhǔn)BP網(wǎng)絡(luò)。.p網(wǎng)銘學(xué)習(xí)議尺小波川絡(luò)學(xué)習(xí)議聳

555已r甘KeB找，抽，，，，fm斗二二〔〕〕中中r、忱亡頭r、隆:}}}十十卜沈一二澆伴漣:’}}}圖5.2面向服務(wù)架構(gòu)基本模型s0A概念模型從服務(wù)的觀點(diǎn)設(shè)計(jì)了三種參與角色l”“]:服務(wù)消費(fèi)者(serviceeonsumer)、服務(wù)代理(servieebroker)和服務(wù)提供者(serviceprovider)。在三個(gè)主要參與者之間定義了交互模型:服務(wù)提供者，是服務(wù)的生產(chǎn)者，公布服務(wù)描述并且實(shí)現(xiàn)服務(wù)，;服務(wù)消費(fèi)者，他既可以可以通過服務(wù)代理來查找服務(wù)描述并且綁定和調(diào)用服務(wù)，，也使用統(tǒng)一資源標(biāo)一記符(URI)來直接使用服務(wù)描述;服務(wù)代理相當(dāng)于一個(gè)中介機(jī)構(gòu)，是服務(wù)消費(fèi)者和服務(wù)提供者實(shí)現(xiàn)交互的橋梁，負(fù)責(zé)提供和維護(hù)服務(wù)的注冊(cè)與查找。
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2010
【分類號(hào)】：X55;TP183

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前3條

1 鄭曉潔;蘋果樹腐爛病預(yù)測模型研究[D];西北農(nóng)林科技大學(xué);2011年

2 劉琦;基于LS-SVM的時(shí)間序列預(yù)測方法及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2011年

3 銀蘭英;研發(fā)項(xiàng)目中止決策的小波神經(jīng)網(wǎng)絡(luò)研究[D];中南大學(xué);2012年

本文編號(hào)：2602318