CN111680734B - 基于改进型elm的海洋鱼群迁移路线预测方法及系统 - Google Patents

基于改进型elm的海洋鱼群迁移路线预测方法及系统 Download PDF

Info

Publication number
CN111680734B
CN111680734B CN202010488986.7A CN202010488986A CN111680734B CN 111680734 B CN111680734 B CN 111680734B CN 202010488986 A CN202010488986 A CN 202010488986A CN 111680734 B CN111680734 B CN 111680734B
Authority
CN
China
Prior art keywords
migration
ocean
prediction
fish school
temperature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010488986.7A
Other languages
English (en)
Other versions
CN111680734A (zh
Inventor
陈慧萍
王家豪
钱煜晖
董书丽
李沛霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN202010488986.7A priority Critical patent/CN111680734B/zh
Publication of CN111680734A publication Critical patent/CN111680734A/zh
Application granted granted Critical
Publication of CN111680734B publication Critical patent/CN111680734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mechanical Means For Catching Fish (AREA)

Abstract

本发明公开了一种基于改进型ELM的海洋鱼群迁移路线预测方法及系统，所述方法包括如下步骤：将海洋温度历史数据作为不同预测模型的输入样本，并分别求出不同预测模型下的海洋温度初始预测值；选取其中一种预测模型下的海洋温度初始预测值，或者选取几种预测模型下的海洋温度初始预测值的加权平均值，作为ELM的输入向量；通过ELM的训练，输出海洋温度最终预测值；提出描述海洋鱼群迁移的迁移计算公式，从而得到初步预测的海洋鱼群迁移路线；结合不同鱼类的种群习性，选出影响鱼类迁移的限定条件，得到最终预测的海洋鱼群迁移路线。本发明能够有效预测海洋鱼群迁移路线，为渔业经济和海洋生态环境研究提供丰富的参考意见。

Description

基于改进型ELM的海洋鱼群迁移路线预测方法及系统
技术领域
本发明涉及一种基于改进型ELM(Extreme Learning Machine，极限学习机)的海洋鱼群迁移路线预测方法及系统，属于预测算法优化技术领域。
背景技术
随着全球变暖，海洋水温也在不断发生变化，这将极大影响海洋鱼类的栖息地，当温度变化太大，鱼类便寻找更适合它们生存和繁衍的栖息地，这将极大地影响渔业经济和海洋生态环境研究，从而这些对海洋鱼群迁移路线的预测提出了很高的要求。
发明内容
本发明的目的是提供一种基于改进型ELM的海洋鱼群迁移路线预测方法及系统，能够有效预测海洋鱼群迁移路线，为渔业经济和海洋生态环境研究提供丰富的参考意见。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于改进型ELM的海洋鱼群迁移路线预测方法，所述方法包括如下步骤：
将海洋温度历史数据作为不同预测模型的输入样本，并分别求出不同预测模型下的海洋温度初始预测值；
选取其中一种预测模型下的海洋温度初始预测值，或者选取几种预测模型下的海洋温度初始预测值的加权平均值，作为ELM的输入向量；
通过ELM的训练，输出海洋温度最终预测值β；
将海洋温度视为海洋鱼群迁移路线的主要影响因素，在所述海洋温度最终预测值β的基础上，针对改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，提出描述海洋鱼群迁移的迁移计算公式，从而得到初步预测的海洋鱼群迁移路线；
结合不同鱼类的种群习性，选出影响鱼类迁移的限定条件，并根据限定条件排除不符合鱼类实际生存的海洋空间，从而得到最终预测的海洋鱼群迁移路线。
结合第一方面，进一步的，描述海洋鱼群迁移的迁移计算公式为
Figure BDA0002520316800000021
其中，Rc表示以热源点P为圆心的圆半径为R时的鱼群浓度，v为热量从热源点P沿x轴发散的恒定速度；vc为特定体积的水中鱼群密度为c时，热量从热源点P沿x轴发散的恒定速度；τ为时刻；(x,y,z)为热源点P的当前水中坐标，且此时y＝0，
Figure BDA0002520316800000022
结合第一方面，进一步的，限定条件包括盐度影响、光谱构成、捕食链关系、海洋噪声和水质影响。
第二方面，本发明提供了一种基于改进型ELM的海洋鱼群迁移路线预测系统，所述系统包括：
温度初始预测模块：用于将海洋温度历史数据作为不同预测模型的输入样本，并分别求出不同预测模型下的海洋温度初始预测值；
ELM输入模块：用于选取其中一种预测模型下的海洋温度初始预测值，或者选取几种预测模型下的海洋温度初始预测值的加权平均值，作为ELM的输入向量；
温度最终预测模块：用于通过ELM的训练，输出海洋温度最终预测值β；
路线初步预测模块：用于将海洋温度视为海洋鱼群迁移路线的主要影响因素，在所述海洋温度最终预测值β的基础上，针对改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，提出描述海洋鱼群迁移的迁移计算公式，从而得到初步预测的海洋鱼群迁移路线；
路线最终预测模块：用于结合不同鱼类的种群习性，选出影响鱼类迁移的限定条件，并根据限定条件排除不符合鱼类实际生存的海洋空间，从而得到最终预测的海洋鱼群迁移路线。
第三方面，本发明提供了一种基于改进型ELM的海洋鱼群迁移路线预测系统，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行前述任一项所述预测方法的步骤。
第四方面，计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述预测方法的步骤。
与现有技术相比，本发明所达到的有益效果：
结合一种或多种预测模型下的海洋温度初始预测值，作为ELM的输入向量，在不需要大量数据和参数的情况下，能有效提高预测准确度；基于改进型传统热扩散方程，从鱼类的迁移活动出发，将限定条件纳入考虑范围，保证预测结果的真实性和普适性；综上，本发明能够有效预测海洋鱼群迁移路线，为渔业经济和海洋生态环境研究提供丰富的参考意见。
附图说明
图1为本发明实施例提供的一种基于改进型ELM的海洋鱼群迁移路线预测方法总体框架图；
图2为本发明实施例中的鱼类所受外部刺激分类图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明实施例提供的一种基于改进型ELM的海洋鱼群迁移路线预测方法，将海洋温度历史数据作为不同预测模型(例如灰色预测模型GM(1,1)、小波理论模型和神经网络模型等)的输入样本，并分别求出不同预测模型下的海洋温度初始预测值；再选取其中一种预测模型下的海洋温度初始预测值，或选取几种预测模型下的海洋温度初始预测值的加权平均值，作为ELM(Extreme Learning Machine，极限学习机)的输入向量，通过ELM的训练，输出海洋温度最终预测值β，得到未来海洋温度分布情况；
将海洋温度视为海洋鱼群迁移路线的主要影响因素，在所述海洋温度最终预测值β的基础上，针对改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，提出描述海洋鱼群迁移的迁移计算公式，从而得到初步预测的海洋鱼群迁移路线；
结合不同鱼类的种群习性，选出影响鱼类迁移的限定条件，限定条件包括盐度影响、光谱构成、捕食链关系、海洋噪声和水质影响但不仅限于这些，
其中盐度影响：随着温度升高和空气、海水的循环，海水盐的浓度将增加，这将导致不同鱼类做出不同反应，此限定条件可将不适合鱼类生存的海洋空间排除掉，可以以经、纬度或者三维空间的方式进行排除；
其中光谱构成：光谱构成随纬度而变化，不同种类的鱼适应不同的光谱成分，不同的光谱成分影响浮游植物密度，而以浮游植物为生的鱼类的生活习性会被光谱构成影响，因此可以参考一些因素指标比如光合有效辐射作为鱼类迁移路线预测的限定条件；
其中捕食链关系：此限定条件需要考虑该鱼类在捕食链中的上下级生物的生活习性和活动范围，在鱼类趋向于食物的同时，也规避来自天敌的侵扰；
其中海洋噪声和水质影响：在全球变暖的大环境下，只对特殊区域的特殊鱼群构成限定条件，针对不同区域的不同鱼群，适度考虑海洋噪声和水质影响；
然后根据限定条件排除不符合鱼类实际生存的海洋空间，从而得到最终预测的海洋鱼群迁移路线。
本发明实施例对苏格兰附近的北大西洋海域的鲱鱼和鲭鱼的迁移路线进行预测，考虑到海洋温度是离散的且随时间变化，并且预测目标是未来一段时间内一部分海域的海洋温度变化，因此对北大西洋海域的鲱鱼和鲭鱼的迁移路线的预测方法包括如下步骤：
通过查阅相关文献，鲱鱼的适宜温度为2-8℃，上限温度即最高忍耐温度约为25℃；鲭鱼的适宜温度为14-16℃，上限温度即最高忍耐温度约为29℃。本发明实施例根据北大西洋海域的海洋温度历史数据，预测未来北大西洋海域的海洋温度。
将北大西洋海域的海洋温度历史数据作为不同预测模型的输入样本，并分别求出不同预测模型下的海洋温度初始预测值。
由于本实施例中灰色预测模型GM(1,1)的预测效果明显，不需要结合其他种类预测模型的预测结果，故将灰色预测模型GM(1,1)下的海洋温度初始预测值直接作为ELM的输入向量；
其中，灰色预测模型GM(1,1)的预测过程如下：
(1)对海洋温度历史数据检验处理。在不考虑数据缺失的前提下，
现有的数据序列一般情况是
Figure BDA0002520316800000061
则序列的级比为
Figure BDA0002520316800000062
如果所有序列的级比
Figure BDA0002520316800000063
那么该序列的数据可以使用GM(1,1)做灰色预测，否则将使用平移处理y(0)(k)＝x(0)(k)+c,k＝1,2,...,n来调节常数，使数据皆在级比范围之内；
(2)建立基于灰色预测模型GM(1,1)的预测方法。将上述处理好的海洋温度原始数据构造成一个数据向量
Figure BDA0002520316800000064
和一个数据矩阵
Figure BDA0002520316800000065
并以此建立公式
Figure BDA0002520316800000066
从该式中可以解出
Figure BDA0002520316800000067
其中a和b的值可以从式(a,b)T＝(BTB)-1BTY中算出。本实施例通过不断迭代算出解为x(1)(k+1)＝(x(0)(1)-32768)e-0.027756k+32768；
(3)检验海洋温度初始预测值。
设置残差值为
Figure BDA0002520316800000068
根据不同情景设定阈值a和b，当ε(k)<a时表明预测结果比较可信，当ε(k)<b时表明预测结果十分可信。除此之外，
Figure BDA0002520316800000069
将用于作为检测幅度偏差的标准，其判断方法与ε(k)一致。通过检查ε(k)＝0.085，ρ(k)＝0.092，以此证明了海洋温度初始预测值是准确可靠的。
通过ELM的训练，输出海洋温度最终预测值β；
其中，ELM的训练过程如下：
ELM表示为
Figure BDA0002520316800000071
其中，N表示N组样本(xi,yi)，同时也表示N个隐藏层节点；输入向量表示为xi＝[xi1,xi2,...,xin]T，输出向量表示为yi＝[yi1,yi2,...,yin]T；βj表示第j个隐藏层到输出层的节点权重βj＝[βj1,βj2,...,βjk]T；wj表示第j个输入层到隐藏层的权重wj＝[w1j,w2j,...,wnj]T；bj表示隐藏层第j个节点的阈值；g(x)表示激活函数；
则上式综合可以表示为Aβ＝Q，其中
Figure BDA0002520316800000072
表示隐藏层到输出层的权重；同时
Figure BDA0002520316800000073
表示该神经网络的输出矩阵；A＝(w1,...,wn,b1,...,bn,x1,...,xn)表示隐藏层的输出矩阵；
ELM不需要反复修改权重和阈值，即可通过顺序计算完成对整个神经网络的训练，其性能优于传统的梯度下降算法，输入层到隐藏层的权重和隐藏层的阈值随机生成，输出层的权重可以通过最小二乘法获得，并以此建立ELM神经网络；β可以由逆矩阵获得，即β＝A-1Q，从而得到海洋温度最终预测值。
为符合鱼类随温度做出的反应过程，本发明实施例基于传统热扩散方程进行适当改进；对于没有内部热源的固定系统，热扩散方程在空间内表示为
Figure BDA0002520316800000074
其中t表示温度，τ表示时刻，α表示热扩散率，(x,y,z)为热源点P在某个特定环境或者系统中的初始坐标；
如果不考虑静态系统中材料特性如形变等对温度分布造成的影响，则假定热量从热源点P以某个速率q(以恒定速度v)沿x轴发散，为确定热源点周围的温度分布，将在动态空间坐标系内建立热源点模型，热源点P在动态坐标系中的坐标由于热量发散将变为(ξ,y,z)。
由于在动态坐标系中
Figure BDA0002520316800000081
令ξ＝x-v·τ，则上述算式可推导出近似平稳状态的方程式，即改进型传统热扩散方程：
Figure BDA0002520316800000082
接着可以得到物体温差θ＝t-ti＝e-(v/2α)ξφ(ξ,y,z)，式中ti表示物体的初始温度，t表示物体的某一时刻温度，φ是针对物体的几何构型而确定的函数，表示热量扩散的范围，由于在海洋里没有特定的几何构型，所以热量在海洋空间里形成球型发散。如果坐标位于(ξ,y,z)的热源点P的热量沿着x方向扩散，则函数φ仅围绕半径为r的球扩散，即热量在海洋空间中以热源点为球心形成球型扩散，此时
Figure BDA0002520316800000083
则
Figure BDA0002520316800000084
其中k表示热传导系数；q表示热量从热源点发散的速率；根据前述海洋温度最终预测值β中不同坐标点的温度预测值，可以得出相应坐标点之间的温差，即物体温差θ，代入上述式中得到τ值，τ的物理意义为某一时刻的时间值。
在本实施例中，物体温差θ即为海洋温度差θ。将海洋温度差θ视为海洋鱼群迁移路线的主要影响因素，即当海洋温度在某区域内发生大幅度变化时，鱼群将会作出较大迁移，此时用该区域内鱼群浓度来研究鱼群的迁移。基于上面的改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，忽略深度的影响，提出描述海洋鱼群迁移的迁移计算公式，
Figure BDA0002520316800000085
其中，Rc表示以热源点P为圆心的圆半径为R时的鱼群浓度，v为热量从热源点P沿x轴发散的恒定速度；vc为特定体积的水中鱼群密度为c时，热量从热源点P沿x轴发散的恒定速度；τ为时刻；(x,y,z)为热源点P的当前水中坐标，且此时y＝0，
Figure BDA0002520316800000091
该迁移计算公式针对海洋空间只考虑经度和纬度上的变化，也就是考虑x和z的变化，不考虑深度方向即y的变化，即只考虑鱼群在水平方向的迁移，不讨论深度温差对鱼群迁移的影响。
基于上述迁移计算公式表示的在不同海洋温度差θ影响下的不同时刻τ内，流经以R为半径的球型的鱼群浓度，可以得到初步预测的海洋鱼群迁移路线。由于时刻值和半径量十分微小，因此必须尽可能考虑所有的时间和半径，即必须进行大量计算才能获得合理的近似值。
如图2所示，鱼类所受外部刺激分为中枢神经层面刺激和感官层面刺激。所述中枢神经层面刺激包括海洋噪声、种群习性和捕食链关系，所述感官层面刺激包括温度变化、光谱构成、盐度影响和水质影响；
结合不同鱼类的种群习性，选出影响鱼类迁移的限定条件，限定条件包括盐度影响、光谱构成、捕食链关系、海洋噪声和水质影响但不仅限于这些；
其中盐度影响：根据相关文献对纬度和盐度关系的描述，可以将纬度分为从赤道到45度的低纬度和从45度到70度的高纬度，而两种鱼可以适应的盐度大致相同，都对从45度到70度的高纬度地区盐度不太适应，故排除从45度到70度的高纬度海洋空间，该处不适合鲱鱼和鲭鱼的实际生存；
其中光谱构成：光合有效辐射(PAR，Photo-synthetically Active Radiation)，是影响浮游植物密度的重要因素之一，是光谱构成的因素指标，也是海洋初级生产力的驱动因素，以浮游植物为生的鲱鱼和鲭鱼的生活习性会被光谱构成所影响；根据光合有效辐射与适宜性指数的关系，可以得出以下结论：当温度升高导致光的振幅更大时，鲱鱼和鲭鱼不愿意离开北纬40度而到北纬50度；同时当适宜性指数≧0.75时，鲱鱼和鲭鱼更愿意留在栖息地，故认为适宜性指数<0.75的海洋空间并非适宜它们生存的栖息地；
其中捕食链关系：两条鱼都生活以浮游生物为生，大多数浮游生物都适合在较高温度下生长，因此鲱鱼和鲭鱼饥饿感不会使得鱼群迁移更快，但是鲱鱼和鲭鱼的天敌鲨鱼和鲸鱼的迁移路线和它们并不冲突，故推测鲱鱼和鲭鱼不会在天敌的迁移路线所包围的区域中长期生存，因而排除了该限定条件的干扰。
然后根据限定条件排除不符合鱼类实际生存的海洋空间，设置合理参数参数v＝0.2公里/天，α＝7.5平方公里/天，从而得到最终预测的鲱鱼群和鲭鱼群迁移路线，为渔业经济和海洋生态环境研究提供丰富的参考意见。
本发明实施例提供了一种基于改进型ELM的海洋鱼群迁移路线预测系统，所述系统包括：
温度初始预测模块：用于将海洋温度历史数据作为不同预测模型的输入样本，并分别求出不同预测模型下的海洋温度初始预测值；
ELM输入模块：用于选取其中一种预测模型下的海洋温度初始预测值，或者选取几种预测模型下的海洋温度初始预测值的加权平均值，作为ELM的输入向量；
温度最终预测模块：用于通过ELM的训练，输出海洋温度最终预测值β；
路线初步预测模块：用于将海洋温度视为海洋鱼群迁移路线的主要影响因素，在所述海洋温度最终预测值β的基础上，针对改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，提出描述海洋鱼群迁移的迁移计算公式，从而得到初步预测的海洋鱼群迁移路线；
路线最终预测模块：用于结合不同鱼类的种群习性，选出影响鱼类迁移的限定条件，并根据限定条件排除不符合鱼类实际生存的海洋空间，从而得到最终预测的海洋鱼群迁移路线。
本发明实施例还提供了一种基于改进型ELM的海洋鱼群迁移路线预测系统，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行前述预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述预测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于改进型ELM的海洋鱼群迁移路线预测方法，其特征在于，所述方法包括如下步骤：
将海洋温度历史数据作为不同预测模型的输入样本，并分别求出不同预测模型下的海洋温度初始预测值；
选取其中一种预测模型下的海洋温度初始预测值，或者选取几种预测模型下的海洋温度初始预测值的加权平均值，作为ELM的输入向量；
通过ELM的训练，输出海洋温度最终预测值β；
将海洋温度视为海洋鱼群迁移路线的主要影响因素，在所述海洋温度最终预测值β的基础上，针对改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，提出描述海洋鱼群迁移的迁移计算公式，从而得到初步预测的海洋鱼群迁移路线；
结合不同鱼类的种群习性，选出影响鱼类迁移的限定条件，并根据限定条件排除不符合鱼类实际生存的海洋空间，从而得到最终预测的海洋鱼群迁移路线；
其中，改进型ELM指以某一种预测模型下的海洋温度初始预测值，或者选取几种预测模型下的海洋温度初始预测值的加权平均值，作为输入向量的ELM；
改进型传统热扩散方程为：
Figure FDA0003749950840000011
其中，t表示温度，τ表示时刻，α表示热扩散率，(x,y,z)为热源点P在某个特定环境或者系统中的初始坐标；如果不考虑静态系统中材料特性如形变对温度分布造成的影响，则假定热量从热源点P以某个速率q以恒定速度v沿x轴发散，为确定热源点周围的温度分布，将在动态空间坐标系内建立热源点模型，热源点P在动态坐标系中的坐标由于热量发散将变为(ξ,y,z)，ξ＝x-v·τ；
根据改进型传统热扩散方程得到物体温差
Figure FDA0003749950840000021
其中k表示热传导系数；q表示热量从热源点发散的速率；物体温差θ即为海洋温度差θ；将海洋温度差θ视为海洋鱼群迁移路线的主要影响因素；
基于改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，忽略深度的影响，提出描述海洋鱼群迁移的迁移计算公式，
Figure FDA0003749950840000022
其中，Rc表示以热源点P为圆心的圆半径为R时的鱼群浓度；vc为特定体积的水中鱼群密度为c时，热量从热源点P沿x轴发散的恒定速度；此时y＝0，
Figure FDA0003749950840000023
该迁移计算公式针对海洋空间只考虑经度和纬度上的变化，也就是考虑x和z的变化，不考虑深度方向即y的变化，即只考虑鱼群在水平方向的迁移，不讨论深度温差对鱼群迁移的影响；
基于描述海洋鱼群迁移的迁移计算公式表示的在不同海洋温度差θ影响下的不同时刻τ内，流经以R为半径的球型的鱼群浓度，得到初步预测的海洋鱼群迁移路线。
2.根据权利要求1所述的基于改进型ELM的海洋鱼群迁移路线预测方法，其特征在于，限定条件包括盐度影响、光谱构成、捕食链关系、海洋噪声和水质影响。
3.一种基于改进型ELM的海洋鱼群迁移路线预测系统，其特征在于，所述系统包括：
温度初始预测模块：用于将海洋温度历史数据作为不同预测模型的输入样本，并分别求出不同预测模型下的海洋温度初始预测值；
ELM输入模块：用于选取其中一种预测模型下的海洋温度初始预测值，或者选取几种预测模型下的海洋温度初始预测值的加权平均值，作为ELM的输入向量；
温度最终预测模块：用于通过ELM的训练，输出海洋温度最终预测值β；
路线初步预测模块：用于将海洋温度视为海洋鱼群迁移路线的主要影响因素，在所述海洋温度最终预测值β的基础上，针对改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，提出描述海洋鱼群迁移的迁移计算公式，从而得到初步预测的海洋鱼群迁移路线；
路线最终预测模块：用于结合不同鱼类的种群习性，选出影响鱼类迁移的限定条件，并根据限定条件排除不符合鱼类实际生存的海洋空间，从而得到最终预测的海洋鱼群迁移路线；
其中，改进型ELM指以某一种预测模型下的海洋温度初始预测值，或者选取几种预测模型下的海洋温度初始预测值的加权平均值，作为输入向量的ELM；
改进型传统热扩散方程为：
Figure FDA0003749950840000031
其中，t表示温度，τ表示时刻，α表示热扩散率，(x,y,z)为热源点P在某个特定环境或者系统中的初始坐标；如果不考虑静态系统中材料特性如形变对温度分布造成的影响，则假定热量从热源点P以某个速率q以恒定速度v沿x轴发散，为确定热源点周围的温度分布，将在动态空间坐标系内建立热源点模型，热源点P在动态坐标系中的坐标由于热量发散将变为(ξ,y,z)，ξ＝x-v·τ；
根据改进型传统热扩散方程得到物体温差
Figure FDA0003749950840000032
其中k表示热传导系数；q表示热量从热源点发散的速率；物体温差θ即为海洋温度差θ；将海洋温度差θ视为海洋鱼群迁移路线的主要影响因素；
基于改进型传统热扩散方程，并考虑鱼类在经纬度上的迁移特点，忽略深度的影响，提出描述海洋鱼群迁移的迁移计算公式，
Figure FDA0003749950840000041
其中，Rc表示以热源点P为圆心的圆半径为R时的鱼群浓度；vc为特定体积的水中鱼群密度为c时，热量从热源点P沿x轴发散的恒定速度；此时y＝0，
Figure FDA0003749950840000042
该迁移计算公式针对海洋空间只考虑经度和纬度上的变化，也就是考虑x和z的变化，不考虑深度方向即y的变化，即只考虑鱼群在水平方向的迁移，不讨论深度温差对鱼群迁移的影响；
基于描述海洋鱼群迁移的迁移计算公式表示的在不同海洋温度差θ影响下的不同时刻τ内，流经以R为半径的球型的鱼群浓度，得到初步预测的海洋鱼群迁移路线。
4.一种基于改进型ELM的海洋鱼群迁移路线预测系统，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～2任一项所述方法的步骤。
5.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～2任一项所述方法的步骤。
CN202010488986.7A 2020-06-02 2020-06-02 基于改进型elm的海洋鱼群迁移路线预测方法及系统 Active CN111680734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010488986.7A CN111680734B (zh) 2020-06-02 2020-06-02 基于改进型elm的海洋鱼群迁移路线预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010488986.7A CN111680734B (zh) 2020-06-02 2020-06-02 基于改进型elm的海洋鱼群迁移路线预测方法及系统

Publications (2)

Publication Number Publication Date
CN111680734A CN111680734A (zh) 2020-09-18
CN111680734B true CN111680734B (zh) 2022-09-13

Family

ID=72453729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010488986.7A Active CN111680734B (zh) 2020-06-02 2020-06-02 基于改进型elm的海洋鱼群迁移路线预测方法及系统

Country Status (1)

Country Link
CN (1) CN111680734B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418521B (zh) * 2020-11-23 2023-02-24 青岛科技大学 一种短时海洋鱼群和鱼量的预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104503420A (zh) * 2014-09-19 2015-04-08 北京化工大学 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法
CN106598917A (zh) * 2016-12-07 2017-04-26 国家海洋局第二海洋研究所 一种基于深度信念网络的上层海洋热结构预测方法
CN106786499A (zh) * 2016-11-10 2017-05-31 南京信息工程大学 基于改进afsa优化elm的短期风电功率预测方法
CN109766990A (zh) * 2019-01-09 2019-05-17 西安建筑科技大学 一种基于aga-elm混合算法的海底管线腐蚀速率预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104503420A (zh) * 2014-09-19 2015-04-08 北京化工大学 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法
CN106786499A (zh) * 2016-11-10 2017-05-31 南京信息工程大学 基于改进afsa优化elm的短期风电功率预测方法
CN106598917A (zh) * 2016-12-07 2017-04-26 国家海洋局第二海洋研究所 一种基于深度信念网络的上层海洋热结构预测方法
CN109766990A (zh) * 2019-01-09 2019-05-17 西安建筑科技大学 一种基于aga-elm混合算法的海底管线腐蚀速率预测方法

Also Published As

Publication number Publication date
CN111680734A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
Vikebø et al. Drift, growth, and survival of larval Northeast Arctic cod with simple rules of behaviour
Huse et al. Capelin migrations and climate change–a modelling analysis
Frankel et al. Adaptability of non-genetic diversity in bacterial chemotaxis
Pan et al. Fish migration optimization based on the fishy biology
JP2022082681A (ja) 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体
Guo et al. Optimal design and simulation for PID controller using fractional-order fish migration optimization algorithm
Ahmed et al. Analyzing the Quality of Water and Predicting the Suitability for Fish Farming based on IoT in the Context of Bangladesh
Perktaş et al. Historical demography of the Eurasian green woodpecker: integrating phylogeography and ecological niche modelling to test glacial refugia hypothesis
CN111680734B (zh) 基于改进型elm的海洋鱼群迁移路线预测方法及系统
Störmer Climate change impacts on coastal waters of the Baltic Sea
Bi et al. Three-dimensional pattern dynamics of a fractional predator-prey model with cross-diffusion and herd behavior
Strannegård et al. Ecosystem models based on artificial intelligence
Devika et al. Bio-inspired optimization: algorithm, analysis and scope of application
Sai et al. Comparing and Describing the Characteristics of Swarm Optimization in Bio-inspired Algorithm
Kindong et al. Size distribution patterns of silky shark Carcharhinus falciformis shaped by environmental factors in the Pacific Ocean
Lv et al. Modeling refuge effect of submerged macrophytes in lake system
Shao et al. Equilibrium optimizer of interswarm interactive learning strategy
Hrabik et al. Predation risk and prey fish vertical migration in Lake Superior: insights from an individual based model of siscowet (Salvelinus namaycush)
Rahman et al. Algae growth prediction through identification of influential environmental variables: A machine learning approach
Riley et al. Distribution modelling of the Eurasian Otter (Lutra lutra) on the Isle of Anglesey, Wales
Lin et al. Modeling intraspecific variation in habitat utilization of the Indo-Pacific humpback dolphin using self-organizing map
CN109781951A (zh) 一种鱼塘水质监测系统及监测方法
Van der Tol et al. A model analysis on the effect of decreasing nutrient loads on the biomass of benthic suspension feeders in the Oosterschelde ecosystem (SW Netherlands)
Zhang et al. Sardine Optimization Algorithm with Agile Locality and Globality Strategies for Real Optimization Problems
Morand et al. Predicting species distributions in the open ocean with convolutional neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant