基于优化的 BP 神经网络模型研究山东近海口虾蛄空间分 布与环境因子的关系

杨利霞

基于优化的 BP 神经网络模型研究山东近海口虾蛄空间分 布与环境因子的关系

8 u! W4 [# r6 @% M+ j

8 i$ a; {  _! U" ?' z+ P. b
0 O6 u% C% _  W/ E/ Y6 H; cBP 神经网络模型作为一种常用的机器学习方法，被广泛应用于物种分布模型，来解析生物分布与环境因子的
关系。与传统的回归模型相比，该模型可以灵活处理变量间的非线性关系，但其结构复杂，在参数设置方面存在不确
  A$ Z1 G% N& ?1 z: o( Y) Q, X定性，从而影响模型的预测与应用。因此，本研究根据 2016—2017 年山东近海口虾蛄渔业资源调查与环境数据，利
' ~+ ]2 G1 M# `; i% N" `* b3 u8 d+ o: P用 BP 神经网络模型构建口虾蛄资源分布模型，同时利用数据分组处理算法(group method of data handing, GMDH)、遗
* b6 d4 ^, N& h& y传算法(genetic algorithm, GA)和自适应算法(adaptive algorithm)分别对模型输入变量、初始权值和隐节点数目 3 方面进
' f, w( o* c( `5 n* {3 ~3 K行优化，构建 7 种不同组合优化的 BP 模型。根据均方根误差(root mean square error，RMSE)、相关系数(correlation
coefficient, COR)和残差平方和(residual sum of squares, SSE)等指标评价各模型性能，由此得到最优模型。进而分析口
虾蛄资源密度与重要环境因子的响应关系。研究表明，7 种组合优化模型的预测性能存在明显差异，单方面和两方面
组合优化模型预测性能基本保持一致；而 3 方面共同优化的模型预测效果最好。纬度、底层温度、底层盐度和水深与
口虾蛄的资源密度存在密切关系。本研究优化了 BP 神经网络模型的参数设置，评价其预测性能并得到最优模型。了
9 y- T8 H% o, p解口虾蛄资源密度对环境因子的响应，以期为山东近海海域口虾蛄栖息地的保护和利用提供科学指导。
4 a1 `5 X% b9 e0 f0 c4 b8 Q. Z& y