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

( v* R+ w# z, o. J& ^) i

: A0 \! n# l& C3 U& k/ E
) K! H5 A0 h; ^" K! GBP 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
5 v4 N* G$ C& K# ~  _5 u' W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
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
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
( ]5 F) F$ g9 J/ k; z7 c- U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
9 ?1 g1 M' j  }( A+ E( H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
& g* o& E: Y" H. f9 s8 b2 a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
8 i- o5 p7 d9 k6 N- x; W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
7 L7 @( j  k! N  g% |* y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 h4 f! Q) G4 T( \0 w7 Q0 L! ^. e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。
: u. ~( v1 @/ c0 y2 u
6 ?9 ?+ F$ H9 }- s, A9 Z
( Z( O  [, J- h' v1 t0 b