一、人工神经网络在水产科学中的应用（论文文献综述）
杨利娟,金武,黄珊珊,闻海波,马学艳,唐小林,王卫民,曹小娟[1]（2021）在《人工神经网络在环棱螺体质量缺失值预测中的应用》文中指出环棱螺育种时,往往会出现部分个体体质量数据缺失的情况。为尽可能利用育种性能优异的所有个体的信息,采用人工神经网络对来自5个地理群体（阳澄湖、江阴、官莲湖、洪湖和仙桃）的784个环棱螺的4个形态学指标（包括壳高、壳宽、壳口高和壳口宽）和体质量数据进行训练,再使用太湖群体的261个环棱螺的相应数据进行人工神经网络模型测试,建立了用于环棱螺体质量缺失值预测的人工神经网络模型,利用该人工神经网络模型对微山湖群体的201个环棱螺缺失的体质量进行预测,并比较该方法与另外2种缺失值预测方法（即预测均数匹配法和随机森林预测法）的决定系数。结果显示,研究构建的人工神经网络模型对环棱螺体质量缺失值预测的决定系数为0.96,明显高于预测均数匹配法（0.87）和随机森林预测法（0.85）的决定系数。以上结果表明,本研究建立的人工神经网络模型可以用于环棱螺体质量缺失值的预测。
金武,马学艳,孙光兴,徐东坡,王林,闻海波,吕国华,徐跑,华丹,顾若波[2]（2021）在《人工神经网络在橄榄蛏蚌性别鉴定中的应用》文中进行了进一步梳理为了降低橄榄蛏蚌（Solenaia oleivora）规模化繁育过程中亲本性别鉴定的工作量,通过对壳长（SL）、壳高（SH）、壳宽（SW）、体质量（BW）4个性状221行数据采集并归一化处理,从原始数据中随机抽取90%的数据（199个样本）用于数据测试,并以此建立人工神经网络模型对橄榄蛏蚌进行性别预测。结果显示,建立的人工神经网络能够较好地模拟橄榄蛏蚌两种性别的数据,准确度为0.68,SH、SW、BW3个性状与性别的关系较弱,仅SL和性别表现出一定的非线性影响关系。
程懿麒,张俊波,汪金涛,雷林[3]（2021）在《基于神经网络的印度洋长鳍金枪鱼（Thunnus alalunga）时空分布与海洋环境关系研究》文中研究指明长鳍金枪鱼（Thunnusalalunga）是主要的经济性金枪鱼鱼种之一,其空间分布与环境因子存在着密切联系。利用2012—2019年印度洋长鳍金枪鱼生产数据和海洋环境数据,包括海表面温度（sea surface temperature, SST）、叶绿素浓度（chlorophyll a, chl a）和海表面盐度（sea surface salinity, SSS）构建印度洋长鳍金枪鱼时空分布神经网络模型。以空间（经度,纬度）、环境因子（SST, chl a, SSS）为解释变量,局部渔获量为因变量,变化隐含层节点数,构建了18个BP空间分布模型,并采用10×10交叉验证模型稳定性,以均方误差（meansquareerror,MSE）、平均相对方差（averagerelativevariance,ARV）以及拟合优度（R2）作为不同模型精度与稳定性的评判标准,最终选取5-18-1（隐含层节点18）模型为最佳模型,其平均MSE值为0.02232,平均ARV值为0.511。利用最优模型预测结果与同期实际捕捞产量进行叠加对比发现两者具有一致性。环境因子敏感性分析表明海表温度显着影响印度洋长鳍金枪鱼渔场分布,其贡献率达到0.2。印度洋长鳍金枪鱼高精度BP神经网络时空分布模型为其资源的可持续开发与动态管理提供了一种新思路。
耿和清[4]（2021）在《基于Hadoop架构的海洋牧场大数据平台设计研究》文中指出海洋牧场是我国渔业重要的组成部分,其健康发展有助于修复海洋生态环境、恢复海洋渔业资源和维护海洋渔业的可持续发展。随着现代信息技术的发展,海洋牧场产生的各种数据正在以肉眼可见的速度快速增长,导致数据不能及时有效的进行存储,出现数据存储不全,不能及时发现数据之间的关系,并且对于已存储的数据没有完全开发利用它们潜在的价值。近几年,由于大数据的飞速发展,为解决数据存储“碎片化”、数据价值利用率低、数据“孤岛”等问题提供了有效的方法。本文基于Hadoop分布式基础架构,研究设计了海洋牧场大数据平台,解决了海洋牧场海量数据存储问题、数据价值利用率低、数据“孤岛”等问题,有效提高了海洋牧场数据管理的能力和信息化水平。首先,介绍了海洋牧场和大数据在国内外的发展现状和存在的问题,其次详细阐述了有关海洋牧场大数据平台构建的关键技术,包括Hadoop生态体系、人工神经网络以及果蝇优化算法原理和详细的改进过程,为构建海洋牧场大数据平台的设计研究奠定基础。然后,通过分析海洋牧场的数据来源、实际需求以及大数据标准化体系,设计实现了海洋牧场大数据平台的整体架构、标准体系以及整体框架。为了研究海洋牧场水质要素之间的非线性关系,本文提出了利用改进的果蝇优化算法（IFOA）优化BP神经网络算法并建立了海洋牧场溶解氧的预测分析模型（IFOA-BP）,通过山东省张家楼海洋牧场养殖数据实例分析验证了模型的预测精度;利用Hadoop分布式架构中的MapReduce研究设计了BP神经网络详细的并行化计算过程,实现并行化BP神经网络的运算,解决了海洋牧场海量数据的分析处理,并通过海洋牧场水质数据实例分析了神经网络并行化算法的分类精度和效率。最后,根据海洋牧场数据特点和实际需求设计了海洋牧场大数据平台的目标、业务功能、数据库、和数据处理流程,实现了海洋牧场数据采集、数据存储管理、数据分析计算和数据应用的海洋牧场大数据平台,解决了海洋牧场数据“碎片化”、数据价值利用率低、数据“孤岛”等问题。
姜鹏飞,郑杰,陈瑶,孙娜,祁立波,李德阳,林松毅[5]（2021）在《人工神经网络在水产领域中的应用》文中研究指明人工神经网络作为一种预测模型,具有非线性信息处理能力,被广泛应用于自动化、医学、经济、化工等领域。该文总结了人工神经网络在水产品中的应用情况,包括水产养殖过程中物种识别、养殖环境监控、养殖技术管理以及水产加工过程中工艺条件的优化,同时总结了水产品中蛋白质、脂质、糖类等活性成分定量监控,并且以营养性、安全性和保藏性的角度对水产品进行品质评价。最后,在此基础上对人工神经网络在水产方面的应用进行了展望。
孙博文[6]（2021）在《基于大数据的水产养殖产量分析与预测》文中认为水产养殖业在我国拥有着悠久的发展历史。21世纪,随着高新技术的不断发展,水产养殖业正面临着一次彻底的技术变革,由以经验为主的传统养殖业向以技术为依托的现代养殖方式转变。在行业的转变过程中,传统养殖业存在的问题慢慢的显现出来。由于物联网相关产品体系的不断发展,传统的数据采集、存储及养殖方式渐渐的不适用于行业的发展,养殖数据的采集、融合、存储和分析问题慢慢浮出水面。为了帮助养殖从业人员和科研人员解决海量养殖数据的存储和分析问题,本文构建了基于大数据技术的水产养殖产量预测分析平台,该平台解决了水产养殖数据的采集、存储、预测、分析问题。并利用大数据的Map Reduce编程模型来进行算法的并行化设计,利用平台内的数据,训练了有关水产养殖的多要素预测分析模型,辅助养殖从业人员和科研人员进行科学的养殖环境分析和产量预测的评估,减少养殖过程的不必要损耗,提高水产养殖业的信息化水平。本文中搭建的水产养殖大数据产量预测分析平台采用的是Apache Hadoop大数据框架中的相关组件,并结合Spring Boot、Mybatis等相关开发技术进行平台开发。平台主要包含数据采集层、存储层、分析层及应用层四层平台架构。在数据分析层中,设计了基于Map Reduce的并行化SA-BP算法来处理养殖要素及产量之间的预测分析。该算法首先采用多层前缀反向传播神经网络（BP神经网络）算法来分析水产养殖要素之间的深层次关系,在此基础上,通过训练养殖数据,形成养殖产量影响因素之间的分析模型;为了使模型的训练时间更加快速,结果更加精确,利用改进的模拟退火算法（SA）来优化BP算法,当陷入局部的极小值时,调用有记忆功能的模拟退火算法跳出无意义的迭代过程,退火至一个新的值进行网络训练。针对海量养殖数据的情况下,训练过程还是相对较慢,结果也相对较差,为了提高训练速度和精度,引入了Map Reduce的并行化计算思想,利用其对BP神经网络进行分布式并行化训练,进一步降低了网络收敛的速度,在异常庞大的养殖数据分析中表现优良。通过训练该算法,产生了养殖要素之间的并行化评价模型,并以山东省历年的南美白对虾产量为训练数据建立实体模型并集成到平台结构中。最终实现了水产养殖大数据产量预测分析平台的建设以及平台智能化分析模型的构建,实现了水产养殖的产业化大数据平台构建,对水产养殖业的智能化发展提供了行业导向和技术支撑。
朱仁敬[7]（2021）在《基于机器学习的海洋水产养殖病害的分析与预测》文中研究指明随着近年来我国养殖业规模的不断扩大,由于技术人员的缺乏而导致养殖户盲目用药造成严重经济损失的问题也日益严重,因此,寻找一种合适的养殖病害检测方法,对于减轻养殖户负担,降低养殖风险,减少经济损失有着重要意义,本文利用目前成熟的图像识别技术,结合海水养殖病害数据,提出了一种基于模型融合的海洋水产养殖病害识别方法。本文的主要工作及成果如下:（1）首先对海洋病害图像数据集中的病害特征进行预处理,为了解决模型训练中的特征丢失问题,本文通过方向梯度直方图和gabor滤波器对原始数据集进行特征提取,得到养殖虾类病害部分的轮廓和纹理等方面的病害特征,再利用HOG和SURF对鱼类病害数据集进行特征提取。（2）针对海水养殖的病害识别问题,本文首先对数据集进行扩增以及统一尺寸处理,再通过改进轻量级卷积神经网络SqueezeNet来适应养殖虾类病害数据集的训练,结合网络预训练,批量归一化等方法对模型进行优化,最终得到一个轻量级的识别率较高的神经网络模型Shrimp-SqueezeNet,并通过实验证明该模型具有较好的识别精度。（3）为了进一步提升模型对海水养殖的病害识别精度。本文结合AlexNet、VGGNet、GoogleNet、ResNet四种神经网络模型,借鉴集成学习的思想,通过多数表决法对模型进行融合,提出了一种基于卷积神经网络模型融合的虾类病害识别方法。实验证明融合后的模型更加稳定、可靠,对各种病害的识别率更高。实验采用的数据集由相关公司提供,该数据集囊括了中国水产科学研究学院黄海水研究所研究收录的数据。优秀的数据资源为研究海洋水产养殖病害提供了可靠的基础。首先,对原始数据集进行特征预处理,将处理后的数据集与原数据集同时训练同一神经网络,结果证明经过处理后的模型识别率更高。其次,经过改进轻量级神经网络模型SqueezeNet,训练出识别率较高,且计算量较小的模型。为了进一步提高模型的病害识别率。对多个网络模型进行融合,相比与单一模型,模型融合进一步提高了病害识别率,且稳定性较强。
朱浩朋[8]（2021）在《基于卷积神经网络的西北太平洋柔鱼渔场预报模型构建》文中提出近三十年中国远洋渔业产业发展迅速,鱿钓渔船规模越来越大,然而随着我国远洋渔业的发展,柔鱼生产规模在不断扩大的同时,生产成本也不断升高,寻找可靠稳定渔场的难度越来越高,同时远洋渔业企业对柔鱼渔场的预报服务产品的要求也越来越高。因此,打破传统的渔情预报方式存在的局限,充分利用当前计算机先进软件算法和条件,准确而快速地进行渔情预报,可以为远洋渔业企业的出海作业生产提供科学、合理的指导意见,降低人力、物力成本。西北太平洋是一片有着较为特殊海洋环境的海域,是亲潮寒流与黑潮暖流的交汇区域,季节性温差较大,但同时也是中国鱿鱼产量最高的海域,拥有着全太平洋36%的柔鱼产量,把握西北太平洋渔场的位置及渔汛的长短,对提高我国渔业产量、降低捕捞作业成本,维持柔鱼生产的稳定发展,具有重要的现实意义。为了提高西北太平洋渔场预报的准确性和实用性,本研究提出了一种基于深度学习原理的柔鱼预报模型的构建方法。研究数据时间跨度是2000年-2015年的7月-11月,包括来自西北太平洋柔鱼渔船生产信息日报以及来自NASA的中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer,MODIS）的海洋表面温度（Sea Surface Temperature,SST）和叶绿素a数据（Chlorophyll,Chl-a）,两种海洋环境数据都是三级产品。本研究根据不同通道即SST、Chl-a、经度、纬度、月份等的组合,构建了5种用于模型训练的数据集,即1)仅包含SST的单通道数据集、2)包含SST和月份的2通道数据集、3)包含SST、经度和纬度的3通道数据集、4)包含SST、月份、经度和纬度的4通道数据集、5)包含Chl-a、月份、经度和纬度的4通道数据集。为了在维度上与第1个通道数据相匹配,需要将经度、纬度和月份的输入数据从0维标量扩展到像素数为65×65的二维张量,并作为第2、第3和第4通道。由于缺乏足够多的有效渔业捕捞数据,通过以-10°和+10°之间的小角度随机旋转数据集图像以及图像中心在四个方向（包括北、南、东和西）的随机0.1°偏移对训练数据集进行了增强处理。经数据增强后的数据集数据量比原来增加了4倍。卷积神经网络（Convolutional Neural Network,CNN）模型的结构选择的是Alex Net,它由五个卷积层,三个最大池化层和三个全连接层组成。此方法使用图形处理单元（Graphics Processing Unit,GPU）加快训练速度,其环境特征的提取由计算机自动完成,充分考虑了渔场周边的温度场特征,优于传统的渔业预报方法。SST、纬度、经度和月份都是构建渔场预测模型时需要考虑的重要影响因素,本研究比较和分析了这些因素对渔场预报准确率的影响。为了检验所选环境因素的合理性,本研究另外使用了叶绿素浓度数据作为输入因子进行了试验,同时,为了检验该模型的优越性,也基于随机森林方法采用SST数据构建了柔鱼预报模型且通过预报准确率、精确率、召回率和F1分数等模型评价参数,对比分析了三个预报模型的效果。得出以下结论:1)根据柔鱼的迁移规律,将7月-11月的SST数据集分为3个子数据集,分别是7-8月、9月和10-11月。这种月份组合的方式将测试准确率提高了至少6个百分点。7月-8月、9月、10月-11月这三个数据集的测试准确率远高于7-11月数据集的测试准确率74.4%,因此柔鱼本身的生物特性包括迁徙、生长规律是十分重要的,在渔业预报模型构建过程中不可忽视,有利于提高渔场预报模型的预报精度。2)经过8万次训练后,平均测试准确率收敛至约81.1%。采用SST数据构建的7-8月、9月和10-11月3个4通道数据集的测试准确率分别为80.5%,81.5%和81.4%。可以得出结论,海洋表面温度及其时空信息在西北太平洋柔鱼渔场的预报中起着重要作用,利用单个环境因子SST构建CNN训练数据集从而建立柔鱼渔场预报模型的方法是可行的。3)对包含不同通道信息的数据集训练结果进行对比,SST的4通道数据集的训练结果最好,测试精度明显高于3通道、2通道、单通道数据集以及Chl-a的4通道数据集。仅包含SST的单通道数据集的测试精度至少达到73.5%,这表明SST是5个因素中的最重要因素,即SST、Chl-a、经度、纬度和月份。而且对比了SST、Chl-a两种海洋环境数据的模型预报效果,以SST训练的模型取得了81.1%的准确率显着高于以Chl-a训练的模型的不足75%的平均准确率,也证明了较之Chl-a,SST是影响柔鱼渔场变动的更重要因素。4)以2015年实际渔获量数据为依据,验证了预测模型的应用效果,并选择精确率和召回率作为该模型的评价指标。结果表明,基于SST数据的柔鱼渔场预报模型平均精确率、召回率和F1分数分别为66.6%、82.3%和73.1%,高于基于Chl-a数据的预报模型的60.3%、69.3%、63.1%。基于SST数据的柔鱼渔场预报模型预测的高产捕捞区域基本上与实际的高CPUE区域匹配,并且两者的月度移动趋势也基本一致。5)与随机森林构建的渔场预报模型对比,在变量种类相同的情况下,随机森林方法取得了7-8月72.0%、9月58.9%、10-11月64.1%的测试准确率,低于本研究的卷积神经网络方法,测试准确率的差值在8.5%-22.6%之间。
金武,王书磊,刘晓萌,夏晔,刘建伟[9]（2021）在《人工神经网络在渔业高价值专利筛选中的应用——以中国水产科学研究院为例》文中研究表明为了从大量专利数据中筛选渔业高价值专利,提高专利管理效率,从而间接促进专利转化,对中国水产科学研究院2008—2018年5 404项专利进行价值高中低分类标注,获取这些专利在商业数据库Patentics中的16个参数并进行归一化处理,合并专利信息和对应的专利参数并利用人工神经网络建模。合并的数据中随机抽取70%的数据用于训练,30%的数据用于测试。结果表明:单隐层5个节点的人工神经网络模型准确度为73.59%,可以用于后续高价值专利辅助筛选工作。
解明阳[10]（2020）在《基于灰色系统理论的北太平洋柔鱼渔情预报研究》文中认为柔鱼（Ommastrephes bartramii）是大洋性头足类经济鱼种,广泛分布于西北太平洋海域,是我国鱿钓渔船的重要捕捞对象。开展柔鱼渔情预报是确保我国远洋鱿钓渔业科学生产的重要基础。在传统的数理统计方法中,对样本要求数量大,服从典型分布,这也增加了渔情预报的难度,而灰色系统理论可有效地解决这一问题。作为一门不确定系统理论的学科,其优点在于允许样本数量较少且服从任意分布,这对于缺乏数据的渔业科学来说,有很大的应用与发展前景。为此,本研究利用1995—2017年我国远洋鱿钓渔业的生产统计数据,结合海洋遥感环境因子（如海表面温度、叶绿素浓度数据和太平洋年代际震荡指数等）数据,利用灰色系统理论中的灰色关联、灰色聚类、灰色预测等方法,科学分析了不同年份、月份北太平洋柔鱼资源丰度的聚类特征,划分渔汛旺汛期和灾变年份,探索资源丰度变化与海洋遥感环境因子的关系,并实现渔汛旺汛期、灾变年份和资源丰度的预测研究,为北太平洋渔业生产企业的科学可持续开发和科学管理提供技术支撑。主要研究结果如下:（1）北太平洋柔鱼资源丰度灰色聚类特征。以单位捕捞努力量渔获量（CPUE）作为资源丰度指数,利用灰色关联聚类方法对1998—2017年5—12月柔鱼的资源丰度（CPUE）进行聚类,分析不同强度厄尔尼诺和拉尼娜事件以及环境因子对柔鱼CPUE的影响。结果表明,以经度平均CPUE聚类的年经度类群比年纬度类群差异明显,月经度类群比月纬度类群更具有季节性。包含两个强拉尼娜事件年份的类群2的CPUE最高,产卵场和育肥场的海表温度距平值（SGSSTA和FGSSTA）也最大,但叶绿素（Chl a）浓度距平值最低;包含3个弱拉尼娜事件的类群4的CPUE略低于年平均CPUE,海表温度距平值（SSTA）较大,Chl a浓度距平值接近于0;类群3的产卵场和育肥场的SSTA最小,但Chl a浓度距平最高。5—12月平均海表温度（SST）夏季高冬季低,产卵场和育肥场的海表温度（SGSST和FGSST）呈先增加后减小的趋势,8、9月份最高,11、12月份最低,与CPUE变化一致;Chl a浓度则恰好相反,5—7月份最高,8、9月份最低。研究认为,不同强度的异常气候事件是影响柔鱼资源丰度重要因素:强拉尼娜事件会使柔鱼资源丰度骤增,弱拉尼娜事件会使柔鱼资源丰度略减,而中强度以上的厄尔尼诺事件会柔鱼资源丰度大幅度下降。（2）北太平洋柔鱼渔汛特征分析及旺汛期预测。分析发现,北太平洋柔鱼发汛时间最早为5月12日,一直持续到年终;旺汛期为每年的8—11月,第1旺汛期基本上在8月出现。基于各年度的旺汛日期分布,建立了灰色波形预测GM（1,1）模型群,其模型的平均相对误差为6.83%,旺汛期日期序列预测的平均相对误差为8.19%,验证数据的平均相对误差为15.82%,此模型可用作预测北太平洋柔鱼的旺汛期。（3）北太平洋柔鱼资源丰度灾变年份预测。运用灰色灾变预测方法对上、下限灾变年份建立GM（1,1）,预测未来灾变年份。结果显示,以GLM模型标准化CPUE建立的下限灾变预测模型的平均相对误差为15.32%,上限灾变预测模型的平均相对误差为8.19%,模型精度检验等级均为Ⅰ级。研究认为,下一个资源丰年(CPUE大于2.39t·船-1·年-1)将出现在2021年,资源欠年(CPUE小于2.13 t·船-1·年-1)将出现在2027年。分析认为,太平洋年代际涛动与厄尔尼诺—拉尼娜事件是驱使柔鱼丰度大幅度波动的重要因素。（4）北太平洋柔鱼资源丰度预测模型的建立。采用GM（1,1）模型对不同时间长度的资源丰度（CPUE）进行分析,选择相对误差和方差最小的CPUE序列作为母序列,与太平洋年代际震荡指数（PDO）、产卵场平均海表温度（SGSST）、育肥场平均海表温度（FGSST）、产卵场平均叶绿素浓度（SGC）、育肥场平均叶绿素浓度（FGC）等因子进行灰色关联分析,并以此评价结果为基础分别建立6个不同阶数的灰色预测模型[GM（0,N）模型和GM（1,N）模型],筛选误差最小的模型作为预测柔鱼资源丰度的最佳模型。研究结果表明,以8年CPUE序列的建模为最佳,其平均相对误差最小,为6.28%;同时,GM（0,N）模型的预测精度普遍比GM（1,N）模型的要高,其中包含2月SGSST、10月FGSST、8月FGC和10月PDO的GM（0,5）模型为最优,拟合相对误差为3.87%,预测相对误差为1.18%,可作为预测北太平洋柔鱼资源丰度的最优模型。综上所述,通过对北太平洋柔鱼资源丰度的聚类特征,分析资源丰度变化与海洋遥感环境因子的关系,运用灰色系统理论对北太平洋柔鱼渔汛、灾变年份、资源丰度进行了预测并得到了较好结果,研究结果可为实现柔鱼的渔情科学预报提供了较为可靠的技术支撑。
二、人工神经网络在水产科学中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工神经网络在水产科学中的应用（论文提纲范文）
（1）人工神经网络在环棱螺体质量缺失值预测中的应用（论文提纲范文）
| 1 材料与方法 |
| 1.1 环棱螺采集及数据测量 |
| 1.2 数据分析 |
| 1) 人工神经网络构建。 |
| 2)不同预测方法之间的比较。 |
| 2 结果与分析 |
| 2.1 描述性统计 |
| 2.2 人工神经网络模型建模 |
| 3 讨 论 |
| 3.1 人工神经网络在缺失值预测中的应用 |
| 3.2 常见缺失值预测方法的比较 |
（2）人工神经网络在橄榄蛏蚌性别鉴定中的应用（论文提纲范文）
| 1 材料与方法 |
| 1.1 性状测定 |
| 1.2 数据归一化 |
| 1.3 人工神经网络建模 |
| 2 结果 |
| 2.1 描述性统计 |
| 2.2 神经网络训练结果 |
| 2.3 神经网络准确度分析 |
| 3 讨论 |
| 3.1 分类性状的人工神经网络建模 |
| 3.2 贝类性别鉴定 |
（3）基于神经网络的印度洋长鳍金枪鱼（Thunnus alalunga）时空分布与海洋环境关系研究（论文提纲范文）
| 1 材料与方法 |
| 1.1 材料来源 |
| 1.2 神经网络空间分布模型 |
| 1.3 模型解释 |
| 1.4 空间分布模式图绘制 |
| 2 研究结果 |
| 2.1 神经网络空间分布模型精度 |
| 2.2 长鳍金枪鱼时空分布影响因子 |
| 2.3 长鳍金枪鱼时空分布与海洋环境的关系敏感性分析 |
| 2.4 长鳍金枪鱼时空分布模式 |
| 3 讨论 |
| 3.1 神经网络模型渔场预测结果 |
| 3.2 长鳍金枪鱼时空分布与环境因子关系 |
| 3.3 长鳍金枪鱼时空分布规律 |
| 4 结论 |
| 电子附件材料: |
（4）基于Hadoop架构的海洋牧场大数据平台设计研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 海洋牧场背景 |
| 1.1.2 大数据技术背景 |
| 1.1.3 课题研究意义 |
| 1.2 国内外发展现状 |
| 1.2.1 国内外海洋牧场发展现状 |
| 1.2.2 国内外大数据发展现状 |
| 1.3 本文的主要工作 |
| 第2章 海洋牧场大数据平台关键技术原理综述 |
| 2.1 Hadoop生态技术介绍 |
| 2.1.1 Hadoop分布式基础架构 |
| 2.1.2 HDFS分布式文件系统 |
| 2.1.3 MapReduce分布式运算编程框架 |
| 2.1.4 HBase分布式数据库 |
| 2.2 人工神经网络 |
| 2.2.1 人工神经网络简介 |
| 2.2.2 BP神经网络 |
| 2.3 果蝇优化算法 |
| 2.3.1 果蝇优化算法 |
| 2.3.2 IFOA果蝇优化算法 |
| 2.4 本章小结 |
| 第3章 海洋牧场大数据平台框架设计 |
| 3.1 平台总体架构及标准体系设计 |
| 3.1.1 海洋牧场大数据平台架构设计 |
| 3.1.2 海洋牧场大数据标准体系设计 |
| 3.2 海洋牧场数据来源分析 |
| 3.2.1 海洋牧场观测网 |
| 3.2.2 渔业数据库 |
| 3.2.3 互联网数据 |
| 3.2.4 物联网数据 |
| 3.3 平台整体框架设计 |
| 3.4 本章小结 |
| 第4章 海洋牧场大数据分析模型设计 |
| 4.1 基于BP神经网络的水体溶解氧的预测分析模型 |
| 4.2 IFOA-BP模型在海洋牧场溶解氧的预测应用 |
| 4.2.1 数据与方法 |
| 4.2.2 神经网络性能指标 |
| 4.2.3 IFOA-BP模型参数 |
| 4.2.4 模型评价 |
| 4.3 基于MapReduce的 BP神经网络并行化分析模型 |
| 4.4.1 MapReduce编程模型基本思想 |
| 4.4.2 BP神经网络并行化思想 |
| 4.4.3 BP神经网络的并行化流程 |
| 4.4 BP神经网络并行化算法在海洋牧场水质分类的应用 |
| 4.4.1 数据来源及预处理 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 海洋牧场大数据平台设计与实现 |
| 5.1 海洋牧场大数据平台设计 |
| 5.1.1 平台目标 |
| 5.1.2 平台业务功能设计 |
| 5.1.3 平台技术方案设计 |
| 5.1.4 平台数据库设计 |
| 5.1.5 平台数据处理流程设计 |
| 5.2 海洋牧场大数据平台集群实现 |
| 5.2.1 平台基础环境 |
| 5.2.2 平台Hadoop集群搭建 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表的学术论文 |
| 二、其他科研成果 |
（5）人工神经网络在水产领域中的应用（论文提纲范文）
| 1 养殖技术 |
| 1.1 环境因素 |
| 1.2 种群预测 |
| 1.3 物种识别 |
| 1.4 养殖管理 |
| 1.5 价格 |
| 2 水产品工艺优化 |
| 3 活性成分分析 |
| 4 品质评价 |
| 4.1 营养性 |
| 4.2 营养性 |
| 4.3 保藏性 |
| 5 展望 |
（6）基于大数据的水产养殖产量分析与预测（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 论文的研究背景和意义 |
| 1.1.1 水产养殖产量分析与预测背景 |
| 1.1.2 大数据技术背景 |
| 1.1.3 课题研究意义 |
| 1.2 国内外研究与发展 |
| 1.2.1 国内外水产养殖分析研究与发展现状 |
| 1.2.2 国内外大数据研究与发展现状 |
| 1.3 论文的研究内容和结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 2 相关技术与算法原理综述 |
| 2.1 Hadoop大数据计算框架 |
| 2.1.1 HDFS分布式存储系统 |
| 2.1.2 Map Reduce分布式计算框架 |
| 2.1.3 YARN资源调度系统 |
| 2.1.4 HBASE分布式数据库 |
| 2.1.5 Flume分布式日志采集 |
| 2.1.6 Kafka分布式消息队列 |
| 2.2 BP神经网络 |
| 2.2.1 人工神经网络介绍 |
| 2.2.2 BP神经网络介绍 |
| 2.3 有记忆的模拟退火算法 |
| 2.4 本章小结 |
| 3 水产养殖产量预测模型研究 |
| 3.1 基于SA-BP神经网络的水产养殖产量预测模型研究 |
| 3.2 水产养殖产量预测模型的应用研究 |
| 3.2.1 数据预处理 |
| 3.2.2 模型参数设计 |
| 3.2.3 实验结果对比分析 |
| 3.3 基于Map Reduce的 SA-BP并行化预测模型模型研究 |
| 3.3.1 BP并行化思想评估 |
| 3.3.2 并行化优化SA-BP |
| 3.3.3 并行化SA-BP实验与分析 |
| 3.4 本章小结 |
| 4 水产养殖大数据产量预测分析平台设计 |
| 4.1 平台需求分析 |
| 4.1.1 用户需求分析 |
| 4.1.2 功能需求分析 |
| 4.1.3 性能需求分析 |
| 4.2 数据来源介绍 |
| 4.3 业务功能模块划分 |
| 4.4 框架总体结构设计 |
| 5 水产养殖大数据产量预测分析平台详细设计与实现 |
| 5.1 技术方案设计 |
| 5.2 数据库设计 |
| 5.3 平台环境搭建 |
| 5.3.1 硬件配置选型 |
| 5.3.2 Hadoop集群功能规划 |
| 5.3.3 集群环境搭建 |
| 5.4 主要功能实现 |
| 5.4.1 平台登录 |
| 5.4.2 数据检索与导出 |
| 5.4.3 数据采集 |
| 5.4.4 数据分析与产量预测 |
| 5.4.5 数据展示 |
| 5.4.6 系统管理 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（7）基于机器学习的海洋水产养殖病害的分析与预测（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 课题的研究背景和意义 |
| 1.1.1 水产养殖病害分析与预测背景 |
| 1.1.2 机器学习背景 |
| 1.1.3 课题研究意义 |
| 1.2 国内外的研究现状 |
| 1.3 存在的问题 |
| 1.4 本文主要研究内容 |
| 1.5 本文章节安排 |
| 2.卷积神经网络 |
| 2.1 卷积神经网络算法原理 |
| 2.2 卷积神经网络训练过程 |
| 2.2.1 前向传播 |
| 2.2.2 反向传播 |
| 2.3 利用卷积神经网络进行分类 |
| 2.4 本章小结 |
| 3.海洋水产病害图像的特征提取 |
| 3.1 引言 |
| 3.2 基于HOG的虾类病害特征提取 |
| 3.2.1 HOG特征概述 |
| 3.2.2 虾类病害HOG特征提取 |
| 3.2.3 实验结果与分析 |
| 3.3 基于Gabor的虾类病害特征提取 |
| 3.3.1 Gabor特征概述 |
| 3.3.2 实验结果与分析 |
| 3.4 基于SURF的鱼类病害特征提取方法 |
| 3.5 本章小结 |
| 4.基于卷积神经网络的病害识别 |
| 4.1 引言 |
| 4.2 实验数据集 |
| 4.3 数据预处理 |
| 4.4 数据增广 |
| 4.5 网络结构选取 |
| 4.6 实验结果与分析 |
| 4.6.1 实验参数设置 |
| 4.6.2 数据集扩增的影响 |
| 4.6.3 批量归一化 |
| 4.6.4 预训练 |
| 4.6.5 PRe Lus-Softplus函数 |
| 4.7 本章小结 |
| 5.卷积神经网络模型融合 |
| 5.1 模型融合的优势 |
| 5.2 模型获取 |
| 5.3 模型融合流程 |
| 5.4 实验结果及分析 |
| 5.4.1 融合模型的识别率 |
| 5.4.2 融合模型的稳定性 |
| 5.5 本章小结 |
| 6.总结与展望 |
| 6.1 本文工作总结 |
| 6.2 课题展望 |
| 参考文献 |
| 致谢 |
（8）基于卷积神经网络的西北太平洋柔鱼渔场预报模型构建（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 研究现状 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 材料与方法 |
| 2.1 研究区域 |
| 2.2 研究数据 |
| 2.2.1 数据来源 |
| 2.2.2 生产数据的预处理 |
| 2.2.3 海洋数据的预处理 |
| 2.3 研究方法 |
| 2.3.1 深度学习方法 |
| 2.3.2 网络模型结构 |
| 2.3.3 渔场概率计算方法 |
| 2.3.4 模型评价指标 |
| 2.3.5 模型预报效果的检验方法 |
| 第三章 基于卷积神经网络的西北太平洋柔鱼渔场预报模型的构建 |
| 3.1 训练数据集 |
| 3.1.1 数据集的构建 |
| 3.1.2 数据增强 |
| 3.2 训练方案 |
| 3.3 结果分析 |
| 3.3.1 柔鱼生长阶段及洄游规律对模型准确率的影响 |
| 3.3.2 渔区时空信息对模型准确率的影响 |
| 3.3.3 海洋表面温度对渔场生物生态及预报模型的影响 |
| 3.3.4 模型应用效果 |
| 3.4 小结 |
| 第四章 不同柔鱼渔场预报模型效果对比 |
| 4.1 基于海洋叶绿素数据的卷积神经网络渔场预测模型 |
| 4.1.1 数据集构建与模型训练 |
| 4.1.2 结果与分析 |
| 4.2 基于随机森林方法构建柔鱼渔场预测模型 |
| 4.2.1 随机森林方法介绍 |
| 4.2.2 随机森林的应用 |
| 4.2.3 结果与分析 |
| 4.2.4 与卷积神经网络模型的比较 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
| 附录 |
（9）人工神经网络在渔业高价值专利筛选中的应用——以中国水产科学研究院为例（论文提纲范文）
| 1 材料与方法 |
| 1.1 专利数据采集 |
| 1.2 专利计量参数 |
| 1.3 数据处理 |
| 2 结果 |
| 2.1 专利价值评估单隐层人工神经网络模型 |
| 2.2 专利价值评估深度神经网络模型 |
| 3 讨论 |
（10）基于灰色系统理论的北太平洋柔鱼渔情预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 灰色系统理论在渔业科学中的研究进展 |
| 1.2.1 文献计量学分析 |
| 1.2.2 灰色系统理论在渔业科学中的应用现状 |
| 1.2.3 存在的问题及展望 |
| 1.3 北太平洋柔鱼渔情预报研究进展 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 第二章 北太平洋柔鱼资源丰度的灰色关联聚类分析 |
| 2.1 材料与方法 |
| 2.1.1 数据来源 |
| 2.1.2 气候事件的定义 |
| 2.1.3 灰色关联聚类 |
| 2.2 研究结果 |
| 2.2.1 产量与CPUE变化 |
| 2.2.2 气候事件的划分 |
| 2.2.3 灰色聚类结果 |
| 2.2.4 不同类群的环境特征比较及其与CPUE的关系 |
| 2.3 讨论与分析 |
| 第三章 北太平洋柔鱼渔汛特征分析及旺汛期预测 |
| 3.1 材料与方法 |
| 3.1.1 数据来源 |
| 3.1.2 渔汛时间确定及旺汛期的划分 |
| 3.1.3 旺汛期预测模型 |
| 3.1.4 模型的检验 |
| 3.2 研究结果 |
| 3.2.1 渔汛特征分析 |
| 3.2.2 旺汛期分析 |
| 3.2.3 预测模型的建立与检验 |
| 3.3 讨论与分析 |
| 第四章 北太平洋柔鱼资源丰度灾变年份预测 |
| 4.1 材料与方法 |
| 4.1.1 数据来源 |
| 4.1.2 CPUE标准化 |
| 4.1.3 模型的构建与检验 |
| 4.2 结果 |
| 4.2.1 CPUE情况与灾变点 |
| 4.2.2 模型的建立与检验 |
| 4.3 讨论与分析 |
| 第五章 北太平洋柔鱼资源丰度预测模型的建立 |
| 5.1 材料与方法 |
| 5.1.1 数据来源 |
| 5.1.2 CPUE标准化 |
| 5.1.3 模型的构建 |
| 5.2 结果 |
| 5.2.1 CPUE序列的选择 |
| 5.2.2 灰色关联分析 |
| 5.2.3 预测模型的比较与选择 |
| 5.3 讨论与分析 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 不足与展望 |
| 参考文献 |
| 攻读硕士期间的科研成果 |
| 致谢 |
四、人工神经网络在水产科学中的应用（论文参考文献）
- [1]人工神经网络在环棱螺体质量缺失值预测中的应用[J]. 杨利娟,金武,黄珊珊,闻海波,马学艳,唐小林,王卫民,曹小娟. 华中农业大学学报, 2021(05)
- [2]人工神经网络在橄榄蛏蚌性别鉴定中的应用[J]. 金武,马学艳,孙光兴,徐东坡,王林,闻海波,吕国华,徐跑,华丹,顾若波. 淡水渔业, 2021(04)
- [3]基于神经网络的印度洋长鳍金枪鱼（Thunnus alalunga）时空分布与海洋环境关系研究[J]. 程懿麒,张俊波,汪金涛,雷林. 海洋与湖沼, 2021(04)
- [4]基于Hadoop架构的海洋牧场大数据平台设计研究[D]. 耿和清. 齐鲁工业大学, 2021(10)
- [5]人工神经网络在水产领域中的应用[J]. 姜鹏飞,郑杰,陈瑶,孙娜,祁立波,李德阳,林松毅. 食品与发酵工业, 2021(19)
- [6]基于大数据的水产养殖产量分析与预测[D]. 孙博文. 青岛科技大学, 2021(01)
- [7]基于机器学习的海洋水产养殖病害的分析与预测[D]. 朱仁敬. 青岛科技大学, 2021(01)
- [8]基于卷积神经网络的西北太平洋柔鱼渔场预报模型构建[D]. 朱浩朋. 上海海洋大学, 2021(01)
- [9]人工神经网络在渔业高价值专利筛选中的应用——以中国水产科学研究院为例[J]. 金武,王书磊,刘晓萌,夏晔,刘建伟. 渔业信息与战略, 2021(01)
- [10]基于灰色系统理论的北太平洋柔鱼渔情预报研究[D]. 解明阳. 上海海洋大学, 2020(03)