[發明專利]基于支持向量機的魚類棲息地適宜性指數建模方法

有效

• 申請號: 201510252783.7
• 申請日: 2015-05-18
• 公開（公告）號: CN104809479B
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 馮永玖;方學燕;陳新軍
• 申請（專利權）人: 上海海洋大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 上海科盛知識產權代理有限公司31225
• 代理人: 應小波

1.一種基于支持向量機的魚類棲息地適宜性指數建模方法，其特征在于，包括以下步驟：

1)聯合多種海洋環境因子，求取一組海洋因子對應的適宜性指數值SI；

2)對所有海洋環境因子以及SI進行歸一化；

3)基于步驟2)的數據，建立支持向量機HSI模型：SVM HIS，其中HIS為棲息地適宜性指數；

4)利用SVM HSI對不同的區域進行預測，獲取預測的均方根誤差和相關系數，并在GIS環境中進行漁場漁情預報；

5)輸出并保存模擬結果。

2.根據權利要求1所述的一種基于支持向量機的魚類棲息地適宜性指數建模方法，其特征在于，所述的步驟1)具體為：

11)通過遙感獲取海洋環境因子，包括海表溫度SST、溫度梯度、海表葉綠素-a濃度、鹽度、鹽度梯度以及距海平面平均高度；

12)通過對各種海洋環境因子進行分組，得到每一組總的作業次數，通過對作業次數的歸一化換算，獲取對應的適宜性指數值SI。

3.根據權利要求2所述的一種基于支持向量機的魚類棲息地適宜性指數建模方法，其特征在于，所述的步驟2)具體為：

13)利用支持向量機的Scaling方法，對所用海洋環境因子和SI進行歸一化處理，最小值為0、最大值為1。

4.根據權利要求3所述的一種基于支持向量機的魚類棲息地適宜性指數建模方法，其特征在于，歸一化數據分為訓練數據和預測數據兩個部分，其中訓練數據含有SI數值，而預測數據不含SI值，但是具有驗證模型的漁業產量數據。

5.根據權利要求4所述的一種基于支持向量機的魚類棲息地適宜性指數建模方法，其特征在于，所述的步驟3)具體為：

14)基于支持向量機，對歸一化數據進行處理的訓練數據進行訓練建模，得到SVM HSI模型。

6.根據權利要求5所述的一種基于支持向量機的魚類棲息地適宜性指數建模方法，其特征在于，所述的步驟4)具體為：

15)利用SVM HSI模型對預測數據進行預測，預測的均方根誤差和相關系數，得到對應于每一組海洋環境因子的HSI值；

16)選擇HSI值大于0.6的數據組，將其在GIS環境中顯示，對不同的區域進行預測，并在GIS環境中進行空間可視化顯示及漁場漁情預報。

7.根據權利要求5所述的一種基于支持向量機的魚類棲息地適宜性指數建模方法，其特征在于，所述的步驟14)中的對歸一化數據進行處理的訓練數據進行訓練建模，并進而得到SVM HSI模型，數據處理過程如下：

假設有N個數據對集合其中x_i是第i個數據，其輸出模式為已知并且y_i∈{-1,+1}，即輸出為二元值，那么二元值的決策方程表達為：

式(1)中，sgn決策規則，W是向量的權重，W＝(w₁,w₂,…,w_n)，β是超平面的權重向量，并且<W·x>+β＝0；

在支持向量機SVM中，最優化問題解析式可以表達為：

minW,β,ϵJ(W,β,ϵ)=12WTW+12CΣi=1Nϵi---(2)]]>

式(2)和(3)中，是非線性方程，用于將輸入空間映射到高維特征空間，ε_i是限制因子，滿足用于決定訓練誤差和SVM模型的泛化能力；

此外，用拉格朗日方程來解決上述最優化問題，該方程定義如下：

式(4)中，α_i是拉格朗日乘數；

進一步，最優解的條件進行微分，轉化為：

通過消除ε_i和W，最優化問題重新表達為下列線性方程：

0yTyΩ+C-1Iβα‾=01N---(6)]]>

式(6)中，Ω＝ZZ^T，而且y＝[y₁,y₂,…,y_N]^T、1_N＝[1,1,…,1、α＝[α₁,α₂,…,α_N]；根據Mercer條件，矩陣Ω＝ZZ^T表達為核函數：

核函數的選擇選擇存在多種可能性，選擇高斯徑向基核函數RBF，該函數表達為：

K(x,x_i)＝exp{-||x-x_i||²/2σ²} (8)

式(8)中，σ為反映數據分布性質的常數；

根據上述條件，式(1)中的問題可以通過解決方程(6)和方程(7)中的分類問題，進而表達為二元分類器，進一步在高維特征空間中將HSI建模數據進行分類，即分類與魚類棲息地適宜和不適宜；

最后，式(1)中的決策方程重新表達為二元分類器：

f(x)=sgn[Σi=1NαiyiK(x,xi)+β]---(9).]]> 3