数据挖掘技术在围网渔业渔情预报中的应用研究——渔情预报中强影响因子的挖掘

摘要

本论文主要研究内容为以下几个方面： (1) 我们改进了传统的基于可辨识矩阵的属性约简算法，采用启发式搜索方法，利用属性在可辨识矩阵中的出现频率作为启发条件，来对决策表进行搜索进而获得约简属性，为了获得较优的约简，在算法中增加了反向删除策略，判断每个约简属性是否独立，直到不能删除为止，最终获得有效的最小约简。这种算法可以有效获得属性集的一个最小约简，而不是传统算法得到的一个约简的超集。 (2) 根据研究得到的新型属性约简算法，对影响围网渔业产量的4种不同类型海洋环境因子：海水温度因子(5个)、海面高度因子(2个)、海面风速因子(1个)和海水叶绿素浓度因子(1个)进行数据挖掘，以得到其中对围网渔业产量影响的核心因子集合。通过收集相应海洋环境因子，经过合适预处理后，得到度量一致，结构统一，赋予有效性的海洋数据集。由于属性约简算法对数据的特殊要求，需要将数值属性的概念层级提升，以获得合适的属性相等标准，故而根据面向属性归纳的思想，对数据集进行数据泛化操作，再利用新型属性约简算法，获得属性集的最小约简。 (3) 根据数据挖掘后的约简属性来建立回归模型，并通过获得的模型来验证属性约简算法获得的强影响因子。 (4) 在整个实验过程中，我们发现针对海洋环境因子数据，我们需要着力解决海洋数据的编码格式统一、度量统一、数据结构统一、可定制化和及时传输等问题，而这些问题随着引入RSS技术，可以得到有效的改善，事实上，USGS(U.S.Geological Survey)已经通过RSS技术来发布关于地震信息的数据了，并且取得了较好的效果。最后提出基于RSS的围网渔业自动化渔情预测软件框架，通过之前数据挖掘研究中书写的两个SQL存储过程结合RSS技术实现自动化的数据收集、数据泛化、约简属性提取，进而建立预测模型。 本文针对传统围网渔业渔情预测方法的缺点，首次综合多种类型海洋环境因子，采用数据挖掘技术中的面向属性归纳和新型属性约简方法，获得多种类型因子中的约简属性，即影响围网产量的强影响因子，进而通过构建回归预测模型进行验证，为渔情预测研究开辟了一条新的道路，也为以后的海洋数据研究工作做出一定的指导。

目录

文摘

英文文摘

声明

引言

第一章 概论

1.1 研究的目的和意义

1.2 国内外研究现状分析

1.2.1 数据挖掘技术在预测应用领域的研究现状分析

1.2.2 围网渔业渔情预报研究现状分析

第二章 数据挖掘方法的介绍

2.1 数据挖掘概念

2.1.1 数据准备

2.1.2 数据挖掘

2.1.3 结果的解释和评估

2.2 面向属性归纳和新的属性约简算法

2.2.1 面向属性归纳

2.2.2 新的属性约简算法

第三章 围网渔情预报中强影响因子的挖掘

3.1 数据准备

3.2 数据收集

3.3 数据预处理

3.3.1 数据评估与数据集成

3.3.2 数据变换

3.3.3 数据选择和数据清除

3.3.4 数据存储和转化的计算机实现

3.4 强影响因子的确定与研究

3.4.1 面向属性归纳的应用

3.4.2 基于可辨识矩阵中属性出现频率的属性约简算法的应用

3.5 预测模型的建立及验证

3.5.1 预测模型建立方法

3.5.2 模型建立过程及结果

3.6 使用预测模型进行强影响因子验证

第四章 基于RSS的围网渔业自动化渔情预测软件框架

4.1 RSS技术简介

4.2 使用RSS技术进行数据共享和传输

4.3 基于RSS的围网渔业自动化渔情预测软件框架

第五章 结论与讨论

5.1 异构数据源中数据收集

5.2 海洋数据预处理

5.3 强影响因子确定方法

5.3.1 面向属性归纳

5.3.2 基于可辨识矩阵中属性出现频率的属性约简算法

5.4 预测建模及对强影响因子的验证

5.5 强影响因子确定的准确性

5.6 不足之处及今后研究方向

参考文献

附录

致谢