طراحی سیستم پیش بینی ماهیگیری مبتنی بر شبکه عصبی تابع پایه شعاعی
چکیده
این مقاله طراحی و پیاده سازی سیستم پیش بینی ماهیگیری مبتنی بر تابع پایه شعاعی ( RBF) شبکه عصبی را معرفی می‌کند. سیستم با استفاده از سبک معماری ، Client/Server، زبان برنامه نویسی C# در محیط Visual Studio ۲۰۰۸ در ویندوز ۷، توسعه یافته بود. این سبک، دانش را از نظریه شبکه‌های عصبی RBF، تولید اطلاعات تاریخی شیلات دریایی و داده‌های محیط زیست دریایی استخراج می‌کند. سیستم از تجزیه و تحلیل مبتنی بر هدف و روش طراحی استفاده می‌کند. این می‌تواند به سرعت نتایج پیش بینی که در دسترس کاربران است را از طریق وارد کردن اطلاعات محیط زیست دریایی و مدل شبکه عصبی RBF به دست آورد. سیستم پیش بینی شامل سه مدل عملکردی بزرگ به نام‌های پیش پردازش اطلاعات تولید شیلات، تطبیق داده‌های تولیدی و داده‌های زیست محیطی، آموزش شبکه عصبی RBF و پیش بینی است. آزمایشات نشان داده‌اند که این سیستم پیش‌بینی می‌تواند اطلاعات دقیق و موثر شیلات دریایی تولید کند.
I. مقدمه
پس از سالها توسعه، شیلات دریایی بخش مهمی از برنامه ریزی توسعه شیلات روستایی را در چین دارد. پیش بینی ماهیگیری بیشتر می‌تواند تولید شیلات دریایی را بهبود بخشد. در چین، تعیین کیفیت محیط‌های ماهیگیری با استفاده از ویژگی‌های جامع ماهیگیری و دانش تخصصی ویژگی‌های دریایی صورت می‌گیرد. سنجش دانش پیش بینی ماهیگیری در محیط ماهیگیری با استفاده از رگرسیون خطی انجام می‌گیرد. برای مثال، پروفسور Shen Jinao اطلاعات راجع به ماهیان بال اسبی را در Chenshan در زمستان با ایجاد معادلات پیش بینی با استفاده از رگرسیون خطی چند متغیره پیش بینی کرد. پروفسور Chen Xinjun تجزیه و تحلیل نمود و به رابطه بین صید ماهی مرکب در هر واحد و دمای سطح و ایجاد معادلات خطی دست یافت. زمانی که دو یا چند شاخص پیش بینی وجود دارد، آن‌ها باید معادلات خطی چندگانه را حل کنند. در همین راه توسعه فناوری اطلاعات و تکنولوژی فضایی و اطلاعات دریافتی از ماهواره همچنین نقش مهمی را در شیلات دریایی ایفا می‌کنند. برای مثال، مردم می‌توانند عوامل زیست محیطی دریایی را که به بقای بالای ماهی مربوط است، با استفاده از اسکن سطحی داده‌های مادون قرمز حرارتی از ماهواره هوایی توسط پردازش اطلاعات هوشمند کاهش دهند. عوامل زیست محیطی دریایی اطلاعات ارزشمندتری را در مورد تغییر دریا و مکانیسم تشکیل محیط شیلات فراهم می‌آورند. در حال حاضر، برخی از کاستی‌ها در پیش بینی دانش شیلات وجود دارد. اول، استفاده از روش آنالیز رگرسیون چند گانه نشان می‌دهد که متغیرهای وابسته و مستقل با توزیع نرمال هستند. این برای رسیدن به متغیرهای پویا زیست محیط دریایی آسان نیست. دوم تجزیه و تحلیل عوامل زیست محیطی دریایی با روش پردازش اطلاعات هوشمند می‌تواند به دقت بالاتر پیش بینی برسد، اما این‌ها بیشتر مطالعه تجربی و عینی هستند. برنامه‌های کاربردی کسب و کار کمتری در دانش شیلات و پیش بینی ماهیگیری وجود دارد. در این مقاله استفاده از پردازش اطلاعات هوشمند شبکه عصبی RBF پیشنهاد می‌شود، بردار‌های ورودی عامل زیست محیطی دریایی مربوط به بقای ماهی به عنوان وسیله‌ای برای توسعه یک سیستم پیش بینی ماهیگیری فراهم می‌آید. این رویکرد می‌تواند موجب تجزیه و تحلیل محیط‌های شیلات و پیش بینی ماهیگیری برای برنامه‌های کاربردی کسب و کار شود.
Abstract
This article introduces the design and implementation of a fishery forecasting system based on Radial Basis Function (RBF) neural network. The system was developed using the Client/Server architecture, the C# programming language in the environment of Visual Studio 2008 on the Windows7 platform. It draws knowledge from RBF neural network theory, the production historical data of pelagic fishery and the marine environment data. The system uses the Object-Oriented analysis and design method. It can quickly obtain the forecast results available to users through inputting marine environment data information and the RBF neural network model. The forecasting system includes three major functional modules, namely preprocessing fishery production data, matching production data and environmental data, training RBF neural network and making predictions. Experiments have shown that this forecasting system can generate accurate and effective pelagic fishery knowledge.
I. INTRODUCTION
After many years of development pelagic fishery has become an important part of rural fisheries development planning in China. Fishery forecast can further improve the production of pelagic fishery. In China, determining the fishery grounds quality is by means of comprehensive fishery features and marine characteristics expert knowledge. Forecasting fishery knowledge quantitation in the fishery ground is performed through using Linear Regression. For example, Professor Shen Jinao forecasted the hairtail knowledge at Chenshan in winter with establishing the prediction equations using multivariate linear regression. Professor Chen Xinjun analyzed and researched the relationship between the squid catch per unit effort and seasurface temperature and established the linear equations. When there are two or more predicting indicators they must solve the multiple linear equations. In the same way as the development of information technology and space technology, satellite remote sensing data also plays an important role in marine fishery. For example, people can deduce the marine environmental factors related to the high fish survival using the surface scan thermal infrared data form air satellite by intelligent information processing. The marine environmental factors provide much valuable information in sea change and formation mechanism of fishery ground. At present, there are some shortcomings in forecasting the fishery knowledge. First, using multiple regression analysis method implies that the dependent variables are independent and normally distributed. This is not easy to reach for dynamic marine environment variables. Second analyzing the marine environment factors with the method of intelligent information processing can achieve higher prediction accuracy, but these are more observational and experimental study. There are fewer business applications in fishery knowledge and fishery forecasting. The paper proposes to use the RBF neural network intelligent information processing, to provide marine environment factor input vectors closely related to the survival of fish as a means of developing a fishery forecasting system. This approach can bring the analysis of fishery grounds and fishery forecasting to business applications.
چکیده
I. مقدمه
II. روش‌های طراحی
A. پردازش داده‌ها
B. مفهوم اساسی و اصول
III. طراحی سیستم
A. محیط توسعه سیستم
B. عملکرد ساختار سیستم
IV. سنجش سیستم و تجزیه و تحلیل نتایج
A. آماده سازی داده‌ها
B. سنجش عملیات سیستم
C. تجزیه و تحلیل خطای نسبی پیش بینی
V. کاربرد و چشم انداز
Abstract
I. INTRODUCTION
II. DESIGN’S METHODS AND THOUGH
A. Data Preprocessing
B. Basic Concept And Principle
III. SYETEM DESIGN
A. System development environment
B. Function structure of system
IV. SYSTEM TESTING AND RESULTS ANALYSIS
A. Preparing data
B. Testing system operation
C. Relative error analysis of predicting
V. APPLICATION AND PROSPECT
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه