基于人工神经网络的赤潮预测方法研究【开题报告+文献综述+毕业论文】

《基于人工神经网络的赤潮预测方法研究【开题报告+文献综述+毕业论文】》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、毕业论文本科毕业论文开题报告计算机科学与技术基于人工神经网络的赤潮预测方法研究一、综述本课题国内外研究动态，说明选题的依据和意义人工神经网络研究半个多世纪以来，经历了马鞍型发展过程。在最为艰难的时期仍有不少有志之士在及其艰难的条件下坚持研究，并在模型建立等理论方面取得了突破性的成果，时至今日人工神经网络成了信息领域的热门研究课题。1第一阶段---初始发展期（20世纪40年代~20世纪60年代）早在1943年，美国心里学家McCulloch和数学家Pitts联合提出了形成神经元的模型，即B-P模型，从此开创了神经科学理论研究的新纪元。M-P模

2、型能够完成有限的逻辑运算。1944年，心里学家Hebb提出了改变神经元间连接强度的Hebb规则，他们至今仍在各种神经网络模型中起着重要作用。1957年，计算机科学家Rosenblatt用硬件完成了最早的神经网络模型，即，感知器（Perception），并用在模拟生物的感知和学习能力。1962年，电机工程师Windrow和Hoff提出的自适应新型原件Adaline，他是一个连续取值的新型网络，在信号处理系统中用于抵消通讯中的回波和噪声，应用十分广泛。2第二阶段----低谷期（20世纪60年代末~20世纪70年代末）1969年，人工智能之父Mi

3、nskey和Papert发表的《感知器（Perdeptron）》一书指出，感知器无科学价值而言，连XOR逻辑分类都做不到，只能做线性划分。由于Minskey在学术界的地位和影响，故其后若干年内，这一研究放心啊个处于低潮。另一方面，传统的冯.诺依曼电子数字计算机正处于发展的全盛期，整个学术界都陶醉在成功的喜悦之中，从而掩盖了新型计算机发展的必然。3第三阶段----兴盛期（20世纪80年代以后）21毕业论文上世纪70年代末期，研究和属兔模拟视听觉的人工只能专家首先遇到挫折，人们习以为常的知识无法教给计算机，计算机的设计者和制造商也发现前面有不可

4、逾越的线路微型化的物理局限，人们才开始思考冯诺依曼机到底还能走多远，同时，VLSI、脑科学、生物学、光学的发展也为神经网络的发展打下了基础。1982年，加州大学的物理学家Hopfield提出了Hopfield网络模型，并用电路实现，1985年，Rumellart提出了BP算法，把学习结果反馈到隐层，来改变权系矩阵，他是迄今为止最普遍的网络。Hinton等人提出了Botzman机模型。1988年蔡少堂提出了细胞神经网络模型。神经网络理论的应用已经渗透到各个领域，并在只能控制、模式识别、计算机视觉、自适用滤波、信号处理、非线性优化、语音识别、知

5、识处理、传感技术与机器人等方面取得了令人鼓舞的进展。神经网络代表一种新的主义，即，连接主义，用于解决诸如知识表达、推理学习、联想记忆、乃至复杂大腕儿社会现象，如混沌，社会演变等复杂系统的统一模型，它将预示着新的工业的到来。赤潮是一种由多因素综合作用引发的生态异常现象，具有突发性及非线性等特点，对其进行预测预报一直是海洋科学研究的热点。近年来，赤潮发生的频率越来越高。据统计，我国自1990--1998年间沿海发生的有害赤潮达234次，对海洋渔业、海水养殖业及滨海旅游业等均造成一定的危害，经济损失严重。越来越多的学者开展了赤潮研究，以求尽早弄清

6、赤潮发生机理并准确进行预报。鉴于赤潮发生的复杂性及对其机理的认识，目前常用的预测方法主要依据赤潮影响因子的变化判断其是否发生，它是一个模式识别过程。由于生态系统各因子之间表现出高度的非线性和不确定性，加之难以实现有效的连续监测，因而传统的预测方法真正有效的并不多见。生态数值模型被认为是研究及预报赤潮的发展方向，但由于过多依赖赤潮的生理、生态学机理而限制了其广泛应用。人工神经网络（ArtificialNeuralNetwork）是指由大量与自然神经系统细胞相类似的人工神经元连接而成的网络,其由应用工程技术(计算机手段模拟生物神经网络的结构和功

7、能,实现知识并行分布处理,是一个人工智能信息处理系统"有较高的建模能力和对数据良好的拟合能力。21毕业论文人工神经网络理论在处理非线性模式识别方面已表现出了很好的特性，它具有独特的信息处理和解算能力，适用于机制尚不清楚的高维非线性系统。目前神经网络在生态系统模拟、生态数据处理以及遥感生态参数的提取等方面已经得到广泛应用。二、研究的基本内容，拟解决的主要问题：1．赤潮及赤潮预测。2.介绍神经网络的基本理论，并对本文的建模基础—BP神经网络做详细介绍。3.使用BP网络对选取的赤潮因子样本数据进行建模。4.多组样本验证网络模型，得出结论：神经网络

8、对赤潮因子复杂关系动态预测的可行性。三、研究步骤、方法及措施：1、样本训练集的准备输入输出量的选择、提取和表示。输入-输出数据的预处理，训练集的设计。2、网络结构的设计确定隐层数