1.本发明涉及信息技术领域，港口尤其涉及一种港口海洋生物环境互动机理解析模型的海洋环境互动构建方法。
背景技术：
2.解析模型在港口海洋生物环境互动机理领域的生物应用越来越广泛，可以帮助港口海洋生物环境互动机理研究者及时、机理解析建方高效地获取港口海洋生物环境的模型变化，实现解析模型的法流精准构建。目前，港口港口海洋生物环境互动机理解析模型具有数据量庞大、海洋环境互动生物群落多样、生物信息密度大、机理解析建方多学科综合性等特点，模型港口海洋生物环境互动机理解析模型的法流构建存在较多的不确定因素，导致构建的港口解析模型输出的结果存在较大的不确定性。虽然已经构建了一些港口海洋生物环境互动机理的海洋环境互动解析模型，但是生物仍不能有效解决港口海洋生物环境互动机理解析模型输出结果的不确定问题。
技术实现要素：
3.本发明的目的是要提供一种港口海洋生物环境互动机理解析模型的构建方法。
4.为达到上述目的，本发明是按照以下技术方案实施的：
5.本发明包括以下步骤：
6.a在港口海域设置监测站点，实时监测港口海域不同海岸生境类型的环境参数和不同生物类群的生物群落参数，所述生物群落参数包括实时监测站点数据和卫星遥感数据；
7.b对所述环境参数和生物群落参数进行预处理，将预处理后的生物群落参数作为目标对预处理后的环境参数进行特征提取获得环境特征；
8.c根据环境特征提取对应的环境参数获得环境数据，将所述环境数据和生物群落数据输入环境适应度模型，输出环境适应度，包括：
9.a将所述环境数据和预处理后的环境参数嵌入隐藏层，将适应度作为目标，将环境数据纳入适应度模型，构建基于神经网络的环境适应度模型；
10.b利用随机森林算法将所述环境特征和生物群落参数生成训练集和测试集，使用所述训练集训练基于神经网络的环境适应度模型，获得环境适应度；
11.d将所述测试集输入所述环境适应度模型，根据均方误差对环境适应度模型进行评估获得评估结果，当评估结果低于90％时对环境适应度模型进行优化，所述优化包括优化环境适应度模型的学习率和调整环境适应度模型的权重和偏置数值，直到评估结果不低于90％。
12.进一步，所述预处理包括删除环境参数和生物群落参数缺失数据和异常值，对多个同源的环境参数和生物群落参数进行合并。
13.进一步，所述将预处理后的生物群落参数作为目标对预处理后的环境参数进行特征提取获得环境特征的方法，包括：
14.确定所有在数据集中频繁出现得项集；初始化设置，对候选项进行预处理生成候选项集，当候选项集的相关度高于最小相关度时，该候选项集即为频繁项集；
15.扫描预处理后的所述环境参数和生物群落参数后读取的候选项，计算每一项的相关度，生成频繁项，若项集为空则输出频繁项集，反之合成频繁项生成候选项集，
16.对候选项集进行剪枝，再次进行扫描直到遍历所有数据的项集为空；最终输出的结果为特征数最多的频繁项集，其中特征便为环境特征；
[0017][0018]
其中环境参数y与生物群落x的相关度p(x
→
y)，出现生物群落x的概率为p(x)，含有{ x,y}生物群落参数的概率为p(x∪y)。
[0019]
进一步，所述根据均方误差对环境适应度模型进行评估的方法，包括：
[0020]
将测试集划分成k个大小相等的样本子集，依次遍历这k个子集，每次把当前子集作为验证集，其余所有的测试集作为训练集；
[0021]
将训练集输入环境适应度模型获得预测适应度，根据实际适应度与预测适应度的均方误差对环境适应度模型进行评估，均方误差越小环境适应度模型越好，评估为一与均方误差的差值；
[0022]
把k次评估的平均值作为最终的评估结果；
[0023][0024]
其中均方误差为δ，第i个生物群落预测适应度为fi，第i个生物群落的实际适应度为yi，生物群落数有m个。
[0025]
进一步，所述优化环境适应度模型的学习率的方法，包括：
[0026]
给定超参数0≤γ《1，在时间步t》0计算状态变量；通过按元素运算重新调整学习率，再更新生物群落，输出优化后的学习率；
[0027]ct
＝γc
t-1
+(1-γ)v
t
·vt
[0028][0029]
其中t时刻的状态变量为c
t
，t时刻的生物群落为x
t
，t时刻的小批量随机梯度为v
t
，学习率为η，维持数值稳定常数为∈。
[0030]
进一步，所述调整环境适应度模型的权重和偏置数值的方法，包括：
[0031]
初始化生物群落的位置，计算不同海岸生境类型生物群落的适应度，并找出适应度排前的生物群落；计算当前生物群落平均适应度，
[0032]
计算迭代的收敛因子，更新当前生物群落所在的位置；
[0033]
将柯西变异因子引入神经网络，更新生物群落，若达到最大迭代次数，则输出最佳的权重和偏置数值，反之重新计算适应度并找出适应度排前的生物群落；
[0034]
[0035][0036][0037][0038][0039]
其中生物群落x的适应度函数为f(x)，生物数量为n，变异算子为q(x)，权重为ω(t)，影响程度因子为φ，迭代t时群落中最小的适应度f
min
(t)，改进函数为h(t)，生物群落中各群落的当前位置为di(t)，更新后群落的位置为di(t+1)，当前时刻α群落的位置为d
α
，当前时刻β群落的位置为d
β
，当前时刻τ群落的位置为d
τ
，i群落在第t代时的适应度函数为f(di(t))，第t代生物群落中所有群落的适应度平均值为f
avg
，第t代时α、β和τ群落的适应度为f
α
、f
β
和f
τ
，第t代收敛因子为α(t)，最大迭代次数为t
max
。
[0040]
将学习率设置为优化后的值，将环境适应度模型的权重和偏置数值设置为调整后的值，加入差分进化算子，初始化生物种群，计算所有个体的适应度，根据适应度设置每个群落的缩放因子和交叉概率，进行新的迭代直到达到最大迭代次数，输出最优的权重和偏置数值。
[0041]
本发明的有益效果是：
[0042]
本发明是一种港口海洋生物环境互动机理解析模型的构建方法，与现有技术相比，本发明具有以下技术效果：
[0043]
1.本发明通过监测、预处理、特征提取、获得环境适应度和评估环境适应度模型步骤，可以提高解析模型的准确性，从而提高解析模型的精度，将解析模型科学化，提高工作效率，可以实现对港口海洋生物环境互动机理的实时监测，及时发现和处理港口海洋生物环境的变化情况，对港口海洋生物环境互动机理解析模型的构建具有重要意义，可以适应不同环境、不同生物群落的港口海洋生物环境互动机理的解析模型构建需求，具有一定的普适性。
[0044]
2.本发明的方法可以综合考虑港口海洋生物环境互动机理的解析模型的关键参数，利用神经网络算法将解析模型的构建问题转化为优化问题，建立基于神经网络的环境适应度模型，通过对已知预处理数据的训练和神经网络的优化，实现对解析模型构建的准确把控。该方法不仅可以提高解析模型的精度，同时具有较好的可解释性，可以直接应用于港口海洋生物环境互动机理中。
附图说明
[0045]
图1为本发明一种港口海洋生物环境互动机理解析模型的构建方法的步骤流程图。
具体实施方式
[0046]
下面以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
[0047]
本发明港口海洋生物环境互动机理解析模型的构建方法包括以下步骤：
[0048]
如图1所示，在本实施例中，包括以下步骤：
[0049]
a在港口海域设置监测站点，实时监测港口海域不同海岸生境类型的环境参数和不同生物类群的生物群落参数，所述参数一方面来自实时监测站点，另一方面也可以通过遥感数据，包括历史数据、年报数据、年鉴数据、科研数据等都可作为数据源；
[0050]
b对所述环境参数和生物群落参数进行预处理，将预处理后的生物群落参数作为目标对预处理后的环境参数进行特征提取获得环境特征；
[0051]
c根据环境特征提取对应的环境参数获得环境数据，将所述环境数据和生物群落数据输入环境适应度模型，输出环境适应度，包括：
[0052]
a将所述环境数据和预处理后的环境参数嵌入隐藏层，将适应度作为目标，将环境数据纳入适应度模型，构建基于神经网络的环境适应度模型；
[0053]
b利用随机森林算法将所述环境特征和生物群落参数生成训练集和测试集，使用所述训练集训练基于神经网络的环境适应度模型，获得环境适应度；
[0054]
d将所述测试集输入所述环境适应度模型，根据均方误差对环境适应度模型进行评估，当评估低于90％时对环境适应度模型进行优化，所述优化包括先优化环境适应度模型的学习率，再调整环境适应度模型的权重和偏置数值，直到评估不低于90％。
[0055]
在本实施例中，所述预处理包括删除环境参数和生物群落参数缺失数据和异常值，对多个同源的环境参数和生物群落参数进行合并；
[0056]
在实际评估中，将沙滩、礁石和红树林三种海岸生境为作为研究对象，监测生物群落为浮游植物、浮游动物和底栖生物的环境参数和生物群落参数，其中环境参数包括水温、盐度、水质、水流、潮汐、海浪、ph值、溶解氧、底质类型、沉积物性质、水流和太阳辐射，其中生物群落参数包括种类、分布、数量、生长状况和繁殖情况。
[0057]
在本实施例中，所述将预处理后的生物群落参数作为目标对预处理后的环境参数进行特征提取获得环境特征的方法，包括：
[0058]
确定所有在数据集中频繁出现得项集；初始化设置，对候选项进行预处理生成候选项集，当候选项集的相关度高于最小相关度时，该候选项集即为频繁项集；
[0059]
扫描预处理后的所述环境参数和生物群落参数后读取的候选项，计算每一项的相关度，生成频繁项，若项集为空则输出频繁项集，反之合成频繁项生成候选项集，
[0060]
对候选项集进行剪枝，再次进行扫描直到遍历所有数据的项集为空；最终输出的结果为特征数最多的频繁项集，其中特征便为环境特征；
[0061]
[0062]
其中环境参数y与生物群落x的相关度p(x
→
y)，出现生物群落x的概率为p(x)，含有{ x,y}生物群落参数的概率为p(x∪y)；
[0063]
在实际评估中，生物群落参数为x，环境参数为y，若p(x
→
y)＝0.1，表示生物群落参数与环境参数无关联；若p(x
→
y)》0.1，则规则“x
→
y”是有效的关联；若p(x
→
y)《0.1，则规则“x
→
y”是无效的关联；计算得温、盐度、水质、水流、潮汐、海浪、ph值、溶解氧、底质类型、沉积物性质、水流和太阳辐射的相关度分别为0.5377、0.4219、0.4701、0.3502、0.3201、0.3015、0.091、0.087、0.097、0.059、0.074、0.032，得到生物群落参数的环境特征为水温、盐度、水质、水流、潮汐和海浪。
[0064]
在本实施例中，所述根据均方误差对环境适应度模型进行评估的方法，包括：
[0065]
将测试集划分成k个大小相等的样本子集，依次遍历这k个子集，每次把当前子集作为验证集，其余所有的测试集作为训练集；
[0066]
将训练集输入环境适应度模型获得预测适应度，根据实际适应度与预测适应度的均方误差对环境适应度模型进行评估，均方误差越小环境适应度模型越好，评估为一与均方误差的差值；
[0067]
把k次评估的平均值作为最终的评估；
[0068][0069]
其中均方误差为δ，第i个生物群落预测适应度为fi，第i个生物群落的实际适应度为yi，生物群落数有m个；
[0070]
在实际评估中，浮游植物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为79.42％，浮游动物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为82.83％，底栖生物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为77.92％。
[0071]
在本实施例中，所述优化环境适应度模型的学习率的方法，包括：
[0072]
给定超参数0≤γ《1，在时间步t》0计算状态变量；通过按元素运算重新调整学习率，再更新生物群落，输出优化后的学习率；
[0073]ct
＝γc
t-1
+(1-γ)v
t
·vt
[0074][0075]
其中t时刻的状态变量为c
t
，t时刻的生物群落为x
t
，t时刻的小批量随机梯度为v
t
，学习率为η，维持数值稳定常数为∈。
[0076]
进一步，所述调整环境适应度模型的权重和偏置数值的方法，包括：
[0077]
初始化生物群落的位置，计算不同海岸生境类型生物群落的适应度，并找出适应度排前的生物群落；计算当前生物群落平均适应度，
[0078]
计算迭代的收敛因子，更新当前生物群落所在的位置；
[0079]
将柯西变异因子引入神经网络，更新生物群落，若达到最大迭代次数，则输出最佳的权重和偏置数值，反之重新计算适应度并找出适应度排前的生物群落；
[0080][0081][0082][0083][0084][0085]
其中生物群落x的适应度函数为f(x)，生物数量为n，变异算子为q(x)，权重为ω(t)，影响程度因子为φ，迭代t时群落中最小的适应度f
min
(t)，改进函数为h(t)，生物群落中各群落的当前位置为di(t)，更新后群落的位置为di(t+1)，当前时刻α群落的位置为d
α
，当前时刻β群落的位置为d
β
，当前时刻τ群落的位置为d
τ
，i群落在第t代时的适应度函数为f(di(t))，第t代生物群落中所有群落的适应度平均值为f
avg
，第t代时α、β和τ群落的适应度为f
α
、f
β
和f
τ
，第t代收敛因子为α(t)，最大迭代次数为t
max
；
[0086]
在实际评估中，浮游植物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为86.42％，浮游动物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为87.83％，底栖生物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为79.92％；
[0087]
将学习率设置为优化后的值，将环境适应度模型的权重和偏置数值设置为调整后的值，加入差分进化算子，初始化生物种群，计算所有个体的适应度，根据适应度设置每个群落的缩放因子和交叉概率，进行新的迭代直到达到最大迭代次数，输出最优的权重和偏置数值；
[0088]
在实际评估中，优化后的权重和偏置数值后，浮游植物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为90.56％，浮游动物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为92.16％，底栖生物在沙滩、礁石和红树林三个海岸生境的环境适应度模型评估结果为98.22％。
[0089]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。