[发明专利]一种基于贝叶斯网络模型的渔场预报方法

权利要求书

1.一种基于贝叶斯网络模型的渔场预报方法，其特征在于，包括以下步骤：

（1）对渔场环境的各个历史海洋信息数据集进行离散化处理；

（2）建立贝叶斯网络结构图和贝叶斯网络中节点之间的条件概率表；

（3）选取最优学习算法得到的贝叶斯网络结构图来计算渔场的后验概率分布公式；

（4）根据得到的后验概率分布公式对渔场进行预报。

2.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤

（1）中利用分位数的定义，分别对各个环境变量进行了离散化分级处理。

3.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述海洋信息数据包括海表温度、叶绿素浓度、海表温度距平、叶绿素浓度距平和海表温度梯度强度。

4.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤

（2）中建立贝叶斯网络结构图包括以下子步骤：

（21）对修补后的海洋信息数据进行等值线和等值面绘图；

（22）用标注形式显示出海洋信息，用不同颜色分级来显示等值面分布，使渔场的各个环境数据分别存储在不同图层；

（23）对不同图层进行叠加获得贝叶斯网络结构图。

5.根据权利要求4所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤

（21）中的海洋信息通过反距离权重法进行修补。

6.根据权利要求4所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤

（22）中等值线采用先提取等值线粗集，再细化的方式进行绘制或通过规则三角网或四边形进行等值的搜索生成。

7.根据权利要求4所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤

（22）中的图层以栅格和矢量数据的结合形式展现。

8.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤

（3）中的最优学习算法通过将离散化的数据分为学习数据集和测试数据集两部分，选用不同的学习算法，并用两种以上的函数进行评分，筛选出评分最高的学习算法获得的。

9.根据权利要求1所述的基于贝叶斯网络模型的渔场预报方法，其特征在于，所述步骤

（3）中的最优学习算法为基于约束的结构学习算法。