[发明专利]一种利用海洋遥感多环境要素的集成学习渔场预报方法

摘要

本发明涉及遥感信息渔业应用领域，特别是涉及一种利用海洋遥感多环境要素的集成学习渔场预报方法。本发明针对现有渔场预报模型容易陷入对样本数据的过拟合而降低预报模型的泛化能力的问题，采用集成学习方法，采用多个简单结构的决策树作为元学习机，基于boosting算法进行学习机集成，构建利用海洋遥感多环境要素的集成学习渔场预报方法，每个简单的元学习机只学习特征空间的一个子集，在模型训练过程中会提高已训练的子学习机中预测错误的样本作为后续元学习机样本的权重，以保证各个元学习机的差异度，每个学习机学习不同的特征空间子集信息。本发明可以在提高预测精度的同时降低泛化误差，有效快速准确确定渔场位置。

主权项

一种利用海洋遥感多环境要素的集成学习渔场预报方法，其特征在于，包括步骤：A1，对于获得的渔业环境与生产数据样本集合，按照分层抽样方法，将样本分为若干份，每份样本中分类标签为渔场和非渔场的样本数量比例保持一致；A2，采用简单结构的决策树作为子学习机，基于boosting算法集成学习模型包括M个相互独立的子学习机，M为大于1的正整数，这里，简单结构的决策树是指决策树桩采用一层或两层节点的决策树，boosting集成方法分为以下三个步骤：(1)初始化训练数据的权值分布Wm，对N个学习样本，N为大于1的正整数，每一个训练样本的权值都被初始为W₁(i)＝1/N；(2)依次训练M个基础的子学习机G_m，其中又有：(i)以Wm作为训练数据集的权值分布进行学习，得到基本分类器G_m(X)，并计算其分类误差率e_m和分类器集成权重α_m：$e_m=\underset{\{i:G_m\left(x_i\right)\≠y_i\}}{\Σ}{w}_m\left(i\right)$${\mathrm{\α}}_m=\frac{1}{2}log\frac{1-e_m}{e_m}$(ii)更新训练数据集的权值分布W_m+1：$W_{m+1}\left(i\right)=\frac{W_m\left(i\right)}{Z_m}\exp (-{\mathrm{\α}}_m{y}_i{G}_m(x_i\left)\right)$$Z_m=\underset{i=1}{\overset{N}{\Σ}}{W}_m\left(i\right)\exp (-{\mathrm{\α}}_m{G}_{m\left(x_i\right)}{y}_i)$Z_m为归一化因子，(3)对各个子学习机的结果进行加权平均，作为最终的集成学习模型，$G\left(x\right)=sign\left\{\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\α}}_m{G}_m\left(x\right)\right\}$基于该模型，根据输入的海洋环境信息进行渔场预报。