基于神经网络和VMS的渔船捕捞类型辨别

郑巧玲, 樊伟, 张胜茂, 张衡, 王晓旋, 郭刚刚

郑巧玲, 樊伟, 张胜茂, 张衡, 王晓旋, 郭刚刚. 基于神经网络和VMS的渔船捕捞类型辨别[J]. 南方水产科学, 2016, 12(2): 81-87. DOI: 10.3969/j.issn.2095-0780.2016.02.012
引用本文: 郑巧玲, 樊伟, 张胜茂, 张衡, 王晓旋, 郭刚刚. 基于神经网络和VMS的渔船捕捞类型辨别[J]. 南方水产科学, 2016, 12(2): 81-87. DOI: 10.3969/j.issn.2095-0780.2016.02.012
ZHENG Qiaoling, FAN Wei, ZHANG Shengmao, ZHANG Heng, WANG Xiaoxuan, GUO Ganggang. Identification of fishing type from VMS data based on artificial neural network[J]. South China Fisheries Science, 2016, 12(2): 81-87. DOI: 10.3969/j.issn.2095-0780.2016.02.012
Citation: ZHENG Qiaoling, FAN Wei, ZHANG Shengmao, ZHANG Heng, WANG Xiaoxuan, GUO Ganggang. Identification of fishing type from VMS data based on artificial neural network[J]. South China Fisheries Science, 2016, 12(2): 81-87. DOI: 10.3969/j.issn.2095-0780.2016.02.012

基于神经网络和VMS的渔船捕捞类型辨别

基金项目: 

上海市科学技术委员会长三角科技联合攻关领域项目 15595811000

中央级公益性科研院所基本科研业务费专项资金项目 东海水产研究所2014T13

详细信息
    作者简介:

    郑巧玲(1991-),女,硕士研究生,从事渔业GIS、船位数据挖掘研究。E-mail: zqlxinlang@163.com

    通讯作者:

    张胜茂(1976-),男,博士,副研究员,从事渔业遥感与地理信息系统研究。E-mail: ryshengmao@126.com

  • 中图分类号: S973.1+9

Identification of fishing type from VMS data based on artificial neural network

  • 摘要:

    不合理的捕捞方式会导致海洋渔业资源衰退以及海洋生态环境破坏。近年来,渔船监测系统已被用于渔船安全监督、渔业资源管理、海洋生态环境保护等方面。文章以中国近海15艘流刺网渔船、39艘拖网渔船、24艘流动张网渔船共78个样本为研究对象, 以BP(back propagation)神经网络为研究模型,借助2014年北斗渔船监测系统(VMS)中对应渔船的航速和航向数据对其作业方式进行辨别。结果显示,基于航速和航向的渔船作业方式辨别正确率分别为93.6%和91%,两者均能较好地对捕捞类型进行分类,且航速的分类精度高于航向。拖网和流动张网渔船分类的正确率在90%以上,而流刺网渔船仅为70%,原因可能是流刺网在空间上的移动较复杂,减弱了航速和航向变化的规律性。

    Abstract:

    Unreasonable fishing ways lead to decay of marine fishery resources and destruction of marine ecological environment. In recent years, vessel monitoring system has been used for vessel safety supervision, fishery resources management, marine ecological environment protection, etc. The paper selects 78 vessels fishing in offshore China, including 15 flow gill net fishing boats, 39 trawlers and 24 flow stow net fishing boats and used BP neural network as model to identify fishing type by speed and azimuth from Beidou VMS data in 2014. Results show that the correct rates of identification based on speed were 93.6% and 91%, both could classify fishing types well. For trawler and flow stow net fishing boats, the correct classification were both over 90%, but that of flow gill net fishing boat was only about 70%, which might be resulted from insufficient network training, or speed and lack of characteristic azimuth data.

  • 红树林区具有保育海洋生物多样性、水体净化等重要的生态功能,是沿海渔业的天然育苗场。但由于围垦红树林开发水产养殖和掠夺性采捕动植物资源导致中国红树林面积急剧减少,生物多样性受到严重威胁,生态价值急剧降低。因此在红树林区,尤其是受台风及人为破坏的受损红树林区,进行一些珍稀鱼类的人工生态保育,增养殖其资源,同时增加红树林区直接生态经济效益具有重要的意义。鉴于此,广西红树林研究中心研发了一套地埋管网系统(国内专利号201010606442.2)并在广西北仑河口全日潮红树林区成功运行多年(全称为“地埋管道红树林原位生态养殖系统”),该系统铺设于红树林滩涂地表下(不破坏红树林),是一种利用潮汐能实现水体自更新的红树林区生态养殖与生物多样性保育系统[1-2]。涨潮时系统淹没于自然海水进行蓄水,退潮后系统依靠蓄水池更新养殖水体,其经济效益每公顷年产值在31 000~51 000美元之间[3]。该系统已在广西全日潮区应用的工程构建、生态保育原理及维持机制方面取得了一些研究成果[3-5]。但其能否在半日潮地区推广应用以及推广效果如何,尤其在生态保育方面尚缺乏相关研究。

    中华乌塘鳢(Bostrychus sinensis)是红树林区的珍贵鱼种之一,素有人参鱼之称,具有极高的营养价值。本研究通过在湛江半日潮红树林区构建地埋式管网系统对中华乌塘鳢进行生态保育,探讨不同保育密度对其生长特性、抗氧化和非特异性免疫功能的影响,旨在为中华乌塘鳢增养殖选取适宜的保育密度提供理论基础和科学依据,也为地埋管网系统在其他地区的运行评价及推广应用提供科学参考。

    本实验采用的地埋管网系统位于广东省湛江市麻章区太平镇塘东村海岸高潮带(110°10′50″E,21°0′3″N)受损红树林区,于2017年3月20日完成构建,共13个生态保育窗口(一体化玻璃钢窗口)供实验使用,各窗口外部环境条件一致,每个保育窗口容积约为3.8 m3

    实验投放中华乌塘鳢为同一批次苗种,于2017年4月29日由广西红树林研究中心提供并于当天暂时养殖于供试地埋式管网生态养殖系统中的纳潮塘中,种苗平均初始体质量为(45.39±2.36) g,平均初始体长为(12.51±0.35) cm。

    实验设3个中华乌塘鳢保育密度组:A组、B组和C组。初始密度为A组360尾·窗口–1(4.3 kg·m–3)、B组420尾·窗口–1(5.0 kg·m–3)、C组480尾·窗口–1(5.7 kg·m–3),每组设3个重复,各密度组间交错位置排列。鱼苗在池塘暂养3 d后按设置密度分苗放养,于2017年5月1日开始实验。饵料主要是冰冻及鲜活的小杂鱼、虾,每天退潮后喂养1次。饵料用绞肉机绞碎,少量分批次投喂,盛于塑料篮悬挂于窗口内,观察鱼摄食情况,若摄食减慢,篮底有少量残饵,停止投喂,记录本次投饵量(投喂量掌握在鱼体质量的5%~12%)。窗口每20 d清淤泥1次,同时进行个体体质量和体长测量。保育养殖实验为期80 d。

    在养殖第20、第50和第80天从各保育窗口随机各取3尾鱼(采样前12 h停止投喂饵料),用MS-222 (100 mg·L–1) 快速麻醉,避免人为刺激影响指标的测定,解剖取肝脏,置于液氮速冻后移入– 80 ℃冻存,用于各项生理生化指标测定。超氧化物歧化酶(SOD)采用黄嘌呤氧化酶法(羟胺法)测定,丙二醛(MDA)采用TBA法测定,溶菌酶(LZM)采用试管比浊法测定,所用试剂盒购自南京建成生物工程研究所。

    SOD活性(U·mg–1)=[(对照管OD值-测定管OD值)/对照管OD值]×反应体系的稀释倍数÷50%÷待测样本蛋白质量浓度(mg·mL–1)

    MDA摩尔质量浓度(nmol·mg–1)=[(测定管OD值-测定空白管OD值)/(标准管OD值-标准空白OD值)]×标准品浓度(10 nmol·mL–1)×10%蛋白质量浓度(mg·mL–1)

    LZM活性(U·mg–1)=[(测定管透光度UT2-测定透光度UT0)/(标准管透光度ST2-标准透光度ST0)]×标准品浓度(200 U·mL–1)×样本测试前稀释倍数

    式中UT0为测定管加应用菌液反应5 s时的透光度,UT2为测定管加应用菌液反应2 min 5 s时的透光度,ST0为标准管加应用菌液反应5 s时的透光度,ST2为标准管加应用菌液反应2 min 5 s时的透光度。

    变异系数(coefficient of variation,CV)=SD/W (或L)×100%

    特定生长率(specific growth rate,SGR,d–1)=(lnW2-lnW1)/(t2t1)×100%

    体长增长率(length gain ratio,LGR)=(L2L1)/L1×100%

    日增重(daily weight gain,DWG,g·d–1)=(W2W1)/(t2t1)

    增重率(weight gain ratio,WGR)=(W2W1)/W1×100%

    肥满度(condition factor,CF,g·cm–3)=W/L3

    成活率(survival rate,SR)=n/N×100%

    饵料转化率(feed conversion ratio,FCR)=C/[n(W2W1)]×100%

    式中SD为标准差,W为平均体质量,L为平均体长,W1W2为时间t1t2时的体质量(g),L1L2为时间t1t2时的体长(cm),N为实验初始鱼的总数量,n为实验结束时鱼的总数量,C为投饵量(g)。

    用SPSS 19.0统计软件对所采集的数据进行差异显著性分析,P<0.05为差异显著,P<0.01为差异极显著,所得数据均用“平均值±标准差($ \overline X \pm {\rm SD}$)”表示。

    C组终末体质量、终末体长均最小,分别为(73.09±9.52) g、(14.53±0.77) cm,显著低于A组的终末体质量(P<0.05,表1)。各密度组中华乌塘鳢的特定生长率、体长增长率、平均日增重以及增重率都随密度的增大而有所降低,但各组间差异不显著(P>0.05)。各密度组中华乌塘鳢肥满度随实验进行有所增加,但各组间差异也不显著(P>0.05)。饵料转化率随着密度增加而升高,且C组显著高于A组(P<0.05)。实验开始各密度组中华乌塘鳢生长速度差异不显著,在实验第80天,A组体质量显著大于C组(P<0.05,图1)。

    表  1  不同保育密度下中华乌塘鳢的生长指标
    Table  1.  Growth index of B.sinensis at different stocking densities
    指标
    parameter
    密度组 density group
    A B C
    初始体质量/g initial body mass 45.39±2.36 45.39±2.36 45.39±2.36
    终末体质量/g final body mass 86.08±6.20a 82.22±8.97ab 73.09±9.52b
    初始体长/g initial body length 12.51±0.35 12.51±0.35 12.51±0.35
    终末体长/g final body length 15.33±0.73 14.83±0.84 14.53±0.77
    初始肥满度/g initial condition factor 2.33±0.26 2.33±0.26 2.33±0.26
    终末肥满度/g final condition factor 2.41±0.32 2.54±0.32 2.39±0.36
    特定生长率/% SGR 0.80±0.30 0.74±0.38 0.60±0.17
    体长增长率/% LGR 5.24±2.71 4.35±1.24 3.97±2.30
    日增重/g·d–1 DWG 0.51±0.25 0.46±0.27 0.35±0.14
    增重率/% WGR 17.51±6.91 16.25±8.25 12.69±3.79
    成活率/% SR 96.9±1.83 94.9±2.03 96.0±1.89
    饵料转化率/% FCR 318.39±6.32a 334.92±7.43ab 364.14±3.35b
     注:同行上标相同小写字母或无字母表示差异不显著(P>0.05),不同小写字母表示差异显著(P<0.05)  Note: The values with the same or no lowercase superscripts within the same row indicate insignificant difference (P>0.05), while the values with different lowercase superscripts indicate significant difference (P<0.05).
    下载: 导出CSV 
    | 显示表格
    图  1  不同保育密度下中华乌塘鳢体质量变化
    相同小写字母或无字母表示组间差异不显著(P>0.05),不同小写字母表示组间差异显著(P<0.05),后图同此
    Figure  1.  Variation of body mass of B.sinensis at different stocking densities
    The values with the same or no lowercase superscripts indicate insignificant difference between groups (P>0.05), while the values with different lowercase superscripts indicate significant difference between groups (P<0.05). The same case in the following figures.

    各密度组中华乌塘鳢的体质量变异系数初始为5.20%,终末时A组为7.21%、B组为11.24%、C组为13.02%,A组显著小于B组、C组(P<0.05,图2)。各密度组体长变异系数初始为2.82%,终末时为A组为4.79%、B组为5.66%、C组为5.27%,各密度组间无显著性差异(P>0.05)。

    图  2  不同保育密度下中华乌塘鳢体质量、体长的变异系数
    Figure  2.  Coefficient of variation for body mass and body length of B.sinensis at different stocking densities

    养殖期间A组SOD活性显著高于B组、C组(P<0.05)。A组、C组SOD活性随着时间的推移无显著性差异(P>0.05,图3-a)。B组随着时间的推移第80天SOD活性显著高于第50、第20天(P<0.05),各密度组丙二醛含量随着时间的推移呈现上升趋势,且养殖期间A组丙二醛含量显著低于B组、C组(P<0.05,图3-b)。

    图  3  保育密度对中华乌塘鳢超氧化物歧化酶活性、丙二醛含量和溶菌酶活性的影响
    Figure  3.  Effects of different stocking densities on activity of superoxide dismutase, malondialdehyde content and lysozyme activity in B.sinensis

    A组溶菌酶活性随时间呈现不断上升趋势,差异显著(P<0.05);且后期(第80天) A组出现一个相当高的增长,但B组与C组间差异不显著(P>0.05,图3-c)。B组溶菌酶活性前期(第20天)、中期(第50天)、后期(第80天) 不存在显著性差异(P>0.05)。C组溶菌酶活性呈现较小幅度升高。各密度组间溶菌酶活性顺序为A组>B组>C组,A组显著高于C组(P<0.05)。

    本实验研究结果表明,各密度组间中华乌塘鳢的终末体长、特定生长率、体长增长率、日增重和增重率无显著性差异。首先,由于初始保育密度较低,各密度组窗口中华乌塘鳢均有足够的生活空间;其次,地埋管网系统能通过水体自更新提供较优良的水质条件和适宜的生境[6-7];再者,相比其他经济性鱼类,中华乌塘鳢生长速率较慢[8]

    实验结束时C组终末体质量显著小于A组,推测原因一方面是保育密度的增加促使鱼体产生胁迫反应,遭受胁迫后会自发改变内在的生理状态进而适应环境变化,但是当压力超过其生理调节范围时,就会形成危害,导致其生长受到一定抑制[9];另一方面,较高的保育密度会加剧鱼对饵料和生活空间等资源的竞争[10],进而使中华乌塘鳢要消耗更多的能量用于调节生理功能和行为活动,用于生长的能量相应减少,导致其生长发育缓慢。这也是本研究中高密度组(C组)饵料转化率会显著大于低密度组(A组)的原因。对其他鱼类的研究也都表明饵料转化率会随保育密度的增加显著性增大,如杂交鲟 [西伯利亚鲟♀(Acipenser baerii)×施氏鲟♂(A.schrenckii)][11]、大菱鲆(Scophthalmus maximus)[12]等,本研究也得到相似结果。

    中华乌塘鳢属凶猛的肉食性鱼,在饵料不足和大小差异较大时会出现互相残杀现象[13],相比其他经济性鱼类,较高的保育密度更易加剧种群内部对生存空间和饵料等资源的竞争。生长离散通常表现在体长和体质量两个方面,中华乌塘鳢属较小型经济鱼类,因此在本研究中,各密度组间体长变异系数无显著差异,但随着保育密度的增加各密度组间终末体质量变系数升高,A组终末体质量变异系数显著低于B组、C组。这与宋志飞[14]、乔玮等[12]、Irwin等[15]对俄罗斯鲟(A.gueldenstaedti)及大菱鲆的研究结果相似。

    SOD对机体的氧化与抗氧化平衡起重要的作用,它能清除超氧阴离子自由基,保护细胞免受损伤[16];MDA是脂质过氧化物的最终分解产物,MDA含量升高实际上是自由基产生过多,脂质过氧化反应增强的表现[17],且MDA本身具较强生物毒性,会对机体造成损伤[18]。在本研究中,养殖过程中随着保育密度的增加,A组SOD活性显著高于B组、C组(P<0.05),同时丙二醛含量显著低于C组(P<0.05)。这说明过度提高保育密度,将会导致中华乌塘鳢出现拥挤胁迫,打破机体的自由基动态平衡,影响机体的正常生理状态。

    LZM在抵御外来病原菌方面发挥着重要作用,是反映鱼体非特异性免疫功能的重要指标。有研究表明,鱼体受到急性胁迫后会造成LZM水平升高[19],而慢性胁迫会引起LZM水平降低[20-21]。在本研究中,低密度A组LZM活性一直显著大于高密度C组,说明保育密度应属于一种慢性胁迫,LZM活性随着保育密度的升高会降低。此外,在养殖后期(第80天)低密度A组LZM活性出现一个相当高的增长,推测是因为长期的保育密度胁迫造成非特异性免疫功能的下降。

    湛江半日潮红树林区地埋管网系统80 d的中华乌塘鳢保育实验结果表明,中华乌塘鳢的生长、抗氧化及非特异性免疫功能均处于较佳状况,各组成活率在94.9%以上,证明该地埋管网系统适合于在湛江半日潮红树林区进行推广应用。在较小保育密度时,各保育窗口的增养殖是安全的,不会对中华乌塘鳢的生长和健康状况造成损害性影响;但保育密度越高、时间越长,抑制程度就越深。每窗口保育密度为480尾时,中华乌塘鳢的生长、抗氧化及非特异性免疫功能均会受到一定抑制,因此,在该半日潮红树林区地埋管网系统中采用中华乌塘鳢初期高密度养殖时(单个窗口480尾种苗以上),会引发生长缓慢、生长离散甚至相互咬伤并导致较多个体死亡等问题,建议可在中期(第50天左右)出现一定生长离散现象时及时进行个体分级,调整保育窗口的负载率,保证中华乌塘鳢的生长健康与品质,确保其保育的生态与经济效益。

    致谢: 北斗星通信息服务有限公司提供船位数据,北斗星通公司的孟云龙、徐国明工程师,上海海洋大学汪金涛博士对文章研究提供的北斗数据技术支持和研究方法的指导,谨此致谢!
  • 图  1   拖网、流刺网、流动张网渔船的航速、航向变化

    Figure  1.   Speed and azimuth characteristics of trawl, flow gill net and flow net fishing boats

    图  2   3层BP神经网络拓扑结构

    Figure  2.   Three-layer BP neural network topology

    图  3   分类误差和神经元个数的关系

    Figure  3.   Relationship of classification error and number of neurons

    图  4   基于航速(a)、航向(b)的渔船作业类型分类结果

    Figure  4.   Fishing type classification based on speed (a) and azimuth (b)

    表  1   基于航速的分类混淆矩阵

    Table  1   Confusion matrix of classification based on speed

    目标分类target class
    流刺网 拖网 流动张网 总计/%
    输出分类output class 流刺网gill net 11 0 0 100
    拖网trwal 4 39 1 88.6
    流动张网stow net 0 0 23 100
    总计/% total 73.3 100 95.8 93.6
    下载: 导出CSV

    表  2   基于航向的分类混淆矩阵

    Table  2   Confusion matrix of classification based on azimuth

    目标分类target class
    流刺网 拖网 流动张网 总计/%
    输出分类output class 流刺网gill net 10 0 0 100
    拖网trwal 3 38 1 90.5
    流动张网stow net 2 1 23 88.5
    总计/% total 66.7 97.4 95.8 91.0
    下载: 导出CSV
  • [1]

    The high seas task force OECD, Paris. Fishing vessel monitoring systems: past, present and future[C/OL]. http://www.imcsnet.org/imcs/docs/fishing_vessel_monitoring_systems_past_present_future.pdf. doi: 10.1007/s13437-018-0151-6

    [2]

    MILLS C, ROGERS S I, TASKER M L, et al. Developing the use of satellite fishing vessel monitoring system data in spatial management[C]//ICES J Mar Sci Ann Sci Conference, 2004, 22: 25. https://ieeexplore.ieee.org/document/1505721

    [3]

    VERMARD Y, RIVOT E, MAHÉVAS S, et al. Identifying fishing trip behavior and estimating fishing effort from VMS data using Bayesian Hidden Markov Models[J]. Ecol Model, 2010, 221(17): 1757-1769. https://www.academia.edu/19781776/Identifying_fishing_trip_behaviour_and_estimating_fishing_effort_from_VMS_data_using_Bayesian_Hidden_Markov_Models

    [4]

    WALKER E, BEZ N. A pioneer validation of a state-space model of vessel trajectories (VMS) with observers' data[J]. Ecol Model, 2010, 221(17): 2008-2017. doi: 10.1016/j.ecolmodel.2010.05.007

    [5] 张胜茂, 唐峰华, 张衡, 等. 基于北斗船位数据的拖网捕捞追溯方法研究[J]. 南方水产科学, 2014, 10(3): 15-23. doi: 10.3969/j.issn.2095-0780.2014.03.003
    [6]

    MILLS C M, TOWNSEND S E, JENNINGS S, et al. Estimating high resolution trawl fishing effort from satellite-based vessel monitoring system data[J]. ICES J Mar Sci, 2007, 64(2): 248-255. doi: 10.1093/icesjms/fsl026

    [7] 张胜茂, 杨胜龙, 戴阳, 等. 北斗船位数据提取拖网捕捞努力量算法研究[J]. 水产学报, 2014, 38(8): 1190-1199. doi: 10.3724/SP.J.1231.2014.49135
    [8] 张胜茂, 崔雪森, 伍玉梅, 等. 基于北斗卫星船位数据分析象山拖网捕捞时空特征[J]. 农业工程学报, 2015, 31(7): 151-156. doi: 10.3969/j.issn.1002-6819.2015.07.022
    [9]

    HINZ H, PRIETO V, KAISER M J. Trawl disturbance on benthic communities: chronic effects and experimental predictions[J]. Ecol Appl Publi Ecol Soc Am, 2009, 19(3): 761-773. doi: 10.1890/08-0351.1

    [10]

    LAMBERT G I, JENNINGS S, HIDDINK J G, et al. Implications of using alternative methods of vessel monitoring system (VMS) data analysis to describe fishing activities and impacts[J]. ICES J Mar Sci, 2012, 69(4): 682-693. doi: 10.1093/icesjms/fss018

    [11]

    GERRITSEN H D, MINTO C, LORDAN C. How much of the seabed is impacted by mobile fishing gear? Absolute estimates from Vessel Monitoring System (VMS) point data[J]. ICES J Mar Sci, 2013, 70(3): 523-531. doi: 10.1093/icesjms/fst017

    [12]

    SCHMIDT C C. Economic drivers of illegal, unreported and unregulated (IUU) fishing[J]. Int J Mar Coast Law, 2005, 20(3/4): 479-507. doi: 10.1007/978-3-031-16277-0_15

    [13]

    AANES S, NEDREAAS K, ULVATN S. Estimation of total retained catch based on frequency of fishing trips, inspections at sea, transhipment, and VMS data[J]. ICES J Mar Sci, 2011, 68(8): 1598-1605. doi: 10.1093/icesjms/fsr117

    [14]

    JOO R, BERTRAND S, CHAIGNEAU A, et al. Optimization of an artificial neural network for identifying fishing set positions from VMS data: an example from the Peruvian anchovy purse seine fishery[J]. Ecol Model, 2011, 222(4): 1048-59. doi: 10.1016/j.ecolmodel.2010.08.039

    [15]

    RUSSO T, PARISI A, PRORGI M, et al. When behaviour reveals activity: assigning fishing effort to métiers based on VMS data using artificial neural networks[J]. Fish Res, 2011, 111(1/2): 53-64. https://www.academia.edu/25577051/When_behaviour_reveals_activity_Assigning_fishing_effort_to_m%C3%A9tiers_based_on_VMS_data_using_artificial_neural_networks

    [16]

    YANG W, WANG Y, JI Z. Analyses of trawling track and fishing activity based on the data of vessel monitoring system (VMS): a case study of the single otter trawl vessels in the Zhoushan fishing ground[J]. J Ocean Univ China, 2015, 14(1): 89-96. doi: 10.1007/s11802-015-2467-6

    [17]

    HAYKIN S, LIPPMANN R. Neural networks: a comprehensive foundation[J]. Int J Neural Sys, 1994, 5(4): 363-364. doi: 10.1142/S0129065794000372

    [18]

    SCARDI M. Advances in neural network modeling of phytoplankton primary production[J]. Ecol Model, 2001, 146(1/2/3): 33-45. https://www.researchgate.net/publication/222563387_Advances_in_neural_network_modeling_of_phytoplankton_primary_production

    [19]

    BERTRAND S, DÍAZ E, LENGAIGNE M. Patterns in the spatial distribution of Peruvian anchovy (Engraulis ringens) revealed by spatially explicit fishing data[J]. Prog Oceanogr, 2008, 79(2): 379-389. https://www.semanticscholar.org/paper/Patterns-in-the-spatial-distribution-of-Peruvian-by-Bertrand-D%C3%ADaz/daf41ce33526df9f18989f67c8b0982aefe1bb9c

    [20] 邓礼标. 渔船作业方式与商船避让行动[J]. 航海技术, 2004(1): 14-16. doi: 10.3969/j.issn.1006-1738.2004.01.005
    [21] 施闯, 赵齐乐, 李敏, 等. 北斗卫星导航系统的精密定轨与定位研究[J]. 中国科学: 地球科学, 2012, 42(6): 854-861. doi: 10.1360/zd-2012-42-6-854
    [22] 杨元喜, 李金龙, 王爱兵, 等. 北斗区域卫星导航系统基本导航定位性能初步评估[J]. 中国科学: 地球科学, 2014, 44(1): 72-81. doi: 10.1360/zd-2014-44-1-72
    [23]

    MATLAB中文论坛. MATLAB神经网络30个案例分析[M]. 北京: 北京航空航天大学, 2010: 24-25. https://book.douban.com/subject/4816562/

    [24] 王立威. 人工神经网络隐层神经元数的确定[D]. 重庆: 重庆大学, 2012. https://xueshu.baidu.com/usercenter/paper/show?paperid=fce035a08e71002b25a0c648c4538651
  • 期刊类型引用(0)

    其他类型引用(2)

图(4)  /  表(2)
计量
  • 文章访问数: 
  • HTML全文浏览量: 
  • PDF下载量: 
  • 被引次数: 2
出版历程
  • 收稿日期:  2015-08-13
  • 修回日期:  2015-09-10
  • 刊出日期:  2016-04-04

目录

/

返回文章
返回