中西太平洋鲣栖息地分布的时滞效应研究
这是一篇关于鲣,围网,时滞分析,分布滞后线性模型,长短期记忆模型,渔情预报的论文, 主要内容为鲣(Katsuwonus pelami)种群资源丰富,广泛分布于太平洋、大西洋和印度洋的热带中上层海域,是中西太平洋围网金枪鱼渔业的主要捕捞对象,具有较高商业价值。鲣种群空间分布和丰度动态变化和海洋环境息息相关,传统的鲣栖息地研究中,普遍假设海洋环境对金枪鱼种群丰度的影响是即时性的,但从生态系统的角度而言,生物过程和海洋环境存在复杂的耦合关系,环境对种群集群,摄食,繁殖等行为所产生的影响都存在一定的滞后性,对鲣栖息地分布的时滞效应开展研究,为理解鲣栖息地时空变动的驱动机制提供科学依据。本文基于2013-2020年的中西太平洋围网渔业数据和海洋环境数据开展了两部分研究:第一部分研究选取产量(CATCH)、网次(ACT)与单位捕捞量努力量(Catch Per Unit Effort,CPUE)作为鲣的丰度指标和表征初级生产力的叶绿素浓度a(Chlorophyll-a,CHL-a)构建了分布滞后线性模型(Distributed Lag Linear Models,DLLM),讨论多时空尺度下初级生产力对鲣种群丰度动态变化的时滞影响;第二部分研究首先使用弹性网络模型(Elastic Net,EN)筛选出对鲣栖息地时空变动和丰度有重要解释作用的环境特征,再构建滞后0-1天、0-5天、0-10天和0-15天四种时间步长的长短期记忆模型(Long-Short Term Memory,LSTM),结合随机网格搜索确定最优超参数,通过评价指标确定LSTM的最佳输入步长,完成最佳栖息地分布预测模型的构建并对2020年中西太平洋鲣的栖息地分布进行预测,将预测结果和实际渔场分布进行对比以验证LSTM模型的预测效果,研究结果如下:(1)DLLM模型结果显示,CHL-a和三种丰度指标都存在显著滞后关系,不同时间尺度的选择对种群丰度响应生物环境变化的滞后时间的影响并没有明显规律;不同空间尺度的选择会影响丰度和生物环境之间的滞后关系,在栖息地研究中选择0.25°×0.25°的空间尺度时,初级生产力对丰度的滞后效应不显著,滞后影响时间约为0天,选择0.5°×0.5°、1°×1°、2°×2°、3°×3°、4°×4°和5°×5°的空间尺度时,初级生产力对鲣种群丰度影响的滞后时间区间分别为0-2天、1-4天、2-6天、3-7天、5-10天和7-11天,因此研究认为初级生产力对鲣种群丰度变化的确存在滞后影响且滞后影响的程度与区域空间的大小密切相关。(2)EN模型结果显示,对鲣栖息地丰度时空分布有重要作用的环境变量有14个,包括海表层CHL-a、初级生产力(Net Primary Productivity,NPP)、海温(Sea Surface Temperature,ST);100 m水层的NPP、盐度(Seawater Salinity,SS);150 m水层的溶解氧浓度(Dissolved Oxygen,DO)、ST、SS;200 m水层的DO、ST、地转流流速(Geostrophic Flow Velocity,GCV)以及混合层厚度(Mixed Layer Depth,MLD)和海表面高度(Sea Surface Height,SSH)。(3)网格化随机搜索进行超参数调优的结果显示,在空间尺度为0.25°×0.25°,设置两个隐藏层,输入时间步长为滞后0-5天、输入层和隐藏层神经元数量设置为32、32、32,学习率调整为0.001,L1和L2正则化范数设定为0.0001的情况下,LSTM模型拟合效果最好,模型均方差(Mean Square Error,MSE)值为0.055,平均绝对误差(Mean Absolute Error,MAE)值为0.179,模型R2为33%,说明在空间尺度较小的情况下,海洋环境对栖息地分布存在滞后影响,且滞后影响存续时间较短。(4)LSTM模型预测结果显示,2020年鲣栖息地预测分布范围为5°S-0°N,165°E-180°E,和实际渔场的分布范围7.5°S-5°N,150°E-180°E基本一致;且2020年后半年为La Ni?a事件发生时期,三四季度的栖息地预测分布相较于一二季度预测分布呈现经向上的西移趋势,符合La Ni?a气候异常事件下鲣渔场的空间变动特征。
基于自注意力机制的长短期神经网络推荐模型研究
这是一篇关于个性化推荐系统,隐语义模型,长短期记忆模型,自注意力机制的论文, 主要内容为近年来,随着大数据时代的来临和5G技术的飞跃发展,诸如网易新闻、今日头条、腾讯新闻等在线新闻平台成为人们获取信息的重要媒介。在享受信息便捷的同时,信息过载也逐渐成为人们高效获取信息的巨大壁垒。个性化新闻推荐系统可以帮助用户从海量新闻中浏览到符合其个人喜好的新闻资讯,有效缓解信息过载问题,也可以帮助新闻平台提升用户体验和用户粘性。现有的基于深度神经网络的新闻推荐系统通常会对用户的过往浏览历史行为做统一处理,忽略了用户的长期喜好和短期喜好之间的差别,此举会直接影响用户行为特征提取的准确性。同时,如何准确地捕获用户短期内兴趣迁移现象也是新闻推荐系统中急需解决的难题。论文针对上述问题,研究了基于门控循环单元(Gated Recurrent Unit,GRU)的长短期记忆模型,提出了基于自注意力机制的长短期记忆模型。本文利用隐语义模型(Latent Factor Model,LFM)提取用户的长期喜好,并利用GRU从用户的浏览记录中获得其短期喜好。针对短期内用户兴趣迁移问题,本文采用了基于时间间隔的自注意力机制去表征用户的兴趣迁移程度。论文进一步研究了将上述两种思想结合后的新模型,通过实验验证了本文所提出的基于自注意力机制的长短期记忆模型相较于传统的长短期记忆模型,提升了推荐精准度。具体来说,本文的主要研究从以下三个方面进行:(1)相较于一般模型中直接随机初始化GRU隐藏状态的做法,本文选择利用用户的长期喜好特征初始化GRU。在利用GRU分析用户的浏览记录从而得到用户的短期喜好特征时,该做法不仅可以强化长期喜好的影响,也可以优化模型的训练效果。本文提出的模型利用Word2Vec技术分析新闻标题信息、新闻所属一级类别信息和新闻所属二级类别信息,从而共同构成新闻特征。同时,还加入了基于新闻属性的自注意力机制来调节不同新闻属性的权重,优化新闻特征提取的精准度。(2)本文提出的基于自注意力机制的长短期记忆模型在分别得到用户的长期喜好特征和短期喜好特征后,将二者进行级联,方便在后续预测用户对候选新闻的点击率时,也能够很好地区分两个喜好。本文同时提出了一种基于时间间隔的自注意力机制,通过考虑两条新闻之间的时间间隔信息来缓解用户兴趣迁移现象。该注意力机制可以调节两条用户已浏览过的新闻之间的注意力权重,确保时间相隔越远的两条新闻之间的相关程度会越小。(3)基于两组真实的公开数据集,将本文所提的改进模型与新闻推荐领域内的四种常用模型进行对比。实验结果表明,在不同的数据集上本文提出的基于自注意力机制的长短期记忆模型都具有良好的推荐效果。
基于自注意力机制的长短期神经网络推荐模型研究
这是一篇关于个性化推荐系统,隐语义模型,长短期记忆模型,自注意力机制的论文, 主要内容为近年来,随着大数据时代的来临和5G技术的飞跃发展,诸如网易新闻、今日头条、腾讯新闻等在线新闻平台成为人们获取信息的重要媒介。在享受信息便捷的同时,信息过载也逐渐成为人们高效获取信息的巨大壁垒。个性化新闻推荐系统可以帮助用户从海量新闻中浏览到符合其个人喜好的新闻资讯,有效缓解信息过载问题,也可以帮助新闻平台提升用户体验和用户粘性。现有的基于深度神经网络的新闻推荐系统通常会对用户的过往浏览历史行为做统一处理,忽略了用户的长期喜好和短期喜好之间的差别,此举会直接影响用户行为特征提取的准确性。同时,如何准确地捕获用户短期内兴趣迁移现象也是新闻推荐系统中急需解决的难题。论文针对上述问题,研究了基于门控循环单元(Gated Recurrent Unit,GRU)的长短期记忆模型,提出了基于自注意力机制的长短期记忆模型。本文利用隐语义模型(Latent Factor Model,LFM)提取用户的长期喜好,并利用GRU从用户的浏览记录中获得其短期喜好。针对短期内用户兴趣迁移问题,本文采用了基于时间间隔的自注意力机制去表征用户的兴趣迁移程度。论文进一步研究了将上述两种思想结合后的新模型,通过实验验证了本文所提出的基于自注意力机制的长短期记忆模型相较于传统的长短期记忆模型,提升了推荐精准度。具体来说,本文的主要研究从以下三个方面进行:(1)相较于一般模型中直接随机初始化GRU隐藏状态的做法,本文选择利用用户的长期喜好特征初始化GRU。在利用GRU分析用户的浏览记录从而得到用户的短期喜好特征时,该做法不仅可以强化长期喜好的影响,也可以优化模型的训练效果。本文提出的模型利用Word2Vec技术分析新闻标题信息、新闻所属一级类别信息和新闻所属二级类别信息,从而共同构成新闻特征。同时,还加入了基于新闻属性的自注意力机制来调节不同新闻属性的权重,优化新闻特征提取的精准度。(2)本文提出的基于自注意力机制的长短期记忆模型在分别得到用户的长期喜好特征和短期喜好特征后,将二者进行级联,方便在后续预测用户对候选新闻的点击率时,也能够很好地区分两个喜好。本文同时提出了一种基于时间间隔的自注意力机制,通过考虑两条新闻之间的时间间隔信息来缓解用户兴趣迁移现象。该注意力机制可以调节两条用户已浏览过的新闻之间的注意力权重,确保时间相隔越远的两条新闻之间的相关程度会越小。(3)基于两组真实的公开数据集,将本文所提的改进模型与新闻推荐领域内的四种常用模型进行对比。实验结果表明,在不同的数据集上本文提出的基于自注意力机制的长短期记忆模型都具有良好的推荐效果。
基于自注意力机制的长短期神经网络推荐模型研究
这是一篇关于个性化推荐系统,隐语义模型,长短期记忆模型,自注意力机制的论文, 主要内容为近年来,随着大数据时代的来临和5G技术的飞跃发展,诸如网易新闻、今日头条、腾讯新闻等在线新闻平台成为人们获取信息的重要媒介。在享受信息便捷的同时,信息过载也逐渐成为人们高效获取信息的巨大壁垒。个性化新闻推荐系统可以帮助用户从海量新闻中浏览到符合其个人喜好的新闻资讯,有效缓解信息过载问题,也可以帮助新闻平台提升用户体验和用户粘性。现有的基于深度神经网络的新闻推荐系统通常会对用户的过往浏览历史行为做统一处理,忽略了用户的长期喜好和短期喜好之间的差别,此举会直接影响用户行为特征提取的准确性。同时,如何准确地捕获用户短期内兴趣迁移现象也是新闻推荐系统中急需解决的难题。论文针对上述问题,研究了基于门控循环单元(Gated Recurrent Unit,GRU)的长短期记忆模型,提出了基于自注意力机制的长短期记忆模型。本文利用隐语义模型(Latent Factor Model,LFM)提取用户的长期喜好,并利用GRU从用户的浏览记录中获得其短期喜好。针对短期内用户兴趣迁移问题,本文采用了基于时间间隔的自注意力机制去表征用户的兴趣迁移程度。论文进一步研究了将上述两种思想结合后的新模型,通过实验验证了本文所提出的基于自注意力机制的长短期记忆模型相较于传统的长短期记忆模型,提升了推荐精准度。具体来说,本文的主要研究从以下三个方面进行:(1)相较于一般模型中直接随机初始化GRU隐藏状态的做法,本文选择利用用户的长期喜好特征初始化GRU。在利用GRU分析用户的浏览记录从而得到用户的短期喜好特征时,该做法不仅可以强化长期喜好的影响,也可以优化模型的训练效果。本文提出的模型利用Word2Vec技术分析新闻标题信息、新闻所属一级类别信息和新闻所属二级类别信息,从而共同构成新闻特征。同时,还加入了基于新闻属性的自注意力机制来调节不同新闻属性的权重,优化新闻特征提取的精准度。(2)本文提出的基于自注意力机制的长短期记忆模型在分别得到用户的长期喜好特征和短期喜好特征后,将二者进行级联,方便在后续预测用户对候选新闻的点击率时,也能够很好地区分两个喜好。本文同时提出了一种基于时间间隔的自注意力机制,通过考虑两条新闻之间的时间间隔信息来缓解用户兴趣迁移现象。该注意力机制可以调节两条用户已浏览过的新闻之间的注意力权重,确保时间相隔越远的两条新闻之间的相关程度会越小。(3)基于两组真实的公开数据集,将本文所提的改进模型与新闻推荐领域内的四种常用模型进行对比。实验结果表明,在不同的数据集上本文提出的基于自注意力机制的长短期记忆模型都具有良好的推荐效果。
中西太平洋鲣栖息地分布的时滞效应研究
这是一篇关于鲣,围网,时滞分析,分布滞后线性模型,长短期记忆模型,渔情预报的论文, 主要内容为鲣(Katsuwonus pelami)种群资源丰富,广泛分布于太平洋、大西洋和印度洋的热带中上层海域,是中西太平洋围网金枪鱼渔业的主要捕捞对象,具有较高商业价值。鲣种群空间分布和丰度动态变化和海洋环境息息相关,传统的鲣栖息地研究中,普遍假设海洋环境对金枪鱼种群丰度的影响是即时性的,但从生态系统的角度而言,生物过程和海洋环境存在复杂的耦合关系,环境对种群集群,摄食,繁殖等行为所产生的影响都存在一定的滞后性,对鲣栖息地分布的时滞效应开展研究,为理解鲣栖息地时空变动的驱动机制提供科学依据。本文基于2013-2020年的中西太平洋围网渔业数据和海洋环境数据开展了两部分研究:第一部分研究选取产量(CATCH)、网次(ACT)与单位捕捞量努力量(Catch Per Unit Effort,CPUE)作为鲣的丰度指标和表征初级生产力的叶绿素浓度a(Chlorophyll-a,CHL-a)构建了分布滞后线性模型(Distributed Lag Linear Models,DLLM),讨论多时空尺度下初级生产力对鲣种群丰度动态变化的时滞影响;第二部分研究首先使用弹性网络模型(Elastic Net,EN)筛选出对鲣栖息地时空变动和丰度有重要解释作用的环境特征,再构建滞后0-1天、0-5天、0-10天和0-15天四种时间步长的长短期记忆模型(Long-Short Term Memory,LSTM),结合随机网格搜索确定最优超参数,通过评价指标确定LSTM的最佳输入步长,完成最佳栖息地分布预测模型的构建并对2020年中西太平洋鲣的栖息地分布进行预测,将预测结果和实际渔场分布进行对比以验证LSTM模型的预测效果,研究结果如下:(1)DLLM模型结果显示,CHL-a和三种丰度指标都存在显著滞后关系,不同时间尺度的选择对种群丰度响应生物环境变化的滞后时间的影响并没有明显规律;不同空间尺度的选择会影响丰度和生物环境之间的滞后关系,在栖息地研究中选择0.25°×0.25°的空间尺度时,初级生产力对丰度的滞后效应不显著,滞后影响时间约为0天,选择0.5°×0.5°、1°×1°、2°×2°、3°×3°、4°×4°和5°×5°的空间尺度时,初级生产力对鲣种群丰度影响的滞后时间区间分别为0-2天、1-4天、2-6天、3-7天、5-10天和7-11天,因此研究认为初级生产力对鲣种群丰度变化的确存在滞后影响且滞后影响的程度与区域空间的大小密切相关。(2)EN模型结果显示,对鲣栖息地丰度时空分布有重要作用的环境变量有14个,包括海表层CHL-a、初级生产力(Net Primary Productivity,NPP)、海温(Sea Surface Temperature,ST);100 m水层的NPP、盐度(Seawater Salinity,SS);150 m水层的溶解氧浓度(Dissolved Oxygen,DO)、ST、SS;200 m水层的DO、ST、地转流流速(Geostrophic Flow Velocity,GCV)以及混合层厚度(Mixed Layer Depth,MLD)和海表面高度(Sea Surface Height,SSH)。(3)网格化随机搜索进行超参数调优的结果显示,在空间尺度为0.25°×0.25°,设置两个隐藏层,输入时间步长为滞后0-5天、输入层和隐藏层神经元数量设置为32、32、32,学习率调整为0.001,L1和L2正则化范数设定为0.0001的情况下,LSTM模型拟合效果最好,模型均方差(Mean Square Error,MSE)值为0.055,平均绝对误差(Mean Absolute Error,MAE)值为0.179,模型R2为33%,说明在空间尺度较小的情况下,海洋环境对栖息地分布存在滞后影响,且滞后影响存续时间较短。(4)LSTM模型预测结果显示,2020年鲣栖息地预测分布范围为5°S-0°N,165°E-180°E,和实际渔场的分布范围7.5°S-5°N,150°E-180°E基本一致;且2020年后半年为La Ni?a事件发生时期,三四季度的栖息地预测分布相较于一二季度预测分布呈现经向上的西移趋势,符合La Ni?a气候异常事件下鲣渔场的空间变动特征。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/54662.html
