| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 引言 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外渔情预报研究现状 | 第14-17页 |
| 1.2.1 人工神经网络 | 第14-15页 |
| 1.2.2 BP神经网络国内外研究现状 | 第15-16页 |
| 1.2.3 RBF神经网络在渔业预报应用中的国内外研究现状 | 第16-17页 |
| 1.2.4 神经网络模型优缺点分析及算法改进 | 第17页 |
| 1.3 研究的内容和技术路线 | 第17-20页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 技术路线 | 第18-20页 |
| 第二章 材料与方法 | 第20-28页 |
| 2.1 材料 | 第20-21页 |
| 2.2 方法 | 第21-28页 |
| 2.2.1 基于GAM的CPUE标准化模型 | 第21-22页 |
| 2.2.2 BP神经网络渔情预报模型结构及实现过程 | 第22-24页 |
| 2.2.3 RBF神经网络渔情预报模型结构及实现过程 | 第24-25页 |
| 2.2.4 GABP神经网络渔情预报模型结构及实现过程 | 第25-26页 |
| 2.2.5 模型评价方式 | 第26-27页 |
| 2.2.6 数据处理软件 | 第27-28页 |
| 第三章 CPUE标准化与因子选择 | 第28-40页 |
| 3.1 数据处理 | 第28-29页 |
| 3.2 基于GAM的各影响因子分析 | 第29-40页 |
| 3.2.1 船型因子对CPUE的影响 | 第29-30页 |
| 3.2.2 时间因子对CPUE的影响 | 第30-32页 |
| 3.2.3 空间因子对CPUE的影响 | 第32-34页 |
| 3.2.4 环境因子对CPUE的影响 | 第34-38页 |
| 3.2.5 CPUE标准化 | 第38-40页 |
| 第四章 神经网络模型渔情预报效果研究 | 第40-60页 |
| 4.1 BP神经网络模型渔情预报结果 | 第40-46页 |
| 4.1.1 BP神经网络渔情预报模型训练及性能比较 | 第40-41页 |
| 4.1.2 BP神经网络渔情预报模型训练过程分析 | 第41-45页 |
| 4.1.3 分析与讨论 | 第45-46页 |
| 4.2 RBF神经网络模型渔情预报结果研究 | 第46-50页 |
| 4.2.1 RBF神经网络渔情预报模型训练及性能比较 | 第46-48页 |
| 4.2.2 RBF神经网络渔情预报模型训练过程分析 | 第48-49页 |
| 4.2.3 分析与讨论 | 第49-50页 |
| 4.3 GABP神经网络模型渔情预报效果研究 | 第50-56页 |
| 4.3.1 GABP神经网络渔情预报模型训练及性能比较 | 第50-53页 |
| 4.3.2 GABP神经网络渔情预报模型训练过程分析 | 第53-55页 |
| 4.3.3 分析与讨论 | 第55-56页 |
| 4.4 三种神经网络渔情预报模型效果对比研究与讨论 | 第56-60页 |
| 第五章 结束语 | 第60-63页 |
| 5.1 总结 | 第60-61页 |
| 5.2 本文的创新点 | 第61页 |
| 5.3 本文的不足与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 附录1 GAM、GLM部分代码片段 | 第67-68页 |
| 附录2 三种神经网络部分代码片段 | 第68-70页 |
