| 摘要 | 第3-8页 |
| ABSTRACT | 第8-13页 |
| 第一章 绪论 | 第17-29页 |
| 1.1 研究背景 | 第17-18页 |
| 1.2 国内外研究现状及存在的问题 | 第18-25页 |
| 1.2.1 东、黄海鲐鱼的资源和渔情渔场预报相关研究 | 第18-23页 |
| 1.2.2 提升回归树模型及其在渔业中的应用研究 | 第23-24页 |
| 1.2.3 存在的问题 | 第24-25页 |
| 1.3 论文研究的目的、内容和研究框架 | 第25-29页 |
| 1.3.1 研究目的 | 第25-26页 |
| 1.3.2 研究内容 | 第26页 |
| 1.3.3 研究框架 | 第26-29页 |
| 第二章 渔情预报理论及模型 | 第29-39页 |
| 2.1 渔情预报模型的理论基础 | 第29-33页 |
| 2.1.1 渔情预报的概念 | 第29-30页 |
| 2.1.2 渔情预报模型的组成 | 第30-32页 |
| 2.1.3 渔情预报模型的建模过程 | 第32-33页 |
| 2.2 渔情预报模型概述 | 第33-39页 |
| 2.2.1 统计学模型 | 第33-37页 |
| 2.2.2 机理/过程模型和理论模型 | 第37-38页 |
| 2.2.3 小结 | 第38-39页 |
| 第三章 基于提升回归树的渔场预报模型构建 | 第39-50页 |
| 3.1 提升算法和AdaBoost | 第39-40页 |
| 3.2 BRT模型求解及算法实现 | 第40-44页 |
| 3.2.1 数值优化方法 | 第41-42页 |
| 3.2.2 梯度最速下降法 | 第42页 |
| 3.2.3 有限数据下的求解 | 第42-44页 |
| 3.3 BRT模型的参数设置 | 第44-46页 |
| 3.3.1 树的复杂度 | 第44页 |
| 3.3.2 迭代次数 | 第44-45页 |
| 3.3.3 学习率 | 第45页 |
| 3.3.4 装袋分数 | 第45页 |
| 3.3.5 参数之间的相互影响 | 第45-46页 |
| 3.4 BRT模型的解释 | 第46-47页 |
| 3.4.1 预测变量的相对重要性 | 第46页 |
| 3.4.2 预测变量间的交互作用 | 第46页 |
| 3.4.3 偏依赖函数 | 第46-47页 |
| 3.5 BRT模型的优势 | 第47页 |
| 3.6 基于BRT的鲐鱼渔场预报模型的构建方法 | 第47-50页 |
| 3.6.1 渔场预报问题描述 | 第47-48页 |
| 3.6.2 渔场预报模型的建模方法 | 第48-50页 |
| 第四章 鲐鱼渔场的时空分布特征 | 第50-68页 |
| 4.1 我国东、黄海鲐鱼大型灯光围网渔业概况 | 第50-52页 |
| 4.2 鲐鱼灯光围网数据及海洋环境数据的预处理 | 第52-56页 |
| 4.2.1 渔业数据来源 | 第52-53页 |
| 4.2.2 渔业数据的处理 | 第53-54页 |
| 4.2.3 海洋环境数据 | 第54-56页 |
| 4.2.4 渔业数据和环境数据的匹配 | 第56页 |
| 4.3 东、黄海鲐鱼渔场的时空分布特征 | 第56-68页 |
| 4.3.1 数据和方法 | 第56-58页 |
| 4.3.2 结果 | 第58-68页 |
| 第五章 鲐鱼渔场预报模型的建模方法选择 | 第68-89页 |
| 5.1 鲐鱼渔场预报模型建模方法选择研究 | 第68-89页 |
| 5.1.1 数据和方法 | 第68-73页 |
| 5.1.2 结果 | 第73-85页 |
| 5.1.3 讨论与分析 | 第85-89页 |
| 第六章 东、黄海鲐鱼渔场预报模型研究 | 第89-108页 |
| 6.1 鲐鱼渔场与时空及环境因子的关系 | 第89-96页 |
| 6.1.1 数据和方法 | 第89-90页 |
| 6.1.2 结果 | 第90-95页 |
| 6.1.3 讨论与分析 | 第95-96页 |
| 6.2 东、黄海鲐鱼渔场预报模型 | 第96-108页 |
| 6.2.1 数据和方法 | 第96-97页 |
| 6.2.2 模型构建与参数选择 | 第97-100页 |
| 6.2.3 结果 | 第100-105页 |
| 6.2.4 模型讨论 | 第105-108页 |
| 第七章 总结与展望 | 第108-114页 |
| 7.1 论文的主要结论 | 第108-111页 |
| 7.2 论文的创新点 | 第111-112页 |
| 7.3 存在的问题和研究展望 | 第112-114页 |
| 参考文献 | 第114-127页 |
| 致谢 | 第127-128页 |
| 承担的科研项目和发表论文 | 第128页 |