何恩業(yè)，李尚魯，楊靜，季軒梁，高姍，王丹

（1.國家海洋環(huán)境預(yù)報(bào)中心自然資源部海洋災(zāi)害預(yù)報(bào)技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100081；2.浙江省海洋監(jiān)測(cè)預(yù)報(bào)中心，浙江杭州 310007）

1 引言

葉綠素a（Chl-a）作為一個(gè)生物量指標(biāo)可以表征水體初級(jí)生產(chǎn)力狀況，研究Chl-a的變化趨勢(shì)對(duì)赤潮早期預(yù)警和海水富營(yíng)養(yǎng)化潛勢(shì)研究具有重要意義[1]。眾多學(xué)者針對(duì)Chl-a含量的預(yù)報(bào)和研究開展了大量工作。預(yù)報(bào)方法有很多種，大體可以歸納為4類：（1）單要素指標(biāo)預(yù)測(cè)法。如郭文景等[2]利用有滯后變量參與的格蘭杰因果關(guān)系檢驗(yàn)和向量自回歸模型，分析了太湖水質(zhì)參數(shù)對(duì)浮游植物生物量的影響；阮華杰等[3]對(duì)赤潮發(fā)生前后生態(tài)浮標(biāo)各監(jiān)測(cè)要素的變化進(jìn)行分析，認(rèn)為可以通過監(jiān)測(cè)要素指標(biāo)進(jìn)行藻華預(yù)測(cè)。（2）傳統(tǒng)統(tǒng)計(jì)學(xué)預(yù)測(cè)法。如金衍健等[4]利用舟山近岸水質(zhì)監(jiān)測(cè)數(shù)據(jù)建立了Chl-a多元線性回歸方程；林祥[5]利用主成分線性回歸分析方法建立了詔安灣Chl-a統(tǒng)計(jì)方程。（3）數(shù)值模擬方法。如楊德周等[6]基于POM（Princeton Ocean Model）模型模擬長(zhǎng)江口Chl-a分布狀況；崔玉潔[7]利用CE-QUAL-W2模型對(duì)三峽庫區(qū)藻類水華生消過程進(jìn)行模擬。（4）人工智能預(yù)測(cè)法。如張娣等[8]建立了自回歸滑動(dòng)平均-反向傳播（AutoRegressive Moving Average-Back Propagation，ARMA-BP）模型對(duì)太湖藻類Chl-a濃度進(jìn)行預(yù)測(cè)；石綏祥等[9]根據(jù)海洋各要素與Chl-a濃度之間的長(zhǎng)短期依賴程度構(gòu)建了長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Memory network，LSTM）預(yù)測(cè)模型，預(yù)測(cè)精度大幅提高。

由于Chl-a變化成因復(fù)雜，其與環(huán)境因子之間模糊和不確定性的高度非線性關(guān)系，造成傳統(tǒng)統(tǒng)計(jì)方法預(yù)測(cè)效果較差，而數(shù)值模擬對(duì)具體站點(diǎn)Chl-a含量預(yù)測(cè)的精確度不高，難以應(yīng)用于預(yù)報(bào)實(shí)踐。隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，神經(jīng)網(wǎng)絡(luò)模型的智能預(yù)報(bào)方法逐漸體現(xiàn)出獨(dú)特的優(yōu)勢(shì)。神經(jīng)網(wǎng)絡(luò)是一種對(duì)人腦結(jié)構(gòu)和功能進(jìn)行模擬的數(shù)學(xué)模型，它是由大量且互相連接的處理單元組成的復(fù)雜系統(tǒng)，具有分布式存儲(chǔ)和處理以及自組織自學(xué)習(xí)的能力，特別適合處理因素眾多、機(jī)制不明晰和信息缺失的復(fù)雜問題[10]。神經(jīng)網(wǎng)絡(luò)誕生至今主要經(jīng)歷了感知器、淺層學(xué)習(xí)和深度學(xué)習(xí)3個(gè)階段。Taylor等[11]研究發(fā)現(xiàn)大腦具有逐層處理信息的能力；人工智能之父Hinton等[12]提出具有多層次的深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）更易從低層信息提取高層語義特征。但是由于DNN參數(shù)眾多，造成模型運(yùn)算效率較低，甚至難以收斂于全局最優(yōu)，陳旭偉等[13]提出了一種串聯(lián)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，不但可以減少模型參數(shù)，實(shí)現(xiàn)對(duì)多個(gè)非線性函數(shù)的擬合，還可以實(shí)現(xiàn)特征信息逐級(jí)提取和傳遞，在實(shí)驗(yàn)中取得了較大成功。Sutskever等[14]針對(duì)DNN容易陷入局部最小的缺陷提出了優(yōu)化調(diào)整方案。這些研究成果極大地促進(jìn)了深度學(xué)習(xí)的長(zhǎng)足發(fā)展。近幾年來，基于深度學(xué)習(xí)智能模型，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和DNN的各種研究應(yīng)用已逐漸成為最熱門的課題。但是當(dāng)前針對(duì)Chl-a濃度預(yù)報(bào)的智能模型大都以淺層學(xué)習(xí)為主，鮮有將深度學(xué)習(xí)應(yīng)用于預(yù)報(bào)研究之中。本文以浙江海洋保護(hù)區(qū)生態(tài)浮標(biāo)監(jiān)測(cè)數(shù)據(jù)為依據(jù)，建立了一種串聯(lián)式DNN的Chl-a短期預(yù)報(bào)模型，并針對(duì)預(yù)報(bào)結(jié)果進(jìn)行了檢驗(yàn)。

2 數(shù)據(jù)來源和研究方法

2.1 數(shù)據(jù)來源

本文采用2019年5月浙江省海洋保護(hù)區(qū)3個(gè)生態(tài)浮標(biāo)NB03、TZ01和WZ02的連續(xù)監(jiān)測(cè)資料作為樣本數(shù)據(jù)進(jìn)行建模分析（見圖1）。浮標(biāo)監(jiān)測(cè)數(shù)據(jù)主要由浙江省近岸海域浮標(biāo)實(shí)時(shí)監(jiān)測(cè)系統(tǒng)省級(jí)數(shù)字化監(jiān)控平臺(tái)提供。海上浮標(biāo)系統(tǒng)由浮體、標(biāo)架、供電設(shè)備、防護(hù)設(shè)備、錨系、傳感器和數(shù)據(jù)采集傳輸?shù)炔糠纸M成。浮體上加載的水質(zhì)多參數(shù)傳感器（置于水面以下0.5～0.8 m處）可獲取間隔1 h的水溫、鹽度、pH、溶解氧及其飽和度、Chl-a濃度、濁度和電導(dǎo)率等常規(guī)水質(zhì)參數(shù)數(shù)據(jù)，以及間隔4 h的氨氮、硝酸鹽氮、亞硝酸鹽氮和磷酸鹽等數(shù)據(jù)。海上浮標(biāo)系統(tǒng)每月1次例行維護(hù)，不定期開展應(yīng)急維護(hù)，保證浮標(biāo)系統(tǒng)運(yùn)行穩(wěn)定性，定期開展人工采樣比對(duì)監(jiān)測(cè)，確保監(jiān)測(cè)數(shù)據(jù)質(zhì)量。

圖1 2019年5月浙江沿海生態(tài)浮標(biāo)位置（）和赤潮發(fā)生時(shí)間及中心位置（）

2.2 基于DNN的Chl-a短期預(yù)報(bào)模型構(gòu)建方法

DNN是具有多個(gè)隱層的神經(jīng)網(wǎng)絡(luò)，層與層之間采用全連接的結(jié)構(gòu)，隱層中的任一神經(jīng)元與前后層任一神經(jīng)元相連。DNN具有優(yōu)異的特征學(xué)習(xí)能力，對(duì)復(fù)雜函數(shù)的逼近能力極強(qiáng)，具有能夠從少量樣本集合中挖掘高階本質(zhì)特征的優(yōu)勢(shì)[12]。在DNN架構(gòu)研究方面，Wang等[15]基于兩階段深度學(xué)習(xí)的綜合推薦框架，利用潛因子向量作為深度學(xué)習(xí)推薦模型的輸入，不僅捕捉到高階交互特征，而且減輕了隱層的負(fù)擔(dān)，避免了模型訓(xùn)練陷入局部最優(yōu)。結(jié)果表明串聯(lián)結(jié)構(gòu)的DNN在預(yù)測(cè)精度、參數(shù)空間和訓(xùn)練速度等方面都體現(xiàn)出更好的性能。本文采用5層神經(jīng)網(wǎng)絡(luò)為基本單元，以串聯(lián)方式構(gòu)建了24 h和48 h的Chl-a濃度預(yù)報(bào)模型。

“你怎么能干這樣的事？”關(guān)小美哭著責(zé)備郭啟明。郭啟明說：“還不是被你爸爸逼的？我真的是不知道怎么辦才好才會(huì)這樣……那些錢我一分也沒敢拿。”關(guān)小美說：“趕快去自首吧……”郭啟明搖頭：“搶銀行是重罪，我還捅了人，弄不好要被判死刑。我先回老家看看老人再說……”“要走我們一起走，我要陪著你?！焙康年P(guān)小美在驚慌中也跟著郭啟明踏上了逃亡之路。兩人從后門匆匆逃出，來到長(zhǎng)途汽車站，準(zhǔn)備逃往西安。路上，關(guān)小美還接到關(guān)云飛的電話，問她交了房款沒有。關(guān)小美哭著說：“爸爸，闖大禍了，郭啟明搶銀行了……”說完，她就關(guān)了手機(jī)。

2.2.1 子神經(jīng)網(wǎng)絡(luò)

損失函數(shù)的值即為網(wǎng)絡(luò)模型誤差，若其值達(dá)不到目標(biāo)值ε（期望損失），則進(jìn)行誤差反饋，對(duì)網(wǎng)絡(luò)耦合權(quán)值按照損失函數(shù)負(fù)梯度方向從輸出層至輸入層進(jìn)行全局調(diào)整，調(diào)整量為：

圖2 具有5層結(jié)構(gòu)的DNN

其一階導(dǎo)數(shù)函數(shù)為：f'(x)=f(x)?(1-f(x))。設(shè)wij為任意兩個(gè)神經(jīng)元之間的耦合權(quán)值，g為神經(jīng)元的輸入，h為神經(jīng)元的輸出，則有：

輸入層按照實(shí)驗(yàn)方案設(shè)置輸入節(jié)點(diǎn)數(shù)（變量x或者變量x與干擾變量的組合），3個(gè)隱層均配置10個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層為預(yù)測(cè)變量y，模型損失函數(shù)目標(biāo)值為3×10-4，4套測(cè)試實(shí)驗(yàn)方案為：

平房第十棟附近，有一間廁所。生活區(qū)最大的廁所，你應(yīng)該還記得那間廁所。和廁所相連，有一間小房子大約五平米，清潔工放桶子，掃把用的工具房。

2.2.2 模型損失函數(shù)和參數(shù)的優(yōu)化調(diào)整方案

48 h預(yù)報(bào)方案：在24 h預(yù)報(bào)因子基礎(chǔ)上加入T24h時(shí)刻Chl-a預(yù)報(bào)值作為48 h預(yù)報(bào)因子，對(duì)T48h時(shí)刻的Chl-a濃度進(jìn)行預(yù)測(cè)。

設(shè)DNN模型期望輸出為T=(t1,t2,…,tm)T，共有α個(gè)仿真訓(xùn)練樣本，第p個(gè)樣本輸入模型后的輸出方差為，α個(gè)樣本輸入模型后的輸出總方差為，定義模型損失函數(shù)為：

具有5層結(jié)構(gòu)的子神經(jīng)網(wǎng)絡(luò)模型包含1個(gè)輸入層、3個(gè)隱層和1個(gè)輸出層（見圖2）。輸入層有n0個(gè)變量輸入節(jié)點(diǎn)，隱層分別有n1、n2和n3個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層有m個(gè)神經(jīng)元節(jié)點(diǎn)。前后層節(jié)點(diǎn)之間通過耦合權(quán)值矩陣進(jìn)行全連接，上一層神經(jīng)元的輸出作為下一層神經(jīng)元的輸入，神經(jīng)元采用單極性Sigmoid激活函數(shù)處理信息，在輸出層采用線性方式輸出預(yù)測(cè)變量。Sigmoid激活函數(shù)為：

式中，η為學(xué)習(xí)率，大取值可以加快學(xué)習(xí)速度，但易導(dǎo)致wij調(diào)整量過大造成模型震蕩難以收斂，小取值會(huì)導(dǎo)致模型運(yùn)算時(shí)間加長(zhǎng)，效率變差。本文對(duì)算法進(jìn)行了優(yōu)化，采用可變學(xué)習(xí)率，網(wǎng)絡(luò)每迭代100次η乘以系數(shù)0.98，且設(shè)置η最小值為0.01以保證學(xué)習(xí)速度，優(yōu)化后的網(wǎng)絡(luò)模型可以在初期采用較大的學(xué)習(xí)率加快收斂速度，在后期以較小的學(xué)習(xí)率解決參數(shù)調(diào)整過大產(chǎn)生的模型震蕩難題。此外，為了進(jìn)一步提高模型運(yùn)算效率和穩(wěn)定性，本研究引入可變動(dòng)量項(xiàng)mcΔw，其作用在于記憶上一次wij的調(diào)整方向，mc為動(dòng)量系數(shù)，若本次調(diào)整與上次調(diào)整方向一致，增大為1.1×mc，加快收斂速度；若調(diào)整方向相反網(wǎng)絡(luò)產(chǎn)生了震蕩，則減小為0.9×mc，起到平滑作用。設(shè)n為迭代次數(shù)（調(diào)整次數(shù)），經(jīng)過優(yōu)化后各層之間的耦合權(quán)值調(diào)整公式可表達(dá)為：

2.2.3 Chl-a短期預(yù)報(bào)模型結(jié)構(gòu)和參數(shù)設(shè)置

本文采用前后串聯(lián)的方式將兩個(gè)5層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)進(jìn)行橋接建立了一個(gè)DNN（見圖3），該網(wǎng)絡(luò)擁有1個(gè)前端輸入層、1個(gè)中間橋接層、6個(gè)隱含層和1個(gè)終端輸出層。該模型將24 h預(yù)報(bào)日期前2 d的生態(tài)浮標(biāo)Chl-a敏感性理化因子作為自變量進(jìn)行信息輸入，前一個(gè)子神經(jīng)網(wǎng)絡(luò)輸出未來24 h Chl-a濃度預(yù)報(bào)結(jié)果，并將該結(jié)果作為后一個(gè)子神經(jīng)網(wǎng)絡(luò)的輸入?yún)⑴c運(yùn)算，模型終端輸出未來48 h Chl-a濃度預(yù)報(bào)量結(jié)果。

Cite this article as:HAN Xue-Ying, WANG Ya-Nan, DOU De-Qiang. Regulatory effects of Poria on substance and energy metabolism in cold-deficiency syndrome compared with heat-deficiency syndrome in rats [J]. Chin J Nat Med, 2018, 16(12): 936-945.

圖3 基于串聯(lián)DNN的Chl-a短期預(yù)報(bào)模型結(jié)構(gòu)設(shè)計(jì)

模型設(shè)置所有耦合權(quán)值wij的初值為隨機(jī)小量，以保證單極性Sigmoid激活函數(shù)處于靈敏區(qū)間，加快調(diào)整速度。設(shè)置初始學(xué)習(xí)率η為0.2，初始動(dòng)量系數(shù)mc為0.8。

中共十一屆三中全會(huì)的召開是提出憲法適應(yīng)性問題的時(shí)間節(jié)點(diǎn)，改革開放政策的確立和法治發(fā)展，是憲法適應(yīng)性問題產(chǎn)生的主要推手。改革凸顯“變”，憲法貴在“穩(wěn)”，而憲法修改作為最重要的憲法適應(yīng)機(jī)制，既為憲法保持先進(jìn)性提供了途徑，又凸顯出其不足，憲法為適應(yīng)社會(huì)急劇變革，開始呈現(xiàn)出妥協(xié)性特征，發(fā)展方向也有所偏離。

3 結(jié)果與分析

3.1 DNN模型驗(yàn)證

不同的數(shù)據(jù)預(yù)處理方法會(huì)導(dǎo)致模型預(yù)測(cè)結(jié)果差距較大[10]。本文利用目標(biāo)函數(shù)y=x3評(píng)價(jià)幾種不同樣本處理方法對(duì)網(wǎng)絡(luò)模型預(yù)測(cè)效果產(chǎn)生的差異，設(shè)計(jì)了4套實(shí)驗(yàn)方案對(duì)子神經(jīng)網(wǎng)絡(luò)模型的相關(guān)特性進(jìn)行測(cè)試驗(yàn)證，根據(jù)測(cè)試結(jié)果優(yōu)劣為后續(xù)Chl-a短期預(yù)報(bào)模型提供最優(yōu)樣本數(shù)據(jù)處理方式。目標(biāo)函數(shù)y=x3的樣本選取見表1，（xp，yp）表示樣本對(duì)，p為樣本序號(hào)，自變量x取值間隔為0.1。自變量方面額外增加了3個(gè)隨機(jī)干擾變量（ν1、ν2和ν3），共選取36條樣本。

表l目標(biāo)函數(shù)y=x3測(cè)試樣本集合

式中，θ為偏置量，表示神經(jīng)元的閾值。

方案a：所有樣本按照順序排列，自變量x不加入干擾變量，取前30個(gè)作為仿真訓(xùn)練集，剩余后6個(gè)作為預(yù)測(cè)檢驗(yàn)樣本集，測(cè)試模型對(duì)未涉獵知識(shí)領(lǐng)域的預(yù)測(cè)效果。

方案b：打亂樣本集順序作類間交叉處理，自變量x不加入干擾變量，隨機(jī)取6個(gè)樣本進(jìn)行預(yù)測(cè)檢驗(yàn)，其他30個(gè)樣本作為仿真訓(xùn)練集，測(cè)試樣本類間均衡對(duì)模型預(yù)測(cè)效果產(chǎn)生的作用。

為讓易地搬遷對(duì)象“搬得出，穩(wěn)得住，有事做，能致富”，爭(zhēng)取到2018年所有搬遷對(duì)象全面脫貧，湖南省汝城縣三措并舉，不斷強(qiáng)化監(jiān)管力度，確保了全縣易地扶貧搬遷工作的順利推進(jìn)。截至10月31日，全縣所有集中安置點(diǎn)的搬遷對(duì)象均已分房到戶。

方案c：在方案b的基礎(chǔ)上，對(duì)自變量x加入3個(gè)隨機(jī)干擾變量v1、v2和v3，測(cè)試神經(jīng)網(wǎng)絡(luò)模型容錯(cuò)能力和剔除噪音的能力。

方案d：在方案c的基礎(chǔ)上大幅減少仿真訓(xùn)練樣本至20個(gè)，預(yù)測(cè)檢驗(yàn)樣本不變，測(cè)試學(xué)習(xí)樣本多寡對(duì)預(yù)測(cè)效果的影響程度。

方案a實(shí)驗(yàn)結(jié)果顯示（見圖4a），由于仿真訓(xùn)練集未包含自變量x的所有區(qū)間，模型喪失了對(duì)后部區(qū)間學(xué)習(xí)的機(jī)會(huì)，系統(tǒng)學(xué)習(xí)不完整，對(duì)于未涉獵的知識(shí)處理缺乏經(jīng)驗(yàn)，導(dǎo)致預(yù)測(cè)效果不理想。預(yù)測(cè)檢驗(yàn)顯示，給定自變量x值，其值偏離訓(xùn)練集樣本區(qū)間越遠(yuǎn)，則對(duì)因變量y的預(yù)測(cè)能力就會(huì)變得越差。

方案b實(shí)驗(yàn)結(jié)果顯示（見圖4b），樣本集合進(jìn)行了類間交叉處理后，仿真訓(xùn)練樣本基本包含了所有自變量區(qū)間，模型學(xué)習(xí)信息較為系統(tǒng)，因此在預(yù)測(cè)檢驗(yàn)時(shí)，隨機(jī)給定自變量x，模型能夠根據(jù)仿真訓(xùn)練建立的知識(shí)庫對(duì)變量y做出較準(zhǔn)確的預(yù)測(cè)，效果提升明顯。

林業(yè)作為我國的重要資源，在我國的經(jīng)濟(jì)建設(shè)和發(fā)展中發(fā)揮著重要作用。林區(qū)的造林改造正在繼續(xù)進(jìn)行。然而，在長(zhǎng)期的改革過程中，除了上述造林成本不足和造林方法的不足之外，不可避免地會(huì)遇到一些困難。除了林區(qū)經(jīng)營(yíng)管理不善外，樹種結(jié)構(gòu)比例失衡、地方資源利用不合理、分類不清等問題也不容忽視。此外，近年來我國沙塵暴、干旱、暴雨、水土流失等氣候?yàn)?zāi)害的頻繁發(fā)生，對(duì)更新造林工作產(chǎn)生了很大影響，這就要求我們從提高更新造林的成本、改善更新造林入手。加強(qiáng)林區(qū)管理，分類經(jīng)營(yíng)，加強(qiáng)育苗、育苗、灌漿。為了促進(jìn)林業(yè)的可持續(xù)發(fā)展，應(yīng)充分利用當(dāng)?shù)丨h(huán)境和資源的優(yōu)勢(shì)，合理利用資源，豐富知識(shí)，創(chuàng)新技術(shù)，轉(zhuǎn)變觀念。

方案c實(shí)驗(yàn)結(jié)果顯示（見圖4c），雖然在自變量信息中隨機(jī)加入了v1、v2和v3等干擾變量，但是DNN經(jīng)過自學(xué)習(xí)能夠有效的剔除噪音信號(hào)，對(duì)關(guān)鍵信息提取效果較好。對(duì)比來看，預(yù)測(cè)效果好于方案a，相較于方案b的預(yù)測(cè)誤差略有增大。該實(shí)驗(yàn)結(jié)果表明DNN特別適合對(duì)變量之間映射關(guān)系模糊不清或充滿各種干擾噪音的復(fù)雜問題進(jìn)行建模研究。

方案d實(shí)驗(yàn)結(jié)果顯示（見圖4d），減少訓(xùn)練樣本后，模型整體預(yù)測(cè)誤差稍有增大，較大誤差主要分布在仿真訓(xùn)練集中學(xué)習(xí)類別較少的區(qū)間，對(duì)于學(xué)習(xí)樣本密集度較高的區(qū)域，模型對(duì)于預(yù)測(cè)的能力仍然較強(qiáng)。該實(shí)驗(yàn)結(jié)果表明即使仿真訓(xùn)練樣本較少，但只要做到樣本類間均衡，仍能有效減小預(yù)報(bào)誤差。

圖4 不同方案DNN對(duì)目標(biāo)函數(shù)模擬和預(yù)測(cè)結(jié)果比較

表2為4種實(shí)驗(yàn)方案的仿真訓(xùn)練和預(yù)測(cè)結(jié)果的均方根誤差（Root Mean Square Error，RMSE）和平均絕對(duì)誤差（Mean Absolute Error，MAE）的對(duì)比，4種方案模型的仿真RMSE差別較小，說明DNN對(duì)任何訓(xùn)練樣本都能做到較高的擬合精度。但是從預(yù)測(cè)檢驗(yàn)來看，4種方案表現(xiàn)出了明顯的差距，即使沒有加入干擾變量，方案a的預(yù)測(cè)效果仍然最差，表明樣本類間均衡對(duì)于模型最終執(zhí)行效果起到最為關(guān)鍵性的作用。雖然方案b最優(yōu)，但是在解決實(shí)際問題方面，變量之間的映射關(guān)系并不清晰，很難準(zhǔn)確界定因變量是由哪種或哪幾種自變量引發(fā)，所以方案c和d成了現(xiàn)實(shí)中最多的選擇。

表2 各實(shí)驗(yàn)方案的DNN模型誤差對(duì)比

針對(duì)方案c和d變量過多導(dǎo)致的模型參數(shù)增加、學(xué)習(xí)緩慢和預(yù)測(cè)效果變差的問題，國內(nèi)外眾多學(xué)者也提出了多種解決方案，如利用相關(guān)性分析法、聚類算法和小波分析法等對(duì)模型輸入信息進(jìn)行降維去噪和特征提取，DNN的預(yù)測(cè)準(zhǔn)確率得到了較大提高[16-18]。本文選用Pearson法篩選Chl-a含量相關(guān)的敏感性因子作為模型的自變量輸入信息。

3.2 基于DNN的Chl-a短期預(yù)報(bào)模型仿真和預(yù)測(cè)結(jié)果分析

3.2.1 原始數(shù)據(jù)處理和相關(guān)性分析

由于原始數(shù)據(jù)存在大量的噪音、冗余和不完整的信息，所以在輸入模型之前需要進(jìn)行清洗以達(dá)到改進(jìn)數(shù)據(jù)質(zhì)量的目的[19-20]。本文采用如下方案對(duì)生態(tài)浮標(biāo)原始數(shù)據(jù)進(jìn)行處理。

對(duì)于異常值的剔除采用3σ準(zhǔn)則：

式中，x表示觀測(cè)要素變量；σ、μ分別為標(biāo)準(zhǔn)差和均值，觀測(cè)要素值超出區(qū)間[(μ-3σ),(μ+3σ)]的離群點(diǎn)只占0.3%，以異常值處理。對(duì)于缺失值采用五點(diǎn)等權(quán)滑動(dòng)平均濾波法（Moving Average）進(jìn)行插值填充：

5)AR技術(shù)運(yùn)用范圍廣闊，軍事、銷售、娛樂、教育、技術(shù)、傳媒、旅游、醫(yī)療等八個(gè)領(lǐng)域，都是AR增強(qiáng)現(xiàn)實(shí)的發(fā)展方向。

式中，fk為5個(gè)相鄰數(shù)據(jù)yk-2、yk-1、yk、yk+1和yk+2的平滑數(shù)據(jù)，yk為等效監(jiān)測(cè)數(shù)據(jù)。

根據(jù)以上內(nèi)容分析可以看出，以后現(xiàn)代理論為基礎(chǔ)的后現(xiàn)代圖書館學(xué)對(duì)馬克思主義的現(xiàn)實(shí)理論批評(píng)提出了嚴(yán)峻的挑戰(zhàn)。后現(xiàn)代圖書館學(xué)對(duì)中心論的解構(gòu)促使馬克思主義思想權(quán)威受到很大影響。后現(xiàn)代圖書館學(xué)所主張的反本質(zhì)、反基礎(chǔ)、反中心的觀點(diǎn)與馬克思主義的基本原則大相徑庭。另外，后現(xiàn)代圖書館學(xué)所提倡的差異性方法論也對(duì)馬克思主義理論關(guān)于政治、經(jīng)濟(jì)及階級(jí)的劃分提出了質(zhì)疑?？梢哉f，在分析和解釋后現(xiàn)代圖書館學(xué)的理論根據(jù)時(shí)，傳統(tǒng)的馬克思主義面臨著諸多問題。然而作為新馬克思主義，并沒有左派思想那樣悲觀失望的情緒，而是自覺承擔(dān)起維護(hù)馬克思主義的歷史責(zé)任，同時(shí)也為后現(xiàn)代圖書館學(xué)提供了科學(xué)的理論批評(píng)工具。

由于各要素監(jiān)測(cè)頻率不一致以及部分監(jiān)測(cè)要素值變化劇烈，其瞬時(shí)值與其他要素的步調(diào)性并不好。為了利于后續(xù)分析和應(yīng)用，我們對(duì)各要素進(jìn)行日平均處理，共形成93條記錄（見圖5）。Chl-a濃度的變化直接表征浮游植物數(shù)量變動(dòng)狀況，例如：2019年5月9日在生態(tài)浮標(biāo)WZ02海域發(fā)現(xiàn)以東海原甲藻為優(yōu)勢(shì)種的赤潮，2019年5月15日在生態(tài)浮標(biāo)NB03毗鄰水域發(fā)現(xiàn)以東海原甲藻和夜光藻等為優(yōu)勢(shì)種的赤潮。圖5顯示出WZ02和NB03浮標(biāo)的Chl-a濃度監(jiān)測(cè)值分別在赤潮發(fā)生日期有較明顯的大幅度上升，而未有赤潮發(fā)生海域的TZ01浮標(biāo)處Chl-a變化較為平穩(wěn)，波動(dòng)不大。3個(gè)浮標(biāo)監(jiān)測(cè)數(shù)據(jù)既包括赤潮發(fā)生前后各理化要素的連續(xù)記錄，同時(shí)也涵蓋了正常水體Chl-a含量變化的連續(xù)記錄，具有明顯的樣本均衡特性，特別適合神經(jīng)網(wǎng)絡(luò)建模樣本數(shù)據(jù)。

本文主要介紹了利用java爬蟲技術(shù)的票務(wù)查詢系統(tǒng)的開發(fā)，從需求分析、相關(guān)技術(shù)分析、框架搭建、具體設(shè)計(jì)等幾個(gè)方面進(jìn)行了介紹，并且對(duì)使用的技術(shù)進(jìn)行了詳細(xì)的分析與解釋。本次開發(fā)有以下幾個(gè)技術(shù)要點(diǎn)：

圖5 2019年5月浙江海洋保護(hù)區(qū)各生態(tài)浮標(biāo)Chl-a濃度日變化

采用與Chl-a濃度變化具有顯著相關(guān)性的環(huán)境因子作為預(yù)報(bào)因子，Chl-a濃度作為預(yù)測(cè)變量，兩者分別作為模型的輸入和輸出信息在進(jìn)入學(xué)習(xí)之前進(jìn)行類間交叉處理。一般要求預(yù)測(cè)檢驗(yàn)樣本占總體樣本的10%左右[10]，因此本文隨機(jī)預(yù)留10個(gè)樣本作為預(yù)測(cè)檢驗(yàn)集，剩余樣本做仿真訓(xùn)練集。

本文采用Fortran軟件進(jìn)行數(shù)學(xué)建模與編程，利用SPSS和Excel軟件分別進(jìn)行統(tǒng)計(jì)學(xué)分析和繪圖。

利用IBM SPSS Statistics21進(jìn)行相關(guān)性分析，結(jié)果見表3。分析發(fā)現(xiàn)研究海域T0h時(shí)刻Chl-a濃度與T-24h和T-48h（-24 h、-48 h表示0 h時(shí)刻前1 d和前2 d）時(shí)刻溶解氧濃度、pH值和Chl-a濃度在P=0.01水平上均呈現(xiàn)顯著性正相關(guān)，且時(shí)間越接近相關(guān)性越強(qiáng)，說明Chl-a濃度變化與這3種要素的變化具有較好的同步性；T0h時(shí)刻Chl-a濃度與T-24h和T-48h時(shí)刻的硝氮和磷酸鹽在P=0.05水平上均呈現(xiàn)顯著的負(fù)相關(guān)，且過去2 d的相關(guān)性整體高于當(dāng)天，說明營(yíng)養(yǎng)鹽對(duì)浮游植物生長(zhǎng)的影響具有滯后性效應(yīng)；Chl-a濃度與其他水質(zhì)和營(yíng)養(yǎng)鹽要素在5月的相關(guān)性不大。相關(guān)性分析結(jié)果表明，監(jiān)測(cè)樣本偏赤潮發(fā)生初期，處于藻類密度不大、爆發(fā)性增殖前或開端時(shí)期，藻類生物量繁殖增長(zhǎng)時(shí)吸收表層CO2釋放氧氣，而營(yíng)養(yǎng)鹽無機(jī)態(tài)也處于被消耗狀態(tài)，氮和磷成為浮游植物生長(zhǎng)的關(guān)鍵性限制因子[22-23]。所以，建立的模型更適用于赤潮早期或?qū)l(fā)生期的預(yù)測(cè)。

表3 T 0h時(shí)刻Chl-a與不同時(shí)刻理化因子的相關(guān)性

3.2.2 模型仿真和預(yù)測(cè)結(jié)果分析

相關(guān)性分析是機(jī)器學(xué)習(xí)樣本數(shù)據(jù)預(yù)處理的核心工具，本文采用Pearson相關(guān)法分析Chl-a與各環(huán)境因子的相關(guān)關(guān)系，以此衡量各要素變動(dòng)的一致程度，為預(yù)測(cè)模型的輸入信息篩選敏感性因子。Pearson相關(guān)法不但可以做到數(shù)據(jù)降維、減小模型參數(shù)提高學(xué)習(xí)速度，還可以有效改善預(yù)測(cè)效果，提高預(yù)測(cè)準(zhǔn)確率[21]。Pearson相關(guān)系數(shù)公式為：

24 h預(yù)報(bào)方案：選取T-24h和T0h時(shí)刻的溶解氧、pH、硝氮、磷酸鹽和Chl-a作為預(yù)報(bào)因子，對(duì)T24h時(shí)刻的Chl-a濃度進(jìn)行預(yù)測(cè)；

本文以船舶應(yīng)用需求為根本出發(fā)點(diǎn)，提出船舶分布式數(shù)據(jù)網(wǎng)絡(luò)管理平臺(tái)，根據(jù)智能船舶系統(tǒng)的固有特點(diǎn)進(jìn)行針對(duì)性研究。該平臺(tái)不僅能彌補(bǔ)傳統(tǒng)數(shù)據(jù)管理平臺(tái)的缺陷，而且具有全面感知、可靠傳遞和智能應(yīng)用的優(yōu)勢(shì)，應(yīng)用于遠(yuǎn)洋船舶運(yùn)輸管理中，可建立集航運(yùn)企業(yè)各部門和遠(yuǎn)洋船舶于一體的安全監(jiān)控平臺(tái)。此外，船舶分布式數(shù)據(jù)網(wǎng)絡(luò)平臺(tái)可大大提高船岸定時(shí)交互數(shù)據(jù)和協(xié)作管理業(yè)務(wù)的效率，增強(qiáng)遠(yuǎn)洋船舶物資運(yùn)輸、航行、機(jī)務(wù)系統(tǒng)和油耗監(jiān)測(cè)管理等方面的安全性、可靠性和高效性，為船舶智能管理業(yè)務(wù)和應(yīng)用提供有力的數(shù)據(jù)支撐。

變量之間由于量綱和數(shù)值大小不同，各度量之間的特征很難具有可比性，同時(shí)對(duì)目標(biāo)函數(shù)影響權(quán)重也不一致。為了消除這些影響，本文對(duì)輸入變量統(tǒng)一進(jìn)行標(biāo)準(zhǔn)歸一化處理：

小草，沒有牡丹花的絢麗多彩，沒有月季花的亭亭玉立，沒有菊花的婀娜多姿……但它的足跡踏遍了整個(gè)世界，無論是城市，還是農(nóng)村，都能找到它的蹤跡。一層層、一批批的小草，沒有索求，只有奉獻(xiàn)，它們爭(zhēng)先恐后地用那頑強(qiáng)的生命力，編織成一望無際的綠，染遍了平原、染遍了山川……

工作人員選取了劉磊家的1畝路邊田為試驗(yàn)示范地，使用云天化復(fù)合肥14-8-20，示范田周圍田地使用其他品牌復(fù)合肥15-15-15，面積為1畝，并均根據(jù)農(nóng)戶常年種植習(xí)慣與用肥習(xí)慣進(jìn)行相同施肥與管理。觀測(cè)棉花的長(zhǎng)勢(shì)和產(chǎn)量，同時(shí)與對(duì)比田進(jìn)行對(duì)照。

式中，σ為變量標(biāo)準(zhǔn)偏差，yi和zi分別為變量xi標(biāo)準(zhǔn)化和歸一化數(shù)值。經(jīng)過處理后所有變量處于同等地位，也符合神經(jīng)網(wǎng)絡(luò)Sigmoid激活函數(shù)定義域的要求。

網(wǎng)絡(luò)神經(jīng)元節(jié)點(diǎn)數(shù)設(shè)置過少會(huì)造成信息的挖掘能力不足，設(shè)置過多又因?yàn)槌霈F(xiàn)過擬合現(xiàn)象，即將原始數(shù)據(jù)的噪音轉(zhuǎn)變?yōu)樘卣餍盘?hào)，而造成預(yù)測(cè)誤差偏大[24]。通過對(duì)隱層神經(jīng)元節(jié)點(diǎn)不同設(shè)置的實(shí)驗(yàn)可知（見表4），前一子網(wǎng)絡(luò)結(jié)構(gòu)為10-9-9-9-1，后一子網(wǎng)絡(luò)結(jié)構(gòu)為11-6-6-6-1時(shí)，模型預(yù)測(cè)效果最優(yōu)，24 h Chl-a濃度預(yù)報(bào)RMSE達(dá)到最小值1.25μg/L，MAE為1.03μg/L，48 h預(yù)報(bào)RMSE達(dá)到最小值2.43μg/L，MAE為1.99μg/L。

四是狠抓任務(wù)落實(shí)，強(qiáng)化督導(dǎo)檢查。省政府與各試點(diǎn)市簽訂責(zé)任書，明確了地下水超采綜合治理的時(shí)間表、路線圖。各市也將任務(wù)進(jìn)一步細(xì)化分解到各縣，落實(shí)到項(xiàng)目和具體責(zé)任人。加強(qiáng)對(duì)試點(diǎn)項(xiàng)目的監(jiān)管，嚴(yán)格財(cái)經(jīng)紀(jì)律，嚴(yán)格工程監(jiān)督檢查。各試點(diǎn)市縣確保資金專款專用，確保工程質(zhì)量，確保施工安全，真正把地下水超采綜合治理工作打造成經(jīng)得起歷史檢驗(yàn)的優(yōu)質(zhì)工程、群眾滿意的民生工程、陽光透明的廉潔工程。

表4 不同節(jié)點(diǎn)設(shè)置的DNN模型預(yù)測(cè)效果對(duì)比

此外，實(shí)驗(yàn)過程中發(fā)現(xiàn)，雖然DNN能夠?qū)Ψ抡嬗?xùn)練集進(jìn)行任意精度的擬合，但是過于擬合會(huì)將原始數(shù)據(jù)中的噪音轉(zhuǎn)變?yōu)榫W(wǎng)絡(luò)學(xué)習(xí)特征，導(dǎo)致模型測(cè)試集預(yù)測(cè)精度降低（泛化效果變差）。本研究中當(dāng)目標(biāo)損失值（訓(xùn)練集擬合誤差RMSE）為0.5～1.0μg/L時(shí)，測(cè)試集的損失較小，預(yù)測(cè)效果達(dá)到較高的精度（見圖6）。

圖6 串聯(lián)DNN模型的Chl-a濃度仿真訓(xùn)練和預(yù)測(cè)結(jié)果

為了對(duì)比深層學(xué)習(xí)與淺層學(xué)習(xí)在預(yù)測(cè)效果上的差異，本文構(gòu)建了經(jīng)典的單一隱層BP神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過同樣方法進(jìn)行測(cè)試，BP模型的前一子網(wǎng)絡(luò)結(jié)構(gòu)為10-8-1，后一子網(wǎng)絡(luò)結(jié)構(gòu)為11-11-1時(shí)，模型預(yù)測(cè)效果最優(yōu)，24 h Chl-a預(yù)報(bào)RMSE達(dá)到最小值1.78μg/L，MAE為1.42μg/L，48 h預(yù)報(bào)RMSE達(dá)到最小值3.09μg/L，MAE為2.20μg/L（見表5）。

表5 淺層ANN與深層DNN模型對(duì)Chl-a濃度的預(yù)測(cè)結(jié)果對(duì)比（單位：μg/L）

對(duì)比顯示，深層DNN相比淺層人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），24 h Chl-a預(yù)報(bào)的RMSE減小了0.53μg/L，MAE減小了0.39μg/L；48 h Chl-a預(yù)報(bào)的RMSE減小了0.66μg/L，MAE減小了0.21μg/L，一定程度上反映了深度學(xué)習(xí)在挖掘高階特征上比淺層學(xué)習(xí)更具有優(yōu)勢(shì)。另一方面，無論是深層DNN還是淺層ANN，48 h預(yù)報(bào)的RMSE比24 h的RMSE大幅增加，深層DNN增加了1.18μg/L，淺層ANN增加了1.31μg/L，顯示出神經(jīng)網(wǎng)絡(luò)對(duì)于臨近預(yù)報(bào)更有優(yōu)勢(shì)，隨著時(shí)間跨度的加大不確定因素也會(huì)增加。該模型未將氣象和水動(dòng)力等對(duì)Chl-a含量產(chǎn)生重要影響的因素加入考慮，一定程度上也降低了模型在較長(zhǎng)時(shí)間預(yù)測(cè)方面的精度。

4 結(jié)論

本文嘗試建立一種串聯(lián)DNN的Chl-a短期預(yù)報(bào)模型，通過對(duì)目標(biāo)函數(shù)的測(cè)試驗(yàn)證了DNN的相關(guān)特性，利用浙江海洋保護(hù)區(qū)生態(tài)浮標(biāo)數(shù)據(jù)對(duì)Chl-a濃度進(jìn)行了仿真和預(yù)報(bào)實(shí)驗(yàn)。結(jié)果表明：

（1）對(duì)訓(xùn)練樣本進(jìn)行類間均衡處理比單純?cè)黾訕颖緮?shù)量更為有效，且具有更好的預(yù)測(cè)效果。采用傳統(tǒng)統(tǒng)計(jì)方法對(duì)輸入信息進(jìn)行去噪和降維預(yù)處理，有利于提升預(yù)測(cè)精度。

（2）2019年5月浙江海洋保護(hù)區(qū)生態(tài)浮標(biāo)水質(zhì)和營(yíng)養(yǎng)鹽要素相關(guān)性分析結(jié)果顯示，T0h時(shí)刻的Chl-a與T-24h和T-48h時(shí)刻的溶解氧、pH和Chl-a在P=0.01水平上均有明顯的正相關(guān)，與T-24h和T-48h時(shí)刻的硝氮和磷酸鹽在P=0.05水平上均有明顯的負(fù)相關(guān)，氮和磷是浮游植物生長(zhǎng)的關(guān)鍵性限制因子。

（3）本文所建立的串聯(lián)DNN Chl-a濃度短期預(yù)報(bào)模型24 h預(yù)報(bào)的RMSE為1.25μg/L，MAE為1.03μg/L，48 h預(yù)報(bào)的RMSE為2.43μg/L，MAE為1.99μg/L，預(yù)報(bào)精度比淺層學(xué)習(xí)提升明顯，體現(xiàn)了深度學(xué)習(xí)從原始數(shù)據(jù)中挖掘高階語義特征的優(yōu)勢(shì)。該方法不但可以減少模型參數(shù)，實(shí)現(xiàn)對(duì)多個(gè)非線性函數(shù)的擬合，還可以實(shí)現(xiàn)特征信息的逐級(jí)提取和傳遞，具有一定的通用性和可移植性。

本研究只考慮了水質(zhì)和營(yíng)養(yǎng)鹽要素對(duì)Chl-a濃度變化的影響，實(shí)際上淡水輸入、環(huán)流形勢(shì)和上升流等水動(dòng)力因子以及氣溫、光照和風(fēng)等氣象因子都會(huì)對(duì)Chl-a濃度產(chǎn)生重要影響，如果將這些影響因子一并考慮無疑會(huì)提高預(yù)測(cè)的精度，這也是未來進(jìn)一步研究需要開展的工作[25-28]。此外，DNN雖然具有很強(qiáng)的仿真和預(yù)測(cè)性能，但是網(wǎng)絡(luò)不同的參數(shù)設(shè)置也會(huì)對(duì)結(jié)果產(chǎn)生不同影響，如模型大小、結(jié)構(gòu)和訓(xùn)練細(xì)節(jié)等設(shè)置目前沒有統(tǒng)一的標(biāo)準(zhǔn)，仍需要不斷優(yōu)化[29]?？傊S著人工智能技術(shù)的不斷完善和發(fā)展，基于深度學(xué)習(xí)的Chl-a預(yù)報(bào)模型將具有廣闊的應(yīng)用前景。