楊柳青青, 儲(chǔ)莫閑, 劉必林,3,4,5,6, 孔祥洪,3

1. 上海海洋大學(xué)信息學(xué)院, 上海 201306;

2. 上海海洋大學(xué)海洋科學(xué)學(xué)院, 上海 201306;

3. 國(guó)家遠(yuǎn)洋漁業(yè)工程技術(shù)研究中心, 上海 201306;

4. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)開(kāi)發(fā)重點(diǎn)實(shí)驗(yàn)室, 上海201306;

5. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)資源環(huán)境科學(xué)觀測(cè)實(shí)驗(yàn)站, 上海201306

6. 大洋漁業(yè)資源可持續(xù)開(kāi)發(fā)教育部重點(diǎn)實(shí)驗(yàn)室, 上海 201306;

21 世紀(jì), 計(jì)算機(jī)科學(xué)進(jìn)入了飛速發(fā)展的階段,先進(jìn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法大量應(yīng)用于人工智能領(lǐng)域, 機(jī)器視覺(jué)中的模式識(shí)別作為AI 的一個(gè)分支,其理論和技術(shù)也隨之取得了巨大進(jìn)步(毛振宇 等,2019)。近年來(lái), 神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別(陳艷, 2000)、電信號(hào)分類(王莉 等, 2019)、海島識(shí)別(王振華 等,2020)、植物病害識(shí)別(邱靖 等, 2019)等領(lǐng)域得到了廣泛應(yīng)用。

頭足類物種的種群遺傳分化較小, 因此無(wú)法從分子遺傳學(xué)水平來(lái)劃分種群(李敏 等, 2019),而在生物生態(tài)學(xué)特性(Liu et al, 2013)、形態(tài)學(xué)特征等方面存在明顯區(qū)別 (Kubodera et al, 1987)。角質(zhì)顎是頭足類的主要攝食器官(Clarke, 1962), 形態(tài)特征穩(wěn)定(李建華 等, 2018), 常被用于頭足類種類鑒定與種群判別(劉必林 等, 2009)。就種群判別而言, 過(guò)去的研究主要采用傳統(tǒng)的統(tǒng)計(jì)學(xué)方法對(duì)角質(zhì)顎形態(tài)進(jìn)行判別。鄭小東 等(2002)研究了我國(guó)華南莆田、南澳、深圳、湛江等4 個(gè)海域曼氏無(wú)針烏賊角質(zhì)顎形態(tài), 認(rèn)為頭蓋長(zhǎng)與脊突長(zhǎng)的比值可用作區(qū)分不同地理種群的依據(jù)。許嘉錦(2003)研究發(fā)現(xiàn), 臺(tái)灣大溪與東港兩地邊蛸地理種群的角質(zhì)顎形態(tài)分化明顯。Liu 等(2015)、陳芃 等(2015)依據(jù)角質(zhì)額各部長(zhǎng)度的差異, 通過(guò)逐步判別法劃分別對(duì)東太平洋莖柔魚(yú)不同地理群體和西北太平洋柔魚(yú)不同產(chǎn)卵群體進(jìn)行了劃分。然而, 這些研究的判別成功率都不高。

為此, 本文分別利用梯度下降法、單一動(dòng)量法、單一自適應(yīng)法和動(dòng)量自適應(yīng)法訓(xùn)練的多層BP 神經(jīng)網(wǎng)絡(luò)(back propagation neural networks)對(duì)西北印度洋、中東太平洋和南海等 3 個(gè)海區(qū)的鳶烏賊(Sthenoteuthis oualaniensis)的角質(zhì)顎進(jìn)行識(shí)別, 進(jìn)而區(qū)分出鳶烏賊所屬海域, 并探討加入動(dòng)量和學(xué)習(xí)率自適應(yīng)的學(xué)習(xí)算法的優(yōu)越性, 以及僅用角質(zhì)顎進(jìn)行識(shí)別的優(yōu)缺點(diǎn), 同時(shí)通過(guò)設(shè)計(jì)和訓(xùn)練得到高識(shí)別率的西北印度洋、中東太平洋和南海等3 個(gè)海區(qū)的鳶烏賊分類器, 為頭足類種群判別提供新方法。

1 材料與方法

1.1 樣本采集和數(shù)據(jù)測(cè)量

實(shí)驗(yàn)共采集鳶烏賊樣本572 尾, 其中西北印度洋海區(qū)103 尾, 中東太平洋216 尾, 南海253 尾。冷凍的鴛烏賊樣本首先在實(shí)驗(yàn)室自然解凍, 然后用卷尺測(cè)量胴長(zhǎng)(mantle length, ML), 精確至1mm, 電子天平測(cè)量體質(zhì)量(body weight, BW), 精確至0.1g。用鑷子取出角質(zhì)顎, 在清水中漂洗后用游標(biāo)卡尺對(duì)上顎和下顎各 5 個(gè)特征進(jìn)行測(cè)量, 精確至精度為0.01mm, 具體包括上頭蓋長(zhǎng)(upper hood length,UHL)、上脊突長(zhǎng)(upper crest length, UCL)、 上喙長(zhǎng)(upper rostrum length, URL)、上翼長(zhǎng)(upper wing length, UWL)、上側(cè)壁長(zhǎng)(upper lateral wall length,ULWL)、下頭蓋長(zhǎng)(lower hood length, LHL)、下脊突長(zhǎng)(lower crest length, LCL)、下喙長(zhǎng)(lower rostrum length, LRL)、下翼長(zhǎng)(lower wing length, LWL)、下側(cè)壁長(zhǎng)(lower lateral wall length, LLWL)(劉必林 等,2009)。

1.2 角質(zhì)顎數(shù)據(jù)標(biāo)準(zhǔn)化

神經(jīng)網(wǎng)絡(luò)(neural network, NN)使用各特征值前,要對(duì)特征值進(jìn)行標(biāo)準(zhǔn)化。首先, 將3 個(gè)海區(qū)轉(zhuǎn)換成數(shù)字1、2、3, 以適合神經(jīng)網(wǎng)絡(luò)讀取。其次, 由于在大樣本訓(xùn)練集中, 神經(jīng)網(wǎng)絡(luò)會(huì)遺忘最初訓(xùn)練過(guò)的樣本, 所以將3 個(gè)海區(qū)樣本的順序隨機(jī)打亂進(jìn)行訓(xùn)練。最后, 利用公式(1)將不規(guī)則數(shù)據(jù)歸一化至[-1,1]之間(周開(kāi)利 等, 2005)。

式中pi′表示標(biāo)準(zhǔn)化后的數(shù)據(jù),pi表示標(biāo)準(zhǔn)化前的數(shù)據(jù),pmin表示該特征中最小的數(shù)據(jù),pmax表示該特征中最大的數(shù)據(jù),P為樣本總數(shù)

隨后將標(biāo)準(zhǔn)化后的特征值數(shù)據(jù)集的90%劃分為訓(xùn)練集, 剩下的10%作為測(cè)試集。

1.3 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)是一種有反饋的前向傳播的NN,其層次結(jié)構(gòu)可以分為3 大類: 輸入層(I)、隱含層(H)和輸出層(O)。其中I、O 層只能為1 層, 而H 層可為多層(圖1)。設(shè)計(jì)一個(gè)BP 神經(jīng)網(wǎng)絡(luò)首先要確定的是其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu), 包括H 層層數(shù)和各層節(jié)點(diǎn)數(shù)(張德豐, 2018)。

圖1 BP 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)Fig. 1 The basic structure of BPNN

一般地, 當(dāng)各節(jié)點(diǎn)均采用Sigmoid 型函數(shù)時(shí),一個(gè)隱含層足以實(shí)現(xiàn)任意判決分類問(wèn)題(Cybenko,1989), 且NN 的迭代次數(shù)(即對(duì)權(quán)值的回調(diào)次數(shù))比起H 層的層數(shù)對(duì)識(shí)別正確率的影響更大(葉斌 等,2004)。本文中輸入樣本數(shù)為489, 根據(jù)袁曾任(1999)提出的算法(公式2), 通過(guò)設(shè)置H 層節(jié)點(diǎn)數(shù)為5～14,得當(dāng)H 層節(jié)點(diǎn)數(shù)為9 時(shí)識(shí)別率最高, 且訓(xùn)練速度較快。I 層節(jié)點(diǎn)數(shù)11 個(gè), 分別為ML、UHL、UCL、URL、UWL、ULWL、LHL、LCL、LRL、LWL 和LLWL; O 層節(jié)點(diǎn)數(shù)3 個(gè), 分別代表西北印度洋、中東太平洋和南海。

式中J為輸出節(jié)點(diǎn)數(shù),n為輸入神經(jīng)元數(shù),m為輸出神經(jīng)元數(shù),a為1～10 間的常數(shù)。

確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后, 隨機(jī)生成各權(quán)重和閾值,再帶入樣本參數(shù)進(jìn)行前向傳播和反饋調(diào)整。

1.3.1 根據(jù)輸入進(jìn)行前向傳播

為了解決網(wǎng)絡(luò)中線性不可分問(wèn)題, 選用S 型函數(shù)Sigmoid 作為映射函數(shù)為公式(3),f(x) 取值范圍為[0, 1], 其計(jì)算公式為

式中xi(i=1, 2, ... , I)為I 層中各節(jié)點(diǎn)的值;hj(j=1,2, ..., H)為H 層中各節(jié)點(diǎn)的值;αj為H 層第j個(gè)節(jié)點(diǎn)hj的閾值;ωji為I 層第i個(gè)節(jié)點(diǎn)到H 層第j個(gè)節(jié)點(diǎn)間的權(quán)值。

O 層中各節(jié)點(diǎn)的值為Ok(k=1, 2, ... , O), 表示此次通過(guò)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)計(jì)算預(yù)測(cè)出的海域, 計(jì)算公式為

式中kθ為O 層第k個(gè)節(jié)點(diǎn)ko的閾值,vkj為H 層第j個(gè)節(jié)點(diǎn)到O 層第k個(gè)節(jié)點(diǎn)間的權(quán)值。

1.3.2 對(duì)各層間的權(quán)重和各節(jié)點(diǎn)的閾值進(jìn)行調(diào)整(反向傳播)

基本原理是依據(jù)期望值和實(shí)際輸出值的差值進(jìn)行調(diào)整(圖2)。本文中網(wǎng)絡(luò)的方法為在δ的基礎(chǔ)上增加動(dòng)量項(xiàng)和自適應(yīng)學(xué)習(xí)率, 以應(yīng)對(duì)BP 神經(jīng)網(wǎng)絡(luò)存在的容易陷入局部最優(yōu)解、學(xué)習(xí)效率低、收斂速度慢等問(wèn)題(王莉莉 等, 2018), 具體方法如下。

(1)δ法調(diào)節(jié)權(quán)重

一次調(diào)整的大體方向是從后向前的, 依次為H層至O 層權(quán)值和O 層閾值的調(diào)整, 以及I 層至H 層權(quán)值和H 層閾值的調(diào)整。前者的校正誤差影響后者的調(diào)整(圖3)。將權(quán)值變更的值與誤差的梯度下降成正比, 通過(guò)反復(fù)的調(diào)整減小誤差。

圖3 H 層和O 層的閾值Fig. 3 The threshold value in hidden layer and output layer

① H 層至O 層權(quán)值和O 層閾值的調(diào)整

O 層的校正誤差為dk=yk(1-yk)(ok-yk),k=1,2,…, H。H 層至O 層權(quán)值vkj計(jì)算公式為

式中vkj為H 層第j個(gè)節(jié)點(diǎn)到O 層第k個(gè)節(jié)點(diǎn)間的權(quán)值,hj為H 層第j個(gè)節(jié)點(diǎn)的值,η為學(xué)習(xí)系數(shù)(0＜η＜1),t 表示時(shí)刻,t+1 表示下一時(shí)刻。輸出層閾值θ由以下公式確定:

式中θ(t+1)表示本次修正后(t+1 時(shí)刻)輸出層閾值,θ(t)表示修正前(t時(shí)刻)輸出層閾值,kθΔ 為輸出層的閾值校正量。

② I 層至H 層權(quán)值和H 層閾值的調(diào)整

式中jiω為I 層第i個(gè)節(jié)點(diǎn)到H 層第j個(gè)節(jié)點(diǎn)間的權(quán)值,xi為I 層第i個(gè)節(jié)點(diǎn)的值,η為學(xué)習(xí)系數(shù)(0＜η＜1),t+1 時(shí)刻為本次修正后,t時(shí)刻為修正前, 隱含層閾值aj的計(jì)算公式為

式中jαΔ 為隱含層的閾值校正量。

重復(fù)上述步驟, 直至誤差小于設(shè)定的精度(關(guān)小芳, 2014)或達(dá)到最大迭代次數(shù)。

(2) 引入動(dòng)量因子

在權(quán)值校正量Δvkj和Δkjω中引入動(dòng)量因子β(0≤β＜1) , 從而提升收斂速度, 計(jì)算公式為

式中dk為輸出層校正誤差;ej為隱藏層矯正誤差。同理, 可推出引入動(dòng)量因子后的H 層和O 層閾值修正量。若上一次校正后, 輸出值和期望值的方差更小,則β∈(0,1), 否則β=0。本文中當(dāng)輸出值更接近期望值時(shí),β=0.9。

(3) 學(xué)習(xí)率可變(自適應(yīng))

學(xué)習(xí)速率η在Delta 中為常數(shù), 這會(huì)導(dǎo)致當(dāng)誤差變化幅度小時(shí), 訓(xùn)練次數(shù)增加; 而誤差變化劇烈時(shí),因調(diào)整步長(zhǎng)較大, 跨過(guò)較窄的凹陷或突起區(qū)域, 使正確率下降, 收斂性差(關(guān)小芳, 2014)。因此, 除首次回調(diào)采用設(shè)定的學(xué)習(xí)速率, 之后都采取自適應(yīng)學(xué)習(xí)速率(公式16)。當(dāng)校正方向正確時(shí), 校正步伐變大; 當(dāng)校正方向錯(cuò)誤時(shí), 校正步伐減小(張德豐, 2018)。

式中γ為校正步長(zhǎng), 本文中校正方向正確時(shí)γ=1.05,校正方向錯(cuò)誤時(shí)γ=0.7。

1.3.3 對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試

經(jīng)過(guò)以上步驟后, 本研究初步獲得BP 神經(jīng)網(wǎng)絡(luò)鳶烏賊分類器, 接下來(lái)對(duì)其進(jìn)行識(shí)別效果測(cè)試,并根據(jù)結(jié)果分析鳶烏賊角質(zhì)顎的形態(tài)學(xué)特征。首先將測(cè)試樣本帶入, 觀察識(shí)別情況; 若識(shí)別效果良好,則用預(yù)留下的測(cè)試樣本對(duì)該分類器進(jìn)一步測(cè)試, 觀察其對(duì)陌生數(shù)據(jù)的泛化能力, 以防過(guò)度學(xué)習(xí)。

2 結(jié)果

2.1 角質(zhì)顎數(shù)據(jù)轉(zhuǎn)換

數(shù)的長(zhǎng)度范圍, 標(biāo)準(zhǔn)化后, 各特征值的極大值的絕對(duì)值均為1, 特征值為極大值的樣本大多分布在南海, 少數(shù)分布在西北印度洋; 極小絕對(duì)值基本都在10-2以下, 全部分布在西北印度洋(表1)。當(dāng)一個(gè)樣本的一個(gè)形態(tài)參數(shù)為該形態(tài)參數(shù)全部樣本中的極值, 該樣本的其他形態(tài)參數(shù)很可能也為極值, 如第42 號(hào)樣本的ML、UHL、ULWL、LLWL、LWL 均為極大值, 第464 號(hào)樣本的UHL、URL、LRL 均為極小值。

表1 標(biāo)準(zhǔn)化后的極值和所屬海域Tab. 1 The extreme value and its sea area after standardization

2.2 訓(xùn)練完成后的網(wǎng)絡(luò)

2.2.1 各層權(quán)重和閾值

由圖 4 可知, 迭代次數(shù)X=1492 時(shí), 均方差Y=0.04416, 即I 層到H 層各節(jié)點(diǎn)的權(quán)重的絕對(duì)值大小基本都在10-1級(jí)以上, 可見(jiàn)鳶烏賊胴長(zhǎng)和10個(gè)角質(zhì)顎數(shù)據(jù)指標(biāo)對(duì)用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行角質(zhì)顎分類都是非常重要的(圖4)。本研究中的BP 神經(jīng)網(wǎng)絡(luò)鳶烏賊海域分類器有 4 個(gè)關(guān)鍵數(shù)據(jù)矩陣, 分別是I 層和H 層間的權(quán)重(表2)、H 層和O 層間的權(quán)重(表3)、H 層各節(jié)點(diǎn)的閾值以及O 層各節(jié)點(diǎn)的閾值(圖3)。I 層11 個(gè)節(jié)點(diǎn)分別表示鳶烏賊的胴長(zhǎng)和10 個(gè)角質(zhì)顎特征值。權(quán)重的絕對(duì)值越大, 表示前一層節(jié)點(diǎn)對(duì)后一層節(jié)點(diǎn)的影響越大。在I 層到H層的99 個(gè)權(quán)重中絕對(duì)值大于2 的有5 個(gè), ML 和ULWL 特征參與的分別有2 個(gè), UCL 特征參與的有1 個(gè); 絕對(duì)值大于1.5 的權(quán)重中5 個(gè)的前驅(qū)節(jié)點(diǎn)是ULWL, 接下來(lái)依次是LHL、ML、UCL 和LLWL。因此, ULWL 對(duì)種族間差異的貢獻(xiàn)最大, 其次是ML 和LHL。

表2 I 層和H 層間的權(quán)重Tab. 2 The weights between input layer and hidden layer

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果Fig. 4 Neutral network training effect

表3 H 層和O 層間的權(quán)重Tab. 3 The weights between hidden layer and output layer

9 個(gè)H 層節(jié)點(diǎn)和3 個(gè)O 層節(jié)點(diǎn)的閾值, 后者分別表示3 個(gè)海區(qū)的判別閾值, 西北印度洋為-0.293,中東太平洋為-0.362, 南海為1.569(圖3)。

2.2.2 網(wǎng)絡(luò)訓(xùn)練情況

y軸的均方誤差為O 層實(shí)際輸出和期望值的方差, BP 神經(jīng)網(wǎng)絡(luò)隨著迭代次數(shù)的增加而收斂, 經(jīng)過(guò)1492 次迭代后就已收斂至目標(biāo)誤差, 其誤差為4.416×10-2(圖4)。

2.3 成型網(wǎng)絡(luò)的識(shí)別效果

2.3.1 對(duì)于訓(xùn)練集的識(shí)別效果

運(yùn)用動(dòng)量自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)對(duì)鳶烏賊進(jìn)行海區(qū)識(shí)別的總體準(zhǔn)確率可達(dá)到92.77%, 其中西北印度洋、中東太平洋和南海識(shí)別率分別為 88.89%、89.95%和96.80%(表4)。中東太平洋和南海鳶烏賊發(fā)生相互誤判的數(shù)據(jù)為24 組, 占所有誤判數(shù)據(jù)的66.66%。

表4 動(dòng)量自適應(yīng)學(xué)習(xí)方法下訓(xùn)練集識(shí)別結(jié)果Tab. 4 The recognition results of the training set with the momentum adaptive learning method

2.3.2 對(duì)于測(cè)試集的識(shí)別效果

由于對(duì)訓(xùn)練集的識(shí)別效果良好, 用測(cè)試集進(jìn)一步測(cè)試識(shí)別效果。對(duì)鳶烏賊角質(zhì)顎測(cè)試集進(jìn)行海區(qū)識(shí)別的總體準(zhǔn)確率可達(dá)到93.24%, 其中西北印度洋、中東太平洋和南海識(shí)別率分別為100%、88.89%和94.12%。西北印度洋的角質(zhì)顎識(shí)別率最高, 達(dá)到零誤差, 而且中東太平洋和南海的鳶烏賊不會(huì)被誤判到西北印度洋海區(qū)(表5)。

表5 動(dòng)量自適應(yīng)學(xué)習(xí)方法下測(cè)試集識(shí)別結(jié)果Tab. 5 The recognition results of the test set with the momentum adaptive learning method

2.3.3 其他學(xué)習(xí)方法的識(shí)別效果

若只采用傳統(tǒng)的梯度下降法(δ法), 西北印度洋、中東太平洋和南海的識(shí)別率分別為46.15%、70.37%和88.24%, 總識(shí)別率為74.32%。引入動(dòng)量因子后, 西北印度洋的識(shí)別率上升至53.85%, 中東太平洋的識(shí)別率仍為70.37%, 南海的識(shí)別率小幅上升至91.12%, 總識(shí)別率為77.03%, 比傳統(tǒng)方法上升約3%(表6)。

表6 各種BP 學(xué)習(xí)方法的識(shí)別效果Tab. 6 The recognition results with different sorts of BPNN learning methods

為學(xué)習(xí)率加入自適應(yīng)調(diào)節(jié)后, 西北印度洋、中東太平洋和南海的識(shí)別率分別大幅上漲至84.62%、81.48%和 94.12%, 該學(xué)習(xí)方法的總識(shí)別率為74.32%, 比傳統(tǒng)方法識(shí)別率高10%。

2.3.4 僅使用角質(zhì)顎數(shù)據(jù)的識(shí)別效果

若是不采用胴長(zhǎng)數(shù)據(jù), 只用10 個(gè)角質(zhì)顎參數(shù)進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)動(dòng)量自適應(yīng)法分析識(shí)別, 西北太平洋、中東太平洋和南海的識(shí)別率分別為84.62%、81.48%和91.18%, 均有7%～15%不同幅度的下降。

3 討論

3.1 BP 神經(jīng)網(wǎng)絡(luò)中動(dòng)量自適應(yīng)學(xué)習(xí)方法與傳統(tǒng)學(xué)習(xí)方法δ的比較

傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法具有容易陷入局部最優(yōu)解和學(xué)習(xí)速度慢的缺點(diǎn), 為證明動(dòng)量和自適應(yīng)學(xué)習(xí)率引入的必要性, 將其識(shí)別效果和傳統(tǒng)學(xué)習(xí)方法、單一動(dòng)量學(xué)習(xí)方法和單一自適應(yīng)學(xué)習(xí)方法(學(xué)習(xí)率可變)進(jìn)行對(duì)比。

動(dòng)量法即在權(quán)值修正量中引入動(dòng)量因子, 以減小振蕩趨勢(shì), 改善其收斂性, 從而提高網(wǎng)絡(luò)訓(xùn)練速度。自適應(yīng)法將學(xué)習(xí)率從傳統(tǒng)BPNN 中的固定值變?yōu)閯?dòng)態(tài)值, 從而避免了在平坦區(qū)域內(nèi)學(xué)習(xí)率太小導(dǎo)致訓(xùn)練次數(shù)增加, 和在誤差變化劇烈的區(qū)域中學(xué)習(xí)率太大導(dǎo)致忽略極高或極小區(qū)域的問(wèn)題, 這兩個(gè)問(wèn)題會(huì)延長(zhǎng)達(dá)到目標(biāo)方差的時(shí)間, 增加迭代次數(shù)。用傳統(tǒng)學(xué)習(xí)方法的鳶烏賊分類器對(duì)西北印度洋鳶烏賊的識(shí)別率低至 46.15%, 不及動(dòng)量自適應(yīng)方法的50%(表5)。而總體上看, 動(dòng)量自適應(yīng)方法的識(shí)別率也比傳統(tǒng)方法上升19%, 且各個(gè)海域的識(shí)別率均有上升。其中動(dòng)量(學(xué)習(xí)率可變)的引入尤為關(guān)鍵, 單一動(dòng)量的引入就使總識(shí)別率上升10%。因此, 動(dòng)量和可變學(xué)習(xí)率的引入對(duì)分類器識(shí)別率的提升至關(guān)重要,這也驗(yàn)證了傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的問(wèn)題。

3.2 模式識(shí)別和其他判別方式的比較

傳統(tǒng)的分子生物學(xué)方法判別頭足類的種類實(shí)驗(yàn)操作比較復(fù)雜, 并且在分類地位比較相近的種類,尤其種群之間的判別效果不明顯。角質(zhì)顎形態(tài)結(jié)構(gòu)穩(wěn)定, 且數(shù)據(jù)采集方式便利, 所以, 利用角質(zhì)顎形態(tài)來(lái)判別頭足類的種類和種群比分子生物學(xué)方法便捷許多。有學(xué)者利用角質(zhì)顎形態(tài)特征差異劃分了西北部印度洋、中西太平洋和熱帶東太平洋3 個(gè)海區(qū)的鳶烏賊種群, 結(jié)果總體交叉驗(yàn)證判別正確率為63.5%(Liu et al, 2018)。然而, 本研究所采用的方法更加準(zhǔn)確, 判別準(zhǔn)確率提高了近20%。但是, 動(dòng)量自適應(yīng)BP 神經(jīng)網(wǎng)絡(luò)的不足之處在于需要采集大量樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。而且, 由于構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)缺乏統(tǒng)一的標(biāo)準(zhǔn), 各節(jié)點(diǎn)間的權(quán)重和各節(jié)點(diǎn)的閾值的初始值為隨機(jī)數(shù), 所以每次訓(xùn)練得到的NN 識(shí)別率會(huì)有3%以內(nèi)的誤差。不過(guò)這一缺點(diǎn)可以通過(guò)多次訓(xùn)練, 保存識(shí)別率最高的網(wǎng)絡(luò)來(lái)彌補(bǔ)。

3.3 胴長(zhǎng)對(duì)識(shí)別結(jié)果的影響

由于角質(zhì)顎能長(zhǎng)久儲(chǔ)存生物特征, 且已有研究證明角質(zhì)顎能存儲(chǔ)體長(zhǎng)信息(Clarke, 1962; 徐杰 等,2016; 李建華 等, 2018), 故去除胴長(zhǎng)參數(shù)、僅用角質(zhì)顎進(jìn)行判別。然而其識(shí)別率比加入胴長(zhǎng)數(shù)據(jù)的總識(shí)別率下降近7%, 這可能是因?yàn)椴煌Ｓ虻镍S烏賊體型大小差異所致。雖然大多數(shù)鳶烏賊角質(zhì)顎大小與胴長(zhǎng)成正相關(guān), 但是仍有少數(shù)鳶烏賊胴長(zhǎng)較長(zhǎng),角質(zhì)顎卻較小, 導(dǎo)致誤判。

4 結(jié)論與展望

本研究首次基于BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鳶烏賊海域分類器, 并加入動(dòng)量和可變學(xué)習(xí)率對(duì)其進(jìn)行改進(jìn),同時(shí)為頭足類種群判別提供新方法。利用前饋反向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和動(dòng)量自適應(yīng)學(xué)習(xí)算法, 對(duì)標(biāo)準(zhǔn)化后的鳶烏賊角質(zhì)顎和胴長(zhǎng)形態(tài)參數(shù)進(jìn)行訓(xùn)練, 經(jīng)過(guò)1492 次迭代后就已收斂至目標(biāo)誤差, 其誤差為4.416×10-2, 用測(cè)試集檢測(cè)得出的神經(jīng)網(wǎng)絡(luò)的總正確率為93.24%。網(wǎng)絡(luò)對(duì)西北印度洋、中東太平洋和南海等3 個(gè)海區(qū)的識(shí)別正確率分別為100%、88.89%和94.12%, 高于傳統(tǒng)學(xué)習(xí)方法、單一動(dòng)量學(xué)習(xí)方法和單一自適應(yīng)學(xué)習(xí)方法。經(jīng)實(shí)驗(yàn)證明, 學(xué)習(xí)率自適應(yīng)對(duì)判別正確率的影響更大。若去除胴長(zhǎng)參數(shù), 總識(shí)別率為86.49%?？梢?jiàn), 雖然鳶烏賊角質(zhì)顎能儲(chǔ)存較完整的年齡和胴長(zhǎng)信息, 但是有一定局限性。

在實(shí)際應(yīng)用時(shí), 根據(jù)4 個(gè)數(shù)據(jù)矩陣(表2、表3和圖3)可以直接得出西北印度洋、中東太平洋和南海等 3 個(gè)海區(qū)鳶烏賊所屬海域的分類器, 省去數(shù)據(jù)采集、存儲(chǔ)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需的時(shí)間, 將所要識(shí)別的鳶烏賊的相關(guān)數(shù)據(jù)根據(jù)訓(xùn)練樣本根據(jù)訓(xùn)練集各特征值的極值(表1)歸一化后, 代入分類器即可, 進(jìn)行高效率、低設(shè)備處理和存儲(chǔ)能力要求的識(shí)別工作。

此方法目前只支持西北印度洋、中東太平洋和南海等3 個(gè)海區(qū)鳶烏賊之間的識(shí)別, 若加入其他海域的鳶烏賊數(shù)據(jù), 或用于其他頭足類的不同海域間的識(shí)別, 結(jié)果如何還有待進(jìn)一步研究。