BP神经网络在海洋赤潮预测中的应用
BP人工神经网络在渤海湾叶绿素预测中的应用
作者简介：何恩业 （９ １） １８ －，男，助理工程师，主要从事赤潮 预报研究工作。
维普资讯
预 先给 定 的误 差 为 止 。网络 的信 号传送 由止 向传 播和 反 向传 播两 部 分 组成 ：在 正 向传播
维普资讯
第 ２ ５卷 第 ２期
２ ０ ０ ８ 年 ５月
海
洋
预
报
Ｖ ｏ１ ２５， Ｏ． ． Ｎ ２ Ｍ ａ ．２ ０ ｙ ０ ８
Ｍ Ａ ＲＩ Ｅ Ｎ ＦＯ ＲＥＣＡ Ｓ ＴＳ
Ｂ Ｐ人 工 神 经 网络 在 渤 海 湾 叶 绿 素 预 测 中 的 应 用
尚不 明确 而沿 海 海 洋 经 济 开发 又 切 实 需要 的情 况 下 ，利 用各 种 统 计 方法 对 赤 潮 发 生进 行
预 测 就成 了 目前 赤 潮预 测 研 究 的一 个重 要 方 面 。人 工 神经 网络 方 法 是对 赤 潮 进 行预 测 的 各 种 统计 方 法 中较 为有 效 的一 种 非 线性 拟 合 方 法 ， 工神 经 网络 方 法 （ ＮＮ） 人脑 及 其 人 Ａ 是 活 动 的一 个 理 论 化 的数 学 模 型 ，是 一 个 大 规模 的 非线 性 自适 应 系 统 ¨。虽 然 人 工神 经 网 １ 络 已经 发 展 了 半个 多 世 纪 ，但 将 其应 用 于 赤 潮 预 测 却 是 近 几 年 来 才 开 始 的 。吴 京 洪 等 （０ １ 根 据 大亚 湾 澳 头 海 域养 殖 区 １ ９ １ ９ 年 的 赤潮 监 测数 据 ，采 用 误 差 反 向传 播 ２０ ） ９７ ９９ 人 工神 经 网络 模 型 ，研 究 了浮 游 植 物 总 生物 量 与 理化 因子 的关 系 ，并 对 各 因 子 的重 要 性 作 了分 析 。蔡 如 钰 （０ １ 利 用 石城 岛和 王 家 岛附近 海 域 的 调 查数 据 ，建立 了 当地 海 域 】 ２０） 各 种 理 化 因 子 与夜 光 藻 密 度 间 的人 工 神 经 网络 映射 模型 ，并利 用 该 模 型对 各 种 理 化 因子 与夜 光 藻 密度 的非 线 性 对应 关 系 的外 向扩 展 和 内插进 行 了研 究 ，对 了解 夜光 藻 赤 潮 发 生 的机 理 具 有一 定 的意 义 】 。王 洪 礼等 （ ０ ６ 为 了研 究 各 种 理化 因子 与 赤潮 藻 类 密 度 间 非 ２０） 线 性对 应 规律 和 有 效 地预 测 赤 潮 藻类 密度 ，利 用 同样 的数 据 构建 了基 于 Ｂ Ｐ算 法 的一 个
BP神经网络-本科生毕业设计论文-小论文
基于智能计算的水质预测预警系统的设计与实现温子铭1,刘双印1（1.广东海洋大学信息学院，广东湛江524088）摘要：及时准确地掌握水质变化趋势是确保水产品健康养殖的关键，为此，本设计采用智能计算与现代Web开发技术有机结合，以软件工程为指导，按照面向对象程序设计的方法，构建5种基于智能计算的水质预测预警模型；采用J2EE为开发工具设计实现了B/S架构的水质预测预警系统。
该系统主要有水质数据管理、水质数据趋势展示、水质指标溶解氧浓度预测、水质预警管理等功能模块组成，用户界面友好，水质预测精度较高，能够满足水产养殖水质管理的需要。
该系统的研制为提前掌握水质未来发展趋势、水污染预警提供基础数据和手段，为应对突发水质事件、水质调节、水产养殖生产管理与规划提供科学的决策依据，有一定的实用价值。
关键词:水产养殖；水质趋势；J2EE；水质预测预警系统；智能计算；Design and Implementation of Water Quality Predicting and Early Warning SystemBase on Smart ComputingWen Ziming, Liu Shuangyin(1. Information Institute of Guangdong Ocean University, Zhanjiang,GuangDong 524088) Abstract:Have a good command of water quality trends in time and accurately is the key to assure health growth of the aquatic products. Therefore, this design is combined with intelligent computing and modern web development technology, on the guidance of software engineer, and also established five kinds of water quality predicting and early warning models based on intelligent technology according to the measure of Object-Oriented Programming; We adopted J2EE as development tool to achieve the water quality predicting and early warning system based on B/S framework. This system mainly included water quality data management module, water quality data trend module, dissolved oxygen prediction module and water quality early warning module. It’s useful for users and can meet the needs of aquatic water quality management. The establishment of this system provide the basic data and methods to handling the future water quality trend and water pollution early warning. And also provide the scientific decision for dealing with the water pollution events, water quality adjustment, aquaculture management and plans. It has practical value.Key words: Aquaculture, water quality trend, J2EE, water quality predicting and early warning system, intelligent computing.1引言我国是水产养殖大国，也是世界上唯一一个养殖产量超过捕捞产量的国家, 水产养殖为解决食品供给、粮食安全、改善民生，增加农民收入等方面发挥了重要作用。
bp网预报模型的建模方法及应用
bp网预报模型的建模方法及应用
随着现代社会的发展和进步，人们对技术的要求越来越高，各种预测技术也受到了广泛的应用。
BP网络预报模型是一种新兴的人工智能技术，它能够精确地预测未来的变化趋势，因此受到了社会的广泛关注。
本文就BP网络预报模型的建模方法及应用作一介绍，以期对此新技术的发展有所了解。
第一部分，主要介绍BP网络预报模型的建模方法。
BP网络模型是一种基于多层前馈神经网络的技术，它可以将复杂的函数映射到一个任意非线性结构。
首先，确定输入输出数据，然后利用梯度下降算法对输入和输出进行建模。
完成这一步之后，再通过反向传播算法调整权重，以达到最佳的模型精度。
第二部分，主要介绍BP网络预报模型的应用。
BP网络预报模型可应用于各种预测场景，如气象预测、股票市场预测以及经济发展趋势预测等。
在气象预测中，BP网络模型可以基于复杂的气象数据，准确预测天气状况；在股票市场预测中，可以基于历史股票数据，准确预测股票的变化趋势；在经济发展趋势预测中，可以基于经济数据，准确预测经济的发展趋势。
第三部分，主要介绍BP网络预报模型的局限性。
虽然BP网络预报模型具有极高的准确率，但存在一定的局限性：首先，它忽略了复杂度曲线，这可能会影响到模型的准确性；其次，它无法处理中断观测、局部极值问题，这也会降低预测的准确性；最后，它对数据量的要求较高，如果数据量不足，就无法达到较高的准确度。
最后，作为一种新兴的人工智能技术，BP网络预测模型取得了较大的成功。
它可以准确预测气象、股票市场和经济的发展趋势，为社会的发展和进步提供了帮助。
但是，它也有一定的局限性，因此在选择和使用时，也要根据实际情况进行合理的评估。
基于深度学习的海洋环境数据分析与预测技术研究
基于深度学习的海洋环境数据分析与预测技术研究海洋环境数据的分析与预测一直是海洋科学研究的重要领域之一。
随着深度学习技术的发展和应用，基于深度学习的海洋环境数据分析与预测技术成为了海洋科学家的有力工具。
本文将介绍基于深度学习的海洋环境数据分析与预测技术的研究进展，并探讨其在实际应用中的潜在价值。
深度学习是一种基于人工神经网络的机器学习方法，可以自动学习和提取海量数据中的特征，并通过建立复杂的非线性模型，对海洋环境数据进行分析和预测。
深度学习的主要优势在于能够处理大规模和高维度的海洋环境数据，并且能够从中学习到更为复杂的模式和规律。
首先，基于深度学习的海洋环境数据分析技术可以应用于海洋生态系统的研究。
海洋生态系统是自然界中最为复杂的生态系统之一，其中包含了大量的物种和复杂的环境因素。
通过深度学习技术，可以处理和分析多种类型的海洋环境数据，例如海洋温度、盐度、浊度等数据，并从中挖掘出生态系统中物种之间的相互关系及其对环境因素的响应。
这些分析结果对于保护海洋生态系统、预测生态系统演变趋势具有重要的意义。
其次，基于深度学习的海洋环境数据分析技术可以用于海洋灾害的预测和应对。
海洋灾害如台风、海啸等在短时间内对海洋环境和沿海地区造成巨大破坏。
借助深度学习技术，可以通过分析历史的海洋环境数据，建立灾害预测模型，并对未来可能发生的灾害进行准确预测。
这样，政府和相关部门可以提前制定相应的防灾应对措施，最大程度地减少灾害带来的损失。
第三，基于深度学习的海洋环境数据分析技术还可以用于海洋资源的评估和利用。
海洋资源是人类重要的能源和食物来源，而合理评估和利用海洋资源需要大量的数据和精确的模型。
深度学习技术可以结合海洋环境数据和其他相关数据，建立资源评估和利用模型，提供精准的数据和决策支持，促进可持续的海洋资源开发和利用。
最后，尽管基于深度学习的海洋环境数据分析与预测技术在海洋科学研究中具有广阔的应用前景，但是也面临一些挑战。
贝叶斯正则化的BP神经网络在经济预测中的应用
贝叶斯正则化的B P神经网络在经济预测中的应用
华中师范大学数学与统计学学院 李旭军
[摘 要]本文应用Bayesian正则化算法改进BP神经网络泛化能力。
通过对湖北省1985年—2004年关于经济发展水
平的数据进行拟和以及预测,结果表明采用Bayesian正则化算法比相同条件下采用其他改进算法泛化能力要好,收
敛速度快、预测精度高,方法简单,操作方便。
实例分析表明,贝叶斯正则化算法优化BP神经网络的方法是令人满意的,对经济预测有良好的预测效果。
[关键词]BP神经网络 贝叶斯正则 经济预测
—
—
7
6
—
86—
—96—。
基于BP神经网络的东江下游咸潮预测模型
基于BP神经网络的东江下游咸潮预测模型
许欢;李慧;戴吉胜
【期刊名称】《环境》
【年(卷),期】2011()S1
【摘要】东江自2004年以来受到潮汐、上游径流量影响频繁发生咸潮,影响到居民、生产用水。
本文以东江2009年10月～12月的潮位、上游径流量、咸度历史数据为基础,利用BP神经网络建立东江下游咸潮预测模型,并应用该模型对东江下游盐度变化进行了模拟和预测。
研究结果表明,该模型简单,操作方便,具有一定的实用性,对抗咸、合理分配水资源起到重要的指导作用。
【总页数】2页(P154-155)
【关键词】咸潮;东江;神经网络
【作者】许欢;李慧;戴吉胜
【作者单位】东莞市东江水务公司;东莞市水质监测中心
【正文语种】中文
【中图分类】X
【相关文献】
1.东江流域咸潮对饮用水处理工艺的影响及对策 [J], 李勇;张晓健;陈超;
2.东江下游潮区界、潮流界、咸水界变化对人类活动的响应 [J], 谭超;邱静;黄本胜;王珍
3.东江三角洲咸潮活动现状初探 [J], 吴宏旭;张庆通;曾维汉
4.基于AdaBoost算法和BP神经网络的咸潮模拟研究 [J], 陈记臣;查悉妮;卓文珊;周月英;姚寒梅;张泳华;刘祖发
5.基于EFDC的咸潮上溯对闽江下游水源地的影响 [J], 潘红澈;逄勇;罗缙;张鹏;谢蓉蓉
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Matlab的灰色-BP组合模型对海水水质的预测
基于Matlab的灰色-BP组合模型对海水水质的预测
吴磊;刘俊稚;孙静亚
【期刊名称】《中国水运（下半月）》
【年(卷),期】2016(016)011
【摘要】海洋保护是实现海洋资源可持续利用的必要途径,而对海水水质的预测则是海洋保护和开发的基础性工作.但是由于海洋水环境的复杂性,基础资料难以获取,导致机理性水质预测模型建立困难.本文采用最优组合权重的方法,建立了基于BP 神经网络模型和灰色GM(1.1)模型的组合模型,并通过Matlab的矩阵运算功能,实现对大量数据的预测,通过浙江岙山海域浮标监测历史数据对组合模型进行验证,最终得出组合模型的预测精度要高于子模型,模型可以用于水质数据预测和分析.【总页数】3页(P102-104)
【作者】吴磊;刘俊稚;孙静亚
【作者单位】浙江海洋大学海洋科学与技术学院,浙江舟山316000;浙江海洋大学海洋科学与技术学院,浙江舟山316000;浙江海洋大学海洋科学与技术学院,浙江舟山316000
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于MATLAB的BP神经网络组合预测模型在公路货运量预测中的应用
2.基于马尔科夫—灰色BP神经网络组合模型的深基坑变形预测研究
3.基于灰色补偿BP
神经网络优化组合模型的车辆装备冷却系腐蚀预测4.基于灰色BP神经网络组合模型的深基坑沉降预测5.基于小波去噪的灰色BP组合模型沉降变形监测预测模型应用
因版权原因，仅展示原文概要，查看原文内容请购买。
基于多种神经网络的水沙预测模型研究
基于多种神经网络的水沙预测模型研究随着社会经济的迅速发展和人口的快速增长，水资源的合理利用和管理成为全球关注的焦点。
水沙预测是水资源管理中的重要环节，它可以为流域的水资源调度、防洪减灾和生态环境保护提供科学依据。
近年来，随着人工智能技术的飞速发展，神经网络在水沙预测领域展现出了巨大的潜力。
本文将基于多种神经网络方法，探讨水沙预测模型的研究。
一、介绍水沙预测是指通过对流域水文气象等相关数据的统计分析和建模，来预测流域内未来一段时间的水流量和含沙量。
水沙预测模型的准确性和稳定性对于水利工程的设计和管理至关重要。
传统的水沙预测方法依赖于统计模型和物理模型，但这些方法在复杂的水文环境下存在一定的局限性。
而神经网络作为一种数据驱动的模型，在处理非线性、非平稳等问题上有着独特的优势。
二、常用的神经网络方法1. BP神经网络BP神经网络是最基本也是最常用的神经网络模型之一，它通过反向传播算法不断调整权值和偏置，从而提高模型的预测能力。
在水沙预测中，可以将过去的水文数据作为输入，将未来的水流量和含沙量作为输出，利用BP神经网络来建模和预测。
2. RNN神经网络RNN神经网络(Recurrent Neural Network)是一种具有记忆功能的神经网络模型，适合处理时间序列数据。
在水沙预测中，可以利用RNN的循环结构，将过去的水文数据作为输入，并考虑到时间序列的相关性，从而提高预测的准确性。
3. LSTM神经网络LSTM神经网络(Long Short-Term Memory)是对传统RNN的一种改进，它可以更好地解决长期依赖问题。
在水沙预测中，LSTM神经网络可以对过去的水文数据进行学习，捕捉到长期的时间依赖关系，并通过不同的神经元状态来动态调整网络结构，从而改善模型的性能。
三、基于多种神经网络的水沙预测模型为了进一步提升水沙预测模型的准确性和稳定性，研究者开始尝试结合多种神经网络方法来构建高效的水沙预测模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
E =艺凡
3 . 循环 记忆 训 练
B P 网络的训练 学习过程分两部分 : 首先 , 将数据输人 网络输人层 , 输人层神经元 接受到信息后 , 根据输人层神经元的传递 函数将信息传给隐含层 , 隐含层神经元将信息
传递给输 出层 ; 然后 , 用 B P 网络将实际输出与 目标相 比较 , 如果误差超过给定值 , 则 将误差向后传递 , 也就是向输出层
面积为 26 枷 2, 现场监测 分析了大量的样品 , 各测定项 目的分析测试均按 照 海洋监 0 测规范 和 海洋调查规范 进行 , 本次运算选取 6 个样品作为预测样本 (表 2 )
表 2 辽东湾某海域赤潮观察数据 以及神经 网络预测样本
样
不
. _ __
水 况 ZU
溶解氧
, ( g/ ) m L
第5 集 0
2010 年 3 月
海
洋
科
学
集
刊
N 0. 50
ST U D I A
M 人侧[ A S 创 IC A N
M areh , 2 0 10
B P 神经 网络在 海洋赤潮预测 中的应用*
刘 伟
(山东科技大学土木建筑学院, 青岛 26651 ) 0
近年来 , 赤潮发生的频率越来越高 据统计 , 我国自 1 9 一 9 0 1998 年沿海发生的有害 赤潮达 23 次 (吴玉霖等 , 2 叫 , 对海洋渔业 海水养殖业及滨海旅游业等均造成一定 4
现场监测 分析了大量的样品 , 各测定项 目的分析测试均按照 海洋监测规范 和 海 洋调查规范 进行 , 将这两次发生赤潮期前后测量的数据作为学习样本 , 本次运算选取
9 个样 品 (表 1)
表1
样 本
水 温/
广东大亚海 某海域 赤潮观察数据以及神经网络学 习样本
盐度
30 . 0 3 30 . 0 4 30 . 0 3
二
B P 技术在海洋赤潮灾害 中的预测
1. 海 洋 赤潮 的影 响 因素
氧
国内专家结合 199 ~ 00 年赤潮监测资料分析, 认为赤潮的现象主要与水温 溶解 7 2 0 盐度 总氮 可溶性无机磷 浮游植物密度 夜光藻密度 的变化等物理 因子关系密
刘
伟 : B P 神经网络在海洋赤潮预测 中的应用
1 05 3 3 9 .72
9 8.5 4
3 16 23. 0 7
109 .7 5
0 ,I,0 0,0 , l
0, 0 , 1
无赤潮
无 赤潮
4 . 神 经元 的确 定及 误差 分析
本文作者采用 M A LA B 语言程序来 确定隐含层单元 的个数 , 该 网络 的输人层 的 T
神经元个数为 7 , 输 出层的神经元个数 为 1, 根据隐含层设计经验公式 以及考虑预测 的实际情况 , 解决该 问题 的网络隐含层神经元个数应该 为 18一 9 2 因此 , 下面设计 一个 隐含层神经元 数 目可变的 B P 网络 , 通过误差对 比 , 确定最佳 的隐含层神经元个 数 , 并检验活化 函数对网络性能的影 响 通 过计算 , 不同的神经元对应 的误差 如表 3
水温 溶解 氧 盐度
总氮
可溶 性无机 磷
悬浮植物密度
夜 光藻密 度
图2
预测海洋赤潮神经 网络示意 图
2 . 实例分 析
广东大亚湾某港湾 , 是广东的一个典型水产养殖生产基地 ( 杨建强等 , 200 ) 该港 2
湾水域面积约为 6枷 2, 内湾面积仅为 1. 5枷 2, 平均水深约为 3. , 底质覆盖一层较松 m 0
难 以实现有效的连续监测 , 因而传统的预测方法真正有效的并不多见
其广泛应用
生态数值模型被
认为是研究及预报赤潮的发展方向, 但 由于过多依赖赤潮的机理 , 生态学机理而限制了 人工神经网络理论在处理非线性模式识别方面已表现出了很好的特性 , 它具有独特 的信息处理和解算能力 (刘伟等 , 200 ), 适用于机制 尚不清楚的高维非线性系统 7 本文 作者利用这一技术 , 通过分析该问题中影 响海洋赤潮的主要不确定性因素 , 建立赤潮发
溶解 氧
(m g L) /
7了1 ,. 5 1 4 , 8 7 3 ,刀2 ,J 2 6 4 6 5 8
总氮
/(m ol ) L l
3 2 . 0 1 6 8 3 7 . 0
可溶性 无机
磷 /(m l ) o L
2 7 1 3 4 . 0
浮游 植物 密度 z( 4 个/ 3) 10 m
14 7 . 0 0 7 1 .50 2 0 5 .50 10 5 .33 10 9 .72 1 18 54 14 8 . 0 0 12 4 .3 7 10 5 0
切 , 并利用上述 因子建立 了赤潮预报的预测模型 (林祖享等 , 2002 本文作者利用以上 ) 数据建立 了赤潮预测的神经网络模型 , 将上述定性因子量化处理 将水温 溶解氧 盐 度 总氮 可溶性无机磷 浮游植物密度 夜光藻密度作为输人 因子 , 将输出因子分为 赤潮预 3 个结果 , 即赤潮期 赤潮预警期和无赤潮期 , 输出数据分别为赤潮期 1,O,0 ] 警期 [ ,1,0 和无赤潮期 [ , ,1 0 ] 0 0 图 2 为预测海洋赤潮神经网络模 型示意图
7 . 0 9 3 1 5 4 :
n 0 o 目 曰 八
2 .05 0 .78
0. 1 3
2 6 0 .00 4 19 0 0
4 .0 4
1,0,0 1,0,0
0 , l, 0
8 l 6 4 . 0 5
赤潮期
赤潮 期 预替 期 预替期
0. 5 3 0.18
0 .2 6
0 .33 0 .2 1
0 .17
盐度
总氮
/(m ol ) L l
可溶 性 无
浮游 植物密
机
/( l ) o L m /
0 .3 6 0 .13
0 .3 5
磷
度 /(104 个Z 3) m
12 5 . 0 0 30. 8 7
1 00 . 0 5
夜光藻 密度
/(103 个l 3) m
数出 输据
实际 情况
6 亡 j 2 4 f
2 ,, 气
夜光藻 密度
/(103 个 l 3 m )
91 . .3 4 2( 0 0. ) 34 6 1烈5 7 8 : 2 8 7 6 1 4 0 7 .
输出 数据
0 n U , U 0 n 八. C 曰1 U 丹0 0 . 1 且 卫 , 盈 t
2
2 3 .30
4
2 2 .87
30 2 . 6 30 . 0 8
6 7 8 9
2 2 .99 2 4 .20 2 4 .2 6 4 7 2 一0
30 . 0 4 30 . 0 5 30. 1 5 30. 0 2
0 ,0 , 1 0, l, 0
96
海 洋 科 学 集 刊
3. 神经网络预测
我们在辽东湾某海域开展了赤潮跟踪预报预警监测试点工作 , 共设 1 个站点 , 覆盖 0
海 洋 科 学 集 刊
于最小值
且 一 曰 日 川
递 传 后 差 误 向
图 1 神经网络结构示意 图
, . 输入 模 式顺传 播
) l ( 从样本集中 取一个样本饵, 耳 将苏输人网络; ),
) 2 ( 计算相应的实际输 出 马 在此阶段 , 信息从输入层经过逐级的变换, 传送到输 出层 这个过程也是 网络在完成训练后正常运行时的过程 在此过程中, 网络执行的是 下列运算 :
乌 一 ( (F ( 凡 砰( 牙( ))牙 n F 2 月( ,) ,) ) ()
2 . 向后 传播 阶段
) l ( 计算实际输出马 与相应的理想输出 界的差;
2 ( )按极小化误差的方式调整权矩阵 ;
这两个阶段 的工作一般应受到精度 的控制 , 在这里取
艺( 一 , 场 气)
作为网络关于第 p 个样本的误差测度 而网络关于整个样本集 的误差测度为
生预测方法 , 通过检测海洋赤潮影响因素可以智能化地实时预测海洋赤潮现象是否发生 , 对 减少 海洋 赤潮 带来 的危 害具 有 十分重要 的指导 意义 该方 法是 一种 简便 实用 易 于 操作并能取得较为满意结果 的分析方法
一
神经 网络简介
B P 神经网络是一种前传网络 , 即所处理的信息逐层向前流动 , 而当学习权值时 , 却 是 根据 理想 输 出和 实际输 出的误差 , 由前 向后 逐层 修 改权值 , 从 而减 小误差 准则 函数 , 最终使 网络输出逼近样本实际输出, 达到训练神经 网络的 目的 播 (b c p r a a o ) 的学 习理 论 , 因此而 得名 (刘伟 等 , 20 07 a k o g t n P i ) 它采用了误差的后 向传
中通讯作者: 刘 伟 ( 9 2一), 男, 江苏泰州人, 山东科技大学 0 级研究生, 主要防灾减灾方面的学习研究: 地址: 青岛 l8 6 市经济技术开发区前湾港路 57 号, 邮编 : 2 5 0 : B m l: l uw ei 4 0 9@ 1 . 9 1 i 693 3 6 ~ .
4 9
参 考 文 献
林祖享, 梁舜华.200 . 探讨影响赤潮 的物理因子及其预报. 2 海洋环境科学, 2 ( :12 1 2 ) 5 刘伟等.200 .B P 神经网络在矿井通风系统中的应用. 山东制冷空调 , (2 : 于 1 7 ) l 5 齐雨藻, 黄长江. 199 . 南海大鹏湾海洋卡盾藻赤潮发生 的环境背 景. 海 洋与湖 沼, 2 8 ( :33 一 2 7 ) 4 7 34 吴玉 霖 , 周 成旭 , 张永 山等 . 200 . 烟 台四十 里湾 海 域红 色裸 甲藻赤 潮发 展过 程及 其成 因. 洋 与湖 沼, 32 (2 : 1 海 )