围网渔情预报中强影响因子的挖掘技术研究

J4 ›› 2013, Vol. 35 ›› Issue (8): 163-167.

围网渔情预报中强影响因子的挖掘技术研究

李慧，胡云，王霞

（1.淮海工学院计算机工程学院，江苏连云港 222002;
2.淮海工学院江苏省海洋资源开发研究院，江苏连云港 222002)

收稿日期:2012-08-13 修回日期:2013-01-17 出版日期:2013-08-25 发布日期:2013-08-25
基金资助:
江苏省海洋资源研究院科技开放基金资助项目（JSIMR11B12）

Research on mining technique of
high effect factors in purse seine fishery prediction

LI Hui，HU Yun,WANG Xia

(1.Department of Computer Science,Huaihai Institute of Technology,Lianyungang 222002;
2.Jiangsu Province R&D Institute of Marine Resources,Huaihai Institute of Technology,Lianyungang 222002,China)

Received:2012-08-13 Revised:2013-01-17 Online:2013-08-25 Published:2013-08-25

摘要/Abstract

摘要：

针对传统围网渔业渔情预测方法的缺点，综合多种类型海洋环境因子，采用粗糙集理论中的属性约简方法，获得多种类型因子中的约简属性，即影响围网产量的强影响因子。该技术首先对渔情监测数据进行缺失值的填补，再利用可辨识矩阵进行属性约简，从而构建出强影响因子的核心属性集。该算法有效解决了渔情监测数据的稀疏性问题，提高了渔情预测的准确性。

关键词: 粗糙集理论, 围网, 数据挖掘, 渔情预测

Abstract:

Firstly, a new algorithm based on attribute frequency in the discernibility matrix is used to get the coreattribute of attribute reduction. Secondly, considering the effect of different kinds of marine environment factors, an effective prediction model is established to confirm the coreattribute to be the high effect factors of purse seine outputs. This method addresses the issue by automatically filling vacant item of the fishery monitor data set, and then to take a attribute deduction using the discernibility matrix to get the coreattribute to be the high effect factors of purse seine. The experiment results show that the algorithm efficiently improves sparsity of date set , and promises to make prediction more accurately .

Key words: rough set theory;purse seine;data mining;fishery prediction

李慧，胡云，王霞. 围网渔情预报中强影响因子的挖掘技术研究[J]. J4, 2013, 35(8): 163-167.

LI Hui，HU Yun,WANG Xia. Research on mining technique of
high effect factors in purse seine fishery prediction [J]. J4, 2013, 35(8): 163-167.

[1]	赵琰, 马慧芳, 王文涛, 童海斌, 贺相春. 可靠响应表示增强的知识追踪方法[J]. 计算机工程与科学, 2024, 46(03): 535-544.
[2]	雷轩, 程光, 张玉健, 郭靓, 张付存. 基于电力网络态势感知平台的告警信息关联分析[J]. 计算机工程与科学, 2023, 45(07): 1197-1208.
[3]	王晨宇, 温浩珉, 郭晟楠, 林友芳, 万怀宇, . 面向快递员揽收到达时间预测的多任务深度时空网络[J]. 计算机工程与科学, 2023, 45(01): 136-144.
[4]	程小刚, 郭韧, 周长利, . 基于理性密码学的分布式隐私保护数据挖掘框架[J]. 计算机工程与科学, 2022, 44(10): 1781-1787.
[5]	王文涛, 马慧芳, 舒跃育, 贺相春. 基于上下文表示的知识追踪方法[J]. 计算机工程与科学, 2022, 44(09): 1693-1701.
[6]	刘云, 肖添. 网络日志数据中条件因果挖掘算法的优化研究[J]. 计算机工程与科学, 2021, 43(09): 1584-1590.
[7]	文凯, 许萌萌, 张许红, . 基于列表结构的加权可擦除项集挖掘算法[J]. 计算机工程与科学, 2021, 43(09): 1676-1683.
[8]	熊中敏, 汪博, 陶然, 郑宗生, 陈明, . 一种基于主属性判定的关联规则挖掘约简算法[J]. 计算机工程与科学, 2021, 43(04): 738-745.
[9]	藏润强, 左美云, 郭鑫鑫. 基于Doc2Vec和BiLSTM的老年患者疾病预测研究[J]. 计算机工程与科学, 2020, 42(12): 2273-2279.
[10]	何望1,2，林果园1,2. 基于FP-Growth改进算法的云服务器故障数据分析[J]. 计算机工程与科学, 2020, 42(05): 770-775.
[11]	谭胜昔，贾金萍，赵斌，吉根林. 动态空间网络中的黑洞模式挖掘算法[J]. 计算机工程与科学, 2020, 42(02): 325-333.
[12]	何登平1，2，3，何宗浩1,2，李培强1,2. 基于Spark的并行化高效用项集挖掘算法[J]. 计算机工程与科学, 2019, 41(10): 1723-1730.
[13]	陈胜发，贾瑞玉. 基于密度权重Canopy的改进K-medoids算法[J]. 计算机工程与科学, 2019, 41(10): 1823-1828.
[14]	何登平1,2,3，何宗浩1,2. 基于R-list的Top-K高效用项集挖掘算法[J]. 计算机工程与科学, 2019, 41(07): 1318-1324.
[15]	陈倩,刘云,高钰莹. 并行动态位向量频繁闭合序列模式挖掘算法[J]. 计算机工程与科学, 2018, 40(10): 1717-1725.