Page 16 - 《水产学报》2025年第11期
P. 16
朱国平，等 水产学报, 2025, 49(11): 119102
以及富含噪声的特点时表现出高准确率、高 增多，呈现显著上升的趋势，表明了机器学习
稳健性以及高效率等优点。其优势也逐渐被海 在鱼类判别研究中占据越来越重要的地位。本
洋学领域的学者所认可，这些传统统计学方法 文从鱼类物种识别和种群判别问题出发，总结
无法实现的优点使得机器学习在海洋学领域的 机器学习的研究方法，并结合其在鱼类物种识
应用越来越广泛 [6-7] 。由图 1 可以看出，2015 年 别和种群判别领域中的应用，展望机器学习在
后，关于鱼类判别研究的论文数量增长呈现稳 鱼类生物学中如何合理地应用及其存在的问题
定上升的趋势，其中包含机器学习的研究日渐 和挑战。
1 200 60
鱼类判别 应用机器学习的鱼类判别
1 000 50
总发表成果数量 published paper amount 600 30 总发表成果数量 published paper amount
40
800
400
20
200 10
0 0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
发表年份
published year
图 1 机器学习在鱼类物种识别和种群判别中应用的研究成果趋势
数据来源为 Web of Science 数据库 (https://www.webofscience.com/)。
Fig. 1 Trends in published papers on ML application in fish species identification and stock discrimination
Data source: Web of Science (https://www.webofscience.com/).
1 机器学习 port Vector Machines, SVM)、 神 经 网 络 方 法
(Neural Networks)、决策树算法 (Decision Tree,
机器学习是一类能开发执行数据驱动决策 DT)、随机森林算法 (Random Forest, RF) 以及基
[8]
动态算法的统称 。它是通过计算机将经验转 于实例的学习算法 (Instance-Based Learning) 等 。
[11]
化为专业知识的过程。对于输入的数据，机器 其中，判别分析方法和贝叶斯分析方法是基于
学习模型能够“学习”数据之间的潜在关系，形 统计学的分类方法。统计学方法的特点是具有
成固定的模式解决问题。总而言之，机器学习 明确的潜在概率模型，该模型提供了实例分属
算法的输出是经过学习后的专业知识 。 每个类的概率，并以此作为分类的依据 。判
[9]
[12]
机器学习有两种不同的学习方式：①基于 别分析方法常用的分类器为线性判别分析 (Lin-
监督学习的机器学习方法；②基于非监督学习 ear Discriminant Analysis, LDA) 及二次判别分析
的机器学习方法 。监督学习的训练数据拥有 (Quadratic Discriminant Analysis, QDA)，贝叶斯
[10]
标签 (或标注)，而非监督学习的数据是无需标 方法中常用的分类器为朴素贝叶斯分类器。支
注的数据。 持向量机方法通过求解特征向量的最大间隔超
[13]
监督学习在鱼类物种识别和种群判别任务 平面实现分类 。神经网络方法为近几年的研
中使用更为广泛，其使用的主要分类方法包括 究热点，其中，人工神经网络 (Artificial Neural
判别分析方法 (Discriminant Analysis)、贝叶斯 Networks, ANN) 以 及 卷 积 神 经 网 络 (Convolu-
方法 (Bayesian Analysis)、支持向量机方法 (Sup- tional Neural Networks, CNN) 均在鱼类物种识别
https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
2
