本发明公开了一种海岸带受损生态系统评估方法，包括以下步骤：A、采集海岸带观测点生态数据，部分数据经过实验分析得出单一生态因子数据结果，根据logistic回归模型得到海岸带观测点的生态评估结果数据集；B、建立神经网络预测模型，并进行训练；C、将步骤A中得到的核心生态评估指标数据集输入步骤B训练好的神经网络预测模型，得到整个海岸带受损生态系统评估结果。本发明能够改进现有技术的不足，降低了数据采集和处理的工作量。
1.一种海岸带受损生态系统评估方法，其特征在于包括以下步骤：
A、采集海岸带观测点生态数据，部分数据经过实验分析得出单一生态因子数据结果，根据logistic回归模型得到海岸带观测点的生态评估结果数据集；
C、将步骤A中得到的核心生态评估指标数据集输入步骤B训练好的神经网络预测模型，得到整个海岸带受损生态系统评估结果；
步骤B中，对神经网络预测模型进行训练包括以下步骤，
B2、向输入层输入稳态训练数据，同时逐一将激活节点转化为休眠节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为休眠节点，标记输出数据波动性最小值对应的隐藏层节点状态；
B3、向输入层输入稳态训练数据，同时逐一将休眠节点转化为激活节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为激活节点，标记输出数据波动性最小值对应的隐藏层节点状态；
B4、将两次训练得到的隐藏层节点状态作为隐藏层运算优化区间的两个端点。
2.根据权利要求1所述的海岸带受损生态系统评估方法，其特征在于：步骤A中，采集的生态数据包括叶绿素a含量、化学需氧量、生物需氧量、海水半交换周期、浮游生物量、鱼卵与仔鱼密度、潮间带生物量、底栖生物量。
3.根据权利要求1所述的海岸带受损生态系统评估方法，其特征在于：步骤B中，神经网络预测模型包括输入层、隐藏层和输出层；隐藏层的节点分为两类，一类为休眠节点，另一类为激活节点；休眠节点的触发阈值高于激活节点的触发阈值。
4.根据权利要求1所述的海岸带受损生态系统评估方法，其特征在于：步骤C中，将步骤A中得到的生态评估结果数据集输入步骤B训练好的神经网络预测模型后，首先在隐藏层运算优化区间范围内随机选择一个隐藏层节点状态进行运算；当输出结果波动幅度超出设定阈值时，对隐藏层节点状态在隐藏层运算优化区间范围内进行优先调整，若无法使输出结果波动幅度降低至设定阈值以内，则将调整范围扩大到隐藏层运算优化区间范围以外，然后根据最终的调整结果对隐藏层运算优化区间进行实时修正，得到整个海岸带受损生态系统评估结果。
一种海岸带受损生态系统评估方法
技术领域
[0001] 本发明涉及海岸带生态系统评估技术领域，尤其是一种海岸带受损生态系统评估方法。
背景技术
[0002] 海岸带是指现在海陆之间相互作用的地带，是陆地和海洋的分界线。由于海岸带处于特殊的地理位置上，加之人类生产活动非常频繁，所以海岸带生态系统非常容易受到
污染和破坏。现有技术中，中国发明专利申请CN 106611256 A公开了一种海岸带生态安全
评价模型的构建方法，这种方法，将海岸带的陆域部分和海域部分整合成一个整体，能够准确科学地对海岸带生态安全现状作出评估。但是，这种方法在进行评估时需要大量的数据
作为基础，才能实现对整个海岸带的全面覆盖，数据采集和处理的工作量较大。
发明内容
[0003] 本发明要解决的技术问题是提供一种海岸带受损生态系统评估方法，能够解决现有技术的不足，降低了数据采集和处理的工作量。
[0004] 为解决上述技术问题，本发明所采取的技术方案如下。
[0005] 一种海岸带受损生态系统评估方法，包括以下步骤：
[0006] A、采集海岸带观测点生态数据，部分数据经过实验分析得出单一生态因子数据结果，根据logistic回归模型得到海岸带观测点的生态评估结果数据集；
[0007] B、建立神经网络预测模型，并进行训练；
[0008] C、将步骤A中得到的核心生态评估指标数据集输入步骤B训练好的神经网络预测模型，得到整个海岸带受损生态系统评估结果。。
[0009] 作为优选，步骤A中，采集的生态数据包括叶绿素a含量、化学需氧量、生物需氧量、海水半交换周期、浮游生物量、鱼卵与仔鱼密度、潮间带生物量、底栖生物量。
[0010] 作为优选，步骤B中，神经网络预测模型包括输入层、隐藏层和输出层；隐藏层的节点分为两类，一类为休眠节点，另一类为激活节点；休眠节点的触发阈值高于激活节点的触发阈值。
[0011] 作为优选，步骤B中，对神经网络预测模型进行训练包括以下步骤，B1、将隐藏层节点全部转化为激活节点；
[0012] B2、向输入层输入稳态训练数据，同时逐一将激活节点转化为休眠节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为休眠节点，标记输出数据波动性最小值对应的隐藏层节点状态；
[0013] B3、向输入层输入稳态训练数据，同时逐一将休眠节点转化为激活节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为激活节点，标记输出数据波动性最小值对应的隐藏层节点状态；
[0014] B4、将两次训练得到的隐藏层节点状态作为隐藏层运算优化区间的两个端点。
[0015] 作为优选，步骤C中，将步骤A中得到的生态评估结果数据集输入步骤B训练好的神经网络预测模型后，首先在隐藏层运算优化区间范围内随机选择一个隐藏层节点状态进行
运算；当输出结果波动幅度超出设定阈值时，对隐藏层节点状态在隐藏层运算优化区间范
围内进行优先调整，若无法使输出结果波动幅度降低至设定阈值以内，则将调整范围扩大
到隐藏层运算优化区间范围以外，然后根据最终的调整结果对隐藏层运算优化区间进行实
时修正。
[0016] 采用上述技术方案所带来的有益效果在于：本发明通过建立专门设计的神经网络预测模型，利用少量的点状数据采集，通过神经网络预测模型的运算，模拟出整个海岸带的生态系统状态，降低了数据采集和运算的工作量。神经网络预测模型的隐藏层节点分为休
眠和激活两个状态，并可以实时转化，从而在保证预测准确性的同时实现降低隐藏层节点
实际运算量的目的。与此同时，隐藏层通过自适应的节点状态调整，保持隐藏层的最佳运算状态。
附图说明
[0017] 图1是本发明一个具体实施方式的流程图。
具体实施方式
[0018] 参照图1，本发明一个具体实施方式包括以下步骤：
[0019] A、采集海岸带观测点生态数据，部分数据经过实验分析得出单一生态因子数据结果，根据logistic回归模型得到海岸带观测点的生态评估结果数据集；
[0020] B、建立神经网络预测模型，并进行训练；
[0021] C、将步骤A中得到的核心生态评估指标数据集输入步骤B训练好的神经网络预测模型，得到整个海岸带受损生态系统评估结果。
[0022] 步骤A中，采集的生态数据包括叶绿素a含量、化学需氧量、生物需氧量、海水半交换周期、浮游生物量、鱼卵与仔鱼密度、潮间带生物量、底栖生物量。
[0023] 步骤B中，神经网络预测模型包括输入层、隐藏层和输出层；隐藏层的节点分为两类，一类为休眠节点，另一类为激活节点；休眠节点的触发阈值高于激活节点的触发阈值。
[0024] 步骤B中，对神经网络预测模型进行训练包括以下步骤，
[0025] B1、将隐藏层节点全部转化为激活节点；
[0026] B2、向输入层输入稳态训练数据，同时逐一将激活节点转化为休眠节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为休眠节点，标记输出数据波动性最小值对应的隐藏层节点状态；
[0027] B3、向输入层输入稳态训练数据，同时逐一将休眠节点转化为激活节点，在此过程中监测输出数据的波动性，直至全部隐藏层节点均转化为激活节点，标记输出数据波动性最小值对应的隐藏层节点状态；
[0028] B4、将两次训练得到的隐藏层节点状态作为隐藏层运算优化区间的两个端点。
[0029] 步骤C中，将步骤A中得到的生态评估结果数据集输入步骤B训练好的神经网络预测模型后，首先在隐藏层运算优化区间范围内随机选择一个隐藏层节点状态进行运算；当
输出结果波动幅度超出设定阈值时，对隐藏层节点状态在隐藏层运算优化区间范围内进行
优先调整，若无法使输出结果波动幅度降低至设定阈值以内，则将调整范围扩大到隐藏层
运算优化区间范围以外，然后根据最终的调整结果对隐藏层运算优化区间进行实时修正。
[0030] 本发明可以使用有限的点状数据集，实现对整个海岸带生态系统状态的精准模拟和评估，降低了数据采集运算量。
[0031] 在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0032] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本
发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其
等效物界定。
