齐 雷， 胡姣婵， 于双和, 阎 妍， 赵 颖

(1. 大连海事大学 船舶电气工程学院， 辽宁 大连 116026； 2. 大连海事大学 环境科学与工程学院， 辽宁 大连 116026)

浮游生物是海洋生物资源的重要组成部分，在海洋生态系统的物质循环和能量流动中起着极其重要的作用.有效掌握海域中浮游动植物的类群、密度和多样性是海洋生态学研究中的基础性科学问题.

传统浮游生物自动检测是基于人工设定特征进行检测的方法.这些人工设定的特征依靠大量的先验知识，并且人工设定的特征参数数量有限，检测结果常常受到人为偶然误差的影响.尤其是浮游生物种类之间形态类似，使得人工提取目标特征过程变得复杂且冗余，因此限制了目标的检测精度.基于机器学习的检测方法是通过提取目标物特征，利用大数据的优势,使用分类器对特征进行处理的1种方法.文献[1]将不变矩特征和具有灰度形态粒度的傅里叶边界描述子结合起来，形成特征向量，捕捉浮游生物图像的形状和纹理信息进行分类，首次实现了浮游生物的自动分类，最后利用自适应特征选取的快速线性分类器实现目标分类.文献[2]采用主成分分析(principal component analysis, PCA)和独立成分分析(independent component ana-lysis, ICA)相结合的多层混合分类模型，提取浮游生物样本特征，并结合改进的K-最近邻算法进行分类.文献[3]提出1种基于多核学习的多视图特征相结合的浮游生物图像自动分类系统，通过使用3个核函数，将不同类型特征进行组合，达……