农业工程学报

作者：吕超,肖梦豪,刘爽,

关键词：渔船, 机器学习, 总吨计算公式, 非线性最小二乘法, 粒子群算法

基金：42

针对船舶总吨计算普遍存在复杂性高、计算过程繁琐以及精度不足等问题，该研究提出一种融合船舶多特征参数与多算法优化的建模方法。首先，基于船舶主尺度参数挖掘相关特征变量，并根据特征变量构建3种总吨非线性回归模型；其次，结合BP神经网络（backpropagation neural network，BPNN）和随机森林（random forest，RF）进行回归预测，并采用非线性最小二乘法和粒子群优化算法对模型进行拟合验证分析；最后，利用南海区域的1 913艘渔船数据进行了实验验证。结果表明：随机森林在渔船总吨回归预测中精度方面优于BP神经网络；非线性最小二乘法的平均偏差误差（mean bias error，MBE）、平均绝对误差（mean absolute error，MAE）和平均绝对百分比误差（mean absolute percentage error，MAPE）等各项评估指标以及计算效率均优于粒子群优化算法；混合总吨预测模型的各项评估指标上均优于其他模型，其MBE、RMSE（root mean squared error）、MAE、MAPE和决定系数italic>R/italic>su2/su分别为?styled-content style-type="number">1.2444/styled-content>、styled-content style-type="number">32.0362/styled-content>、24.481、9.94%、styled-content style-type="number">0.9619/styled-content>，模型具有良好的泛化能力和鲁棒性。在此基础上，对实船总吨、国际总吨丈量公式以及模型预测值进行对比，混合总吨预测模型精度要高于国际总吨丈量公式，验证了模型的有效性。本研究利用人工智能机器学习方法，优化渔船总吨的计算模型，提升了渔船总吨计算精度，为渔船数智化设计与管理提供有益参考。/

来源：2026年第5期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第5期