随着沿海地区工业不断发展,大量未经处理的污水流入海洋,导致赤潮灾害频发。赤潮已经成为破坏我国海洋生态环境最为严重的灾害之一。因此,对赤潮灾害进行准确的预测对保护海洋生态环境具有重大的意义。赤潮形成的原因非常复杂,具有突发性和非线性的特点。传统的赤潮预测方法难以对赤潮进行准确的预测。人工神经网络强大的学习能力以及非线性拟合能力,使得人工神经网络被广泛应用到赤潮预测中。本文基于BP神经网络(Back Propagation Neural Network)、支持向量机SVM(Support Vector Machine)以及天牛群智能优化算法BSO(Beetle Swarm Optimization),分别建立了基于BSO-BP神经网络赤潮预测模型以及基于BSO-SVM赤潮预测模型对夜光藻密度进行预测。具体研究内容如下:由于赤潮原始样本各变量之间存在许多冗余信息以及非线性的相关性。本文通过核主成分分析法KPCA(Kernel Principal Component Analysis)对赤潮样本进行降维处理。原始输入变量包含水温、盐度、总氮、可溶性无机磷以及浮游植物密度等6个特征参数,通过KPCA降维处理后,保留累计贡献率超过90%的4个主元。用较少的主元代替原始样本中的输入变量,并且保留了原始样本中的大部分信息。减少了后续模型训练时间,降低了无关因子对模型预测精度的影响。针对BP神经网络容易陷入局部最优的缺陷,提出一种基于BSO-BP神经网络的赤潮预测模型。首先,采用KPCA对输入变量进行降维处理,加快网络的收敛速度。其次,利用BSO优化BP神经网络初始权值、阈值。为了更好的平衡BSO算法的全局搜索能力以及局部搜索能力,引入倒S型函数来调整BSO算法中的惯性权重。从而使得BSO算法前期进行全局搜索保证模型的预测精度,后期进行局部搜索加快模型的收敛速度。最后,将BSO算法找到的最佳权值、阈值代入到BP神经网络中。仿真结果表明,经过智能优化算法优化后的BP神经网络模型有效的降低了平均相对误差。通过与BP神经网络以及PSO-BP、BAS-BP等模型对比,BSO-BP模型相对于其它模型在预测精度上具有优势,对夜光藻密度预测效果更好。针对BP神经网络对小样本数据进行训练容易出现过拟合的问题,提出一种基于BSOSVM的赤潮预测模型。首先,采用KPCA对赤潮原始输入变量进行降维处理。将降维后的样本作为BSO-SVM模型的训练样本和测试样本。接着,通过BSO算法对SVM中的惩罚参数C以及核宽度?进行寻优。最后,将BSO算法找到的最佳(C,?)组合代入到SVM中对夜光藻密度进行预测。仿真结果表明,相较于BSO-BP模型,BSO-SVM模型对夜光藻密度预测效果更好并且具有更好的稳定性。说明BSO-SVM模型更加适用于小样本的赤潮预测中。