1.基于對(duì)比散度-長(zhǎng)短期記憶網(wǎng)絡(luò)的藍(lán)藻水華預(yù)測(cè)方法，其特征在于：包括以下步驟，步驟一、建立CD-LSTM模型；

所述的CD-LSTM模型，包括特征提取層、原始數(shù)據(jù)層、輸入層、隱藏層和輸出層；該CD-LSTM模型在輸入層接收原始數(shù)據(jù)層中經(jīng)過(guò)濾波處理后的表征因素的值以及經(jīng)過(guò)原始數(shù)據(jù)層和特征提取層所建立的對(duì)比散度算法處理后的影響因素的重構(gòu)值，并建立它們之間的時(shí)序關(guān)系，隱藏層采用LSTM模型進(jìn)行數(shù)據(jù)特征提取，輸出層為表征因素未來(lái)時(shí)刻，最終構(gòu)建CD-LSTM模型；

步驟二、采用改進(jìn)的移動(dòng)平均濾波算法對(duì)藍(lán)藻水華表征因素進(jìn)行平滑處理；

步驟二具體過(guò)程為，

假設(shè)輸入數(shù)據(jù)為X，輸出數(shù)據(jù)為Y，則移動(dòng)平均濾波器的計(jì)算公式如下所示：

其中，n表示第n個(gè)樣本，N表示所選取連續(xù)樣本中的樣本個(gè)數(shù)，X(n)表示樣本的輸入，Y(n)表示樣本的輸出，z1表示一個(gè)常數(shù)，rem(n,z1)表示常數(shù)n與常數(shù)z1取余數(shù)；

步驟三、采用對(duì)比散度算法對(duì)藍(lán)藻水華影響因素進(jìn)行重構(gòu)；

步驟三具體為，

以第j個(gè)影響因素為例，其計(jì)算公式如下：

B_j＝Φ[Wh+b] (3)

h'＝Φ[WB_j+a] (4)

其中，W表示原始數(shù)據(jù)層與特征提取層之間連接的權(quán)重，A_j表示原始數(shù)據(jù)層第j個(gè)影響因素矩陣，a表示原始數(shù)據(jù)層的偏置，b表示特征提取層的偏置，h表示特征提取層影響因素特征值矩陣的真實(shí)值，h'表示特征提取層影響因素特征值矩陣的重構(gòu)值；Φ表示sigmod函數(shù)，其表達(dá)式為：

X表示函數(shù)Φ(x)的自變量；

(1)原始數(shù)據(jù)層與特征提取層的權(quán)重更新算法；

每經(jīng)過(guò)一次對(duì)比散度算法計(jì)算后，都需要對(duì)原始數(shù)據(jù)層和特征提取層的權(quán)重進(jìn)行更新，其表達(dá)式下：

W₁←W+ΔW (6)

其中W和W₁表示更新前后原始數(shù)據(jù)層和特征提取層之間連接的權(quán)重，ΔW表示經(jīng)過(guò)對(duì)比散度算法后權(quán)重的變化，其表達(dá)式如下：

ΔW＝η(hA_j-h'B_j) (7)

其中，η表示學(xué)習(xí)速率；

(2)原始數(shù)據(jù)層與特征提取層的偏置更新算法；

每經(jīng)過(guò)一次對(duì)比散度算法計(jì)算后，都需要對(duì)原始數(shù)據(jù)層偏置和特征提取層偏置進(jìn)行更新，其表達(dá)式如下：

a₁＝a+η[(A_j-B_j)+[(A_j-B_j)*C]*(A_j-B_j)] (8)

b₁＝b+η(h-h') (9)

其中，C表示經(jīng)過(guò)濾波處理后的表征因素矩陣，a和a₁分別表示原始數(shù)據(jù)層更新前后的偏置，b和b₁分別表示特征提取層更新前后的偏置；

步驟四、通過(guò)LSTM模型完成藍(lán)藻水華預(yù)測(cè)；

步驟四具體為，

在完成步驟二和步驟三的數(shù)據(jù)處理后，將表征因素和影響因素的當(dāng)前時(shí)刻和歷史時(shí)刻寫(xiě)成時(shí)間序列的形式作為L(zhǎng)STM模型的輸入，表征因素未來(lái)時(shí)刻作為L(zhǎng)STM模型輸出，建立表征因素和影響因素的當(dāng)前時(shí)刻和歷史時(shí)刻與表征因素未來(lái)時(shí)刻的時(shí)序關(guān)系，具體公式如下：

其中，表示輸入層t時(shí)刻第j個(gè)影響因素重構(gòu)值矩陣，表示輸入層t-p時(shí)刻第j個(gè)影響因素重構(gòu)值矩陣；h表示特征提取層影響因素特征值矩陣的真實(shí)值，h'表示特征提取層影響因素特征值矩陣的重構(gòu)值；C表示經(jīng)過(guò)濾波處理后的表征因素矩陣，V_t表示輸入層t時(shí)刻表征因素矩陣，V_t-p表示輸入層t-p時(shí)刻表征因素矩陣，V_t+q表示輸出層t+q時(shí)刻表征因素矩陣；a_t表示表征因素t時(shí)刻前的系數(shù)，a_t-p表示表征因素t-p時(shí)刻前的系數(shù)，表示第j個(gè)影響因素t時(shí)刻前的系數(shù)，表示第j個(gè)影響因素t-p時(shí)刻前的系數(shù)，b_t+q表示表征因素t+q時(shí)刻前的系數(shù)，r表示影響因素種類的個(gè)數(shù)且j＝1,2,…,r，p＝0,1,2…，q＝1,2,3…；

因此，由公式(11)得出輸入層的時(shí)刻數(shù)為(r+1)(p+1)，輸出層的時(shí)刻數(shù)為q；

LSTM在隱藏層引入“記憶細(xì)胞”結(jié)構(gòu)，其由三個(gè)門，即輸入門、遺忘門和輸出門來(lái)控制；輸入門控制著網(wǎng)絡(luò)的輸入，遺忘門控制著記憶單元，輸出門控制著網(wǎng)絡(luò)的輸出；以表征因素t 時(shí)刻為例，來(lái)對(duì)三個(gè)門的計(jì)算方式進(jìn)行說(shuō)明；

輸入門和遺忘門的計(jì)算公式如下：

i_t＝Φ(W_i·[h_t-1,V_t]+b_i) (11)

其中，i_t表示t時(shí)刻記憶的衰減系數(shù)，h_t-1表示t-1時(shí)刻隱藏層的特征矩陣，W_i和b_i分別表示求i_t時(shí)的權(quán)重和偏置， 表示t時(shí)刻當(dāng)前記憶狀態(tài)學(xué)習(xí)到的記憶，B_t表示t時(shí)刻的記憶狀態(tài)，f_t表示t時(shí)刻的記憶衰減系數(shù)，W_B和b_B表示計(jì)算B_t時(shí)的權(quán)重和偏置；

輸出門的計(jì)算公式如下：

o_t＝Φ(W_o[h_t-1,V_t]+b_o) (14)

h_t＝o_t*tanh(B_t) (15)

其中，o_t表示輸出門的系數(shù)，h_t表示隱藏層t時(shí)刻的特征矩陣；W_o和b_o分別表示求o_t時(shí)的權(quán)重和偏置。