%0 Journal Article
%T 基于遗传算法改进的一阶滞后滤波和长短期记忆网络的蓝藻水华预测方法
%A 尚方方
%A 张慧妍
%A 王小艺
%A 王立
%A 许继平
%A 郑蕾
%J 计算机应用
%D 2018
%R 10.11772/j.issn.1001-9081.2017122959
%X 摘要 河湖藻类水华形成过程中所具有的突发性和不确定性，导致对藻类水华爆发预测准确性不高。为解决此问题，以叶绿素a的浓度值作为蓝藻水华演化过程表征指标，提出基于长短期记忆（LSTM）循环神经网络（RNN）蓝藻水华预测模型。首先，用遗传算法改进的一阶滞后滤波（GF）优化算法对数据进行平滑滤波处理；然后，搭建GF-LSTM网络的蓝藻水华预测模型，实现对水华发生的精准预测；最后，以太湖水域梅梁湖区域的采样数据为样本，对预测模型进行检验，并与传统的RNN和LSTM网络进行对比。仿真结果表明，提出的GF-LSTM网络模型平均相对误差控制在16%~18%，而RNN模型的预测平均相对误差为28%~32%，LSTM网络模型的平均相对误差为19%~22%，对采用数据的平滑性处理效果较好，预测精度更高，对样本具有更好的适应性，克服了传统RNN模型在长期训练时出现的梯度消失与梯度爆炸缺点
%K 蓝藻水华
%K 长短期记忆
%K 滤波算法
%K 循环神经网络
%K 预测模型
%U http://www.joca.cn/CN/abstract/abstract22180.shtml