[发明专利]一种基于深度信念网络的气溶胶消光系数反演方法

权利要求书

1.一种基于深度信念网络的气溶胶消光系数反演方法，其特征在于：该反演方法包括如下步骤：

步骤1：获取米散射激光雷达的回波功率信号和拉曼激光雷达反演得到的气溶胶消光系数，形成数据样本集；将数据样本集分为训练样本集和测试样本集；将样本集中的米散射激光雷达测量得到的回波功率信号作为深度信念网络的输入，拉曼散射激光雷达反演获得的气溶胶消光系数作为深度信念网络的输出；

步骤2：根据训练样本的特征进行归一化，实现对训练样本集数据的预处理，获得归一化后的训练样本集；所述归一化预处理公式如下：

式中，data_min为回波功率信号或气溶胶消光系数中的最小值，data_max为回波功率信号或气溶胶消光系数中的最大值，data为回波功率信号或气溶胶消光系数的原始值，data'为归一化后的数据；

步骤3：根据归一化后的训练样本集构建深度信念网络，调整网络参数，对深度信念网络进行训练，获得训练后的深度信念网络；

步骤4：将测试样本集的回波功率信号输入步骤3训练后的深度信念网络，获得网络输出的气溶胶消光系数；将网络输出的气溶胶消光系数与测试样本集的气溶胶消光系数进行比对，判断是否满足预期结果；

步骤5：如果步骤4中的比对结果满足预期结果，则深度信念网络优化结束，优化结束后的网络即可用于气溶胶消光系数的反演；如果不满足，则返回步骤3继续训练深度信念网络，直到比对结果满足预期。

2.根据权利要求1所述的一种基于深度信念网络的气溶胶消光系数反演方法，其特征在于：在步骤3中，根据归一化后的训练样本集构建深度信念网络，对深度信念网络进行预训练和参数调整，方法如下：

步骤3.1：归一化后的米散射激光雷达的回波功率信号，作为深度信念网络的输入变量A_u＝(a₁^u,a₂^u,a₃^u,···,a_n^u)，u＝1,2,···,sam，表示有sam个训练样本，a₁,a₂,···,a_n表示激光雷达回波功率，n表示有n个输入变量；

步骤3.2：拉曼散射激光雷达通过拉曼法反演出的气溶胶消光系数，归一化完成后的数据，作为期望输出Y_u＝(y₁^u,y₂^u,y₃^u,···,y_n^u)，y₁,y₂,···,y_n表示不同高度处的消光系数，n表示有n个输出变量；

步骤3.3：根据归一化后训练样本集构建深度信念网络的第一层受限玻尔兹曼机(RBM)，所述深度信念网络的RBM共有M层；

步骤3.4：采用对比散度算法训练第m层RBM，将第m层RBM训练完后隐含层的神经元状态作为第m+1层RBM的输入数据，并同样使用对比散度算法训练第m+1层RBM，m＝1,2,…M-1；

步骤3.5：重复步骤3.4，直到M层RBM训练结束，完成深度信念网络的预训练；

步骤3.6：针对步骤3.5预训练完成的深度信念网络，进行误差反向传递，采用梯度下降法调整网络参数值；所述误差为样本期望输出和深度信念网络输出之间的均方误差；所述网络参数包括权重、可见层节点的偏置、隐含层节点的偏置；

步骤3.7：如果网络参数调整后，误差减小到预期范围，则调整终止，获得最终训练好的深度信念网络模型；否则，继续执行步骤3.6。