[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

说明书

本发明公开了一种基于深度信念网络的气溶胶消光系数反演方法，包括如下步骤：S1：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，形成训练和测试样本集；S2：获得归一化后的训练样本集；S3：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，训练网络；S4：将测试样本集的回波功率信号输入优化后的网络，获得网络输出；将网络输出结果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；S5：如果比对结果满足预期，则网络优化结束；如果不满足，则返回S3继续训练深度信念网络，直到比对结果满足预期。本发明提高了米散射激光雷达的探测精度，实现了气溶胶消光系数的快速、准确反演。

技术领域

本发明属于气溶胶测量技术领域，尤其涉及一种基于深度信念网络的气溶胶消光系数反演方法。

背景技术

大气气溶胶在大气成分中仅仅占据很小的比例，然而却对气候变化具有重要的影响，例如通过对太阳辐射和长波辐射的散射和吸收作用，影响大气辐射、大气化学以及降水过程。相较于卫星等探测手段，激光雷达因其具有高时空分辨率，高测量精度等优点，已作为一种主动遥感探测工具广泛应用于气溶胶测量。米散射激光雷达早在1961年就已经问世，在此基础上又相继发展了多波长多通道激光雷达、高光谱分辨率激光雷达等。然而，米散射激光雷达结构简单、技术成熟、价格便宜，在众多科研院所和高校都进行了装备，因此研究提高米散射激光雷达的探测精度并扩展米散射激光雷达的应用具有重要的实用价值。传统的米散射激光雷达反演方法，如Fernald法和Klett法，需要设定气溶胶消光系数边界值或激光雷达比，然而天气条件的改变会导致设定的参数值不准确，往往会引发较大的反演误差。此外，拉曼散射激光雷达反演气溶胶消光系数廓线，其反演过程不需要任何边界值，也不需要假设激光雷达比，可大幅减小误差。因此，如何利用高精度的拉曼散射激光雷达提高米散射激光雷达的探测精度是一个待解决的问题。

发明内容

发明目的：针对以上问题，本发明提出一种基于深度信念网络的气溶胶消光系数反演方法。通过米散射激光雷达测量得到的回波功率信号和拉曼散射激光雷达反演获得的气溶胶消光系数对深度信念网络(Deep Belief Network,DBN)的参数进行训练，从而获得稳定网络模型，实现气溶胶的高精度探测。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于深度信念网络的气溶胶消光系数反演方法，结合米散射激光雷达的回波功率信号和拉曼散射激光雷达反演获得的气溶胶消光系数，利用深度信念网络反演气溶胶消光系数。所述深度信念网络的输入变量为米散射激光雷达测量得到的回波功率信号，输出变量为拉曼散射激光雷达反演获得的气溶胶消光系数。

本发明的一种基于深度信念网络的气溶胶消光系数反演方法，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；

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；所述深度信念网络训练过程包括预训练和参数调整；

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。