[0032] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0033] 如图1所示，一种基于反馈型RBF神经网络的气溶胶消光系数反演方法，包括以下步骤：
[0034] 步骤1，获取训练样本。
[0035] 训练样本包括输入和期望输出，将历史回波信号功率作为RBF神经网络的输入，将根据历史回波信号得到的气溶胶消光系数作为RBF神经网络的期望输出。
[0036] 为了保证网络最终获得消光系数精度，期望输出应尽可能的准确，因此，在采用Fernald法获得期望输出时，需要确定高精度的气溶胶消光后向散射比，从而获得高精度的气溶胶消光系数。
[0037] 为了获得高精度的气溶胶消光后向散射比，可构建非线性方程，利用弦截法迭代计算气溶胶消光后向散射比，具体过程：利用太阳光度计测量气溶胶光学厚度的计算公式和雷达(这里为激光雷达)测量气溶胶光学厚度的计算公式，构建非线性方程，利用弦截法迭代计算气溶胶消光后向散射比。
[0038] 太阳光度计测量气溶胶光学厚度的计算公式为：
[0039]
[0040] 其中，SAOD为太阳光度计探测的气溶胶光学厚度，SALL为太阳光度计探测的整层大气光学厚度，SMOD为有效探测范围内大气分子的光学厚度，ra是有效探测距离，σm(r)为大气分子的消光系数，是一个探测距离r的函数，可根据美国标准大气分子消光模式获得。
[0041] 雷达测量气溶胶光学厚度的计算公式为，
[0042]
[0043] 其中，LR为雷达探测的气溶胶光学厚度，σa(r)为气溶胶的消光系数，是一个关于气溶胶消光后向散射比Sa和探测距离r的函数。
[0044] 上述两种测量气溶胶光学厚度的方法相互独立，因此可利用这两种方法构成联合反演，构建关于消光后向散射比的非线性方程：
[0045]
[0046] 利用弦截法迭代计算气溶胶消光后向散射比如图2所示，在取值区间内选择两点作为迭代初值，然后根据弦截法的迭代公式，生成迭代序列，由迭代停止条件进行判断，最终得到气溶胶消光后向散射比。
[0047] 综上所述，如图3所示获取训练样本的过程：基于气溶胶光学厚度的原理构建非线性方程，利用弦截法迭代计算气溶胶消光后向散射比，根据气溶胶消光后向散射比和回波信号，采用Fernald法反演气溶胶的消光系数。
[0048] 步骤2，利用输入和期望输出训练RBF神经网络。
[0049] 定义X＝(x1,x2,…,xn)T为网络输入矢量，Y＝(y1,y2,…,ys)T为网络输出，φi(*)为第i个隐含层节点的径向基函数。RBF神经网络的分布函数为：
[0050]
[0051] 其中，m为隐含层神经元节点数，即径向基函数中心个数，系数wi为连接权重。
[0052]
[0053] 其中，φ(*)为径向基函数，||x-ci||为欧几里德范数，ci为RBF的第i个中心，ξi为RBF的第i个半径，可得网络输出为：
[0054]
[0055] 因此，RBF网络的矩阵表达式可以表示为：
[0056] D＝HW+E
[0057] 其中，期望输出向量为D＝(d1,d2,…,dp)T，期望输出和网络输出之间的误差向量为E＝(e1,e2,…,ep)T，权重向量W＝(w1,w2,…,wm)T，回归矩阵H＝(h1,h2,…,hm)T。
[0058] 考虑到所有训练样本的影响，ci、ξi和wi的调整量为：
[0059]
[0060]
[0061]
[0062] 式中，φi(xj)为第i个隐含节点对xj的输入，η1，η2，η3分别为对应的学习速率，ci(t)和ci(t+1)分别为第t次和t+1次迭代时的ci，ξi(t)和ξi(t+1)分别为第t次和t+1次迭代时的ξi，wi(t)和wi(t+1)分别为第t次和t+1次迭代时的wi。根据代价函数E来获得均方误差，以此结束训练的条件。当实际输出和期望输出的均方误差小于设定的阈值，则网络被认为训练完成。
[0063] 步骤3，将当前回波信号输入训练好的RBF神经网络，得到当前气溶胶消光系数。
[0064] 步骤4，根据当前气溶胶消光系数计算气溶胶光学厚度AODlidar，将其与太阳光度计测量的当前气溶胶光学厚度AODsun进行比对，若存在误差，则依据修正公式修正网络输出(即当前气溶胶消光系数)，修正公式如下：
[0065] AECcorrected＝Networkoutput×(1+ω)
[0066] 其中，AECcorrected为修正后的气溶胶消光系数，Networkoutput为修正前的气溶胶消光系数，ω为误差；
[0067] 将修正后的气溶胶消光系数与对应的回波信号作为新的样本，对反馈神经网络进行二次训练，这样使得反馈神经网络的输出逐步逼近仪器测量结果。
[0068] 图4为反馈型RBF神经网络反演结果图，利用测试样本对网络性能进行检测，测试样本同样包含输入和期望输出，从图中可以看出修正之后的输出与期望输出具有更高的一致性。为了使网络适应不同天气的反演，进行了阴天和晴天的反演测试，如图5和6所示，两种天气情况，与期望输出之间都保持着较高的一致性，证实了本方法的可行性。
[0069] 上述方法利用反馈型RBF神经网络来反演气溶胶消光系数，通过样本模式的学习将信息之间的内在机制存储在网络中，有效避免了诸多假设带来不确定性，同时由于加入了逼近仪器测量的动态反馈调节过程，使得反演结果的可信度大大增加，实现了气溶胶消光系数的快速、准确反演；同时上述方法结合回波信号和太阳光度计探测数据，构建关于消光后向散射比的方程，利用弦截法进行求解，通过该消光后向散射比计算气溶胶消光系数，在一定程度上避免了消光后向散射比带来的误差，提高气溶胶探测的精度。
[0070] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
