[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。