技术领域
[0001] 本
发明涉及一种基于反馈型RBF神经网络的气溶胶消光系数反演方法，属于气溶胶测量技术领域。
背景技术
[0002] 大气气溶胶是由不同相态的物体共同组成的、悬浮在大气中的、多种固体或液体微粒共同组成的多相体系，会影响大气环境中许多物理化学过程的发生发展变化。气溶胶粒子的直径范围在0.001到100μm之间，可以在大气中停留至少几个小时，甚至几天，从而使大气组成成分、结构等发生变化，扰乱并破坏原有的正常
生态系统。其主要分布在整个大气层中，会影响
气候效应，进而影响人类的健康。因此，通过探测和研究气溶胶来改善大气环境就有了很重要的现实意义。
[0003] 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激光大气传输、全球气候探测、气溶胶
辐射效应以及大气环境等研究领域，实现气溶胶消光系数、粒谱分布、形状等参数的大范围实时监测。在采用激光雷达进行气溶胶探测往往是通过雷达方程反演气溶胶消光系数或者后向散射系数，进而得到气溶胶的其他特性。然后在反演消光系数时，由于雷达方程中存在多个变量，为了计算方便，许多变量常用经验值或者假设代替，例如气溶胶消光系数边界值、气溶胶消光后向散射比等，这样使得消光系数的反演存在诸多不确定的因素，显然不利于气溶胶光学特性的精细反演。
发明内容
[0004] 为了解决上述技术问题，本发明提供了一种基于反馈型RBF神经网络的气溶胶消光系数反演方法。
[0005] 为了达到上述目的，本发明所采用的技术方案是：
[0006] 基于反馈型RBF神经网络的气溶胶消光系数反演方法，包括，
[0007] 1)利用输入和期望输出训练RBF神经网络；
[0008] 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；
[0009] 气溶胶消光系数获取的过程为：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；
[0010] 2)基于反馈型RBF神经网络反演气溶胶消光系数。
[0011] 利用太阳光度计测量气溶胶光学厚度的计算公式和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。
[0012] 太阳光度计测量气溶胶光学厚度的计算公式为，
[0013]
[0014] 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。
[0015] 雷达测量气溶胶光学厚度的计算公式为，
[0016]
[0017] 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。
[0018] 构建的非线性方程为，
[0019]
[0020] 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，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。
[0021] 利用输入和期望输出训练RBF神经网络，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，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，修正当前气溶胶消光系数，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，对反馈型RBF神经网络进行二次训练。
[0022] 修正气溶胶消光系数的公式为，
[0023] AECcorrected＝Networkoutput×(1+ω)
[0024] 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。
[0025] 本发明所达到的有益效果：1、本发明利用反馈型RBF神经网络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；2、本发明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。
附图说明
[0026] 图1是基于反馈型RBF神经网络反演气溶胶消光系数的结构原理图；
[0027] 图2是气溶胶消光后向散射比的确定方法
流程图；
[0028] 图3是训练样本的获取流程图；
[0029] 图4是反馈型RBF神经网络反演结果图；
[0030] 图5是阴天反馈型RBF神经网络反演结果图；
[0031] 图6是晴天反馈型RBF神经网络反演结果图。
具体实施方式
[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T T T为E＝(e1,e2,…,ep) ，权重向量W＝(w1,w2,…,wm) ，回归矩阵H＝(h1,h2,…,hm) 。
[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。
