[发明专利]一种基于卷积-线性回归网络的雾霾浓度预测方法

权利要求书

1.一种基于卷积-线性回归网络的雾霾浓度预测方法，其特征在于，包括以下步骤：

(1)、从NASA官网下载所需的modis卫星图像，按照时间顺序对所有的卫星图像进行存储，并将其分为：训练集与交叉验证集；

(2)、对卫星图像进行归一化处理

在ENVI软件中打开存储的卫星图像，按照如下步骤提取卫星图像中的感兴趣区域；

(2.1)、在选中的卫星图像的打开窗口Image Display中，添加矢量边界层[Overlay]---[Vectors]；

(2.2)、选择[Basic Tools]中的[Masking]菜单下的[Build Mask]工具并打开，再选择当前打开的卫星图像的窗口SelectInput Display，如果当前打开的卫星图像在Display#1中打开，就选择选项中的Display#1即可；

(2.3)、点击[OK]后跳出的对话框中的[Options]菜单下选择[Import EVFs]命令，选中矢量边界文件.evf格式，再确定输出结果的方式[File]或[Memory]；

(2.4)、点击[Apply]后生成MASK文件，再利用生成的MASK文件使用[Apply Mask]工具进行掩膜操作，从而提取出卫星图像中的感兴趣区域；

(3)、按照国家标准的空气污染指数，按照等级对训练集的雾霾浓度进行标记处理；

(4)、搭建包含线性回归层的卷积-线性回归神经网络模型，具体包括：输入层、多层的卷积层-池化层、全连接层、分类层、线性回归预测层及输出层；

(4.1)、卷积层的搭建：以输入数据的大小长宽相等为例，设输入大小为m*m*3，卷积核窗口大小为k*k，步长为s，并在输入数据的外圈的长宽方向进行了填0扩充，即padding的层数为P；其每层的输出尺寸n*n公式如下：

得到了卷积层每层深度的特征图后，通过激活函数ReLU(x)＝max(0，x)得到卷积层最终的输出；

(4.2)、池化层的搭建：池化层选取窗口大小为：k*k，步长为k；选择max pooling获取最大值，并记录下最大值得坐标，然后通过unpooling直接把最大值这个点的坐标填上去，其它的激活值全部为0；

(4.3)、全连接层与分类层的搭建：在全连接层，将上一层输出的二维图像转化为一维的长矩阵，以便于分类层的分类；在分类层，通过全连接层的长矩阵和数据的标签，使用softmax多分类方法对有标签的数据进行分类；

(4.4)、线性回归层的搭建：将分类层的输出作为纵坐标y，将时间作为横坐标x；

最后，通过使用带标签的训练集数据训练卷积-线性回归网络模型，调整模型参数，使得卷积层能够提取卫星图像特征，分类层可以对其进行准确的分类，线性回归层拟合出一条曲线，通过该曲线就可以对下一时刻雾霾等级进行预测；

(5)、利用交叉验证集数据对模型训练的进度进行判断，当模型的准确度训练至90％以上时，判定模型可用，能够用于雾霾浓度的预测；

(6)、将近期的雾霾数据按照时间顺序排列，再输入进训练好的网络模型中，实现对未来的雾霾浓度等级进行预测。