[发明专利]基于反馈型RBF神经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反馈型RBF神经网络的气溶胶消光系数反演方法，包括1)利用输入和期望输出训练RBF神经网络；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；2)基于反馈型RBF神经网络反演气溶胶消光系数。本发明利用反馈型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，具有较快的响应速度以及较好的鲁棒性。

技术领域

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

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。

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

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。

为了达到上述目的，本发明所采用的技术方案是：

基于反馈型RBF神经网络的气溶胶消光系数反演方法，包括，

1)利用输入和期望输出训练RBF神经网络；

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；

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；

2)基于反馈型RBF神经网络反演气溶胶消光系数。

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。

太阳光度计测量气溶胶光学厚度的计算公式为，

其中，S_AOD为太阳光度计探测的气溶胶光学厚度，S_ALL为太阳光度计探测的整层大气光学厚度，S_MOD为有效探测范围内大气分子的光学厚度，r_a是有效探测距离，σ_m(r)为大气分子的消光系数。

雷达测量气溶胶光学厚度的计算公式为，

其中，LR为雷达探测的气溶胶光学厚度，σ_a(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S_a和探测距离r的函数。

构建的非线性方程为，