[发明专利]基于DNB的大气能见度预测方法

权利要求书

1.一种基于DNB的大气能见度预测方法，其特征在于：包括以下步骤：

步骤1：建立DNB模型：包括依次级联的输入层、隐藏层1-隐藏层n和输出层；输出层为后向传播网络；隐藏层1-隐藏层n均为受限玻尔兹曼机；输入层的相应输出端与隐藏层1的相应输入端连接；隐藏层i的相应输出端与隐藏层i+1层的相应输入端连接，，隐藏层n的相应输出端与输出层的相应输入端连接；

步骤2：确定网络输入参数：采用主成分分析方法确定网络输入参数的种类；

步骤3：输入数据预处理：对输入数据进行归一化预处理；并划分为训练集和预测集；

步骤4：优选隐藏层层数和各层节点数量：首先按照预设层数步长在预定层数范围内以能见度预测准确率为目标优选隐藏层层数；然后按照预设隐藏层节点数量在预定节点数量范围内以能见度预测准确率为目标优选隐藏层节点数量；

步骤5：训练DNB模型：逐层预训练隐藏层1-隐藏层n的初始参数，再通过误差反向传播方法进行各隐藏层的初始参数进行微调；

各隐藏层均包括1层可见层和1层隐藏层，其初始参数均包括加权矩阵W、可见层偏置系数矢量a，隐藏层偏置系数矢量b；其能量函数为：

E(v,h)＝-a^Tv-b^Th-h^TWv (1)

优化目标函数为：

L(W,a,b)＝-∑ln(P(V_(i))) (2)

隐藏层中的结点从可视状态转换可见状态的概率为：

P(h_j＝1|v)＝sigmoid(b_j+W_j,:v) (3)

隐藏层中的结点从从可视状态转换为隐藏状态的概率为：

通过误差反向传播方法进行各隐藏层的初始参数进行微调的目标函数为：

式中，第一项为误差项，第二项称为“正则项”，用来控制各层权值矩阵的元素大小以防止权值矩阵过大，网络模型出现过拟合现象；

变量为最终的误差对每一层节点经过激活函数前的变量的偏导，用它来衡量某一层某个节点对最终误差的贡献量，的表达式如下：

对于最后一层，即第L层，

其中，

对于其它层(l＝L-1，L-2，…2)，

其中，

迭代更新加权矩阵W、可见层偏置系数矢量a，隐藏层偏置系数矢量b，直至两次迭代结果之差小于预设阈值为止，参数更新方法为：

各个参数的更新公式如下：

其中，α为学习率；

对于输出层：

δ^(L)＝-(y-a^(L))·f′(z^(L)) (16)

对于其它层(l＝L-1，L-2，…2)：

δ^(l)＝[(W^(l))^Tδ^(l+1)]·f′(z^(l)) (17)

每个样本的目标函数对于各个参数的偏导作为反馈控制信号，控制权值更新以达到最小化损失函数；

步骤6：预测大气能见度：使用预测及数据和训练好的DBN模型，预测大气能见度。

2.根据权利要求1所属的基于DNB的大气能见度预测方法，其特征在于：所述步骤3中采用最大-最小归一化方法，转换公式表示为：

其中，x′为转换后的数据，max(x)为所有数据中的最大值，min(x)为所有数据中的最小值。

3.根据权利要求1所属的基于DNB的大气能见度预测方法，其特征在于：所述步骤3中采用所述步骤中采用Z分数归一化方法，转换公式表示为：

其中，为所有数据的均值，σ为数据的标准差。