[发明专利]基于DNB的大气能见度预测方法

说明书

本发明公开了一种基于DNB的大气能见度预测方法，包括建立DNB模型、确定网络输入参数、输入数据预处理、优选隐藏层层数和各层节点数量、训练DNB模型和预测大气能见度步骤。本发明DBN模型的输出层为BP网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器，RBM网络训练模型的过程可以看作对一个深层BP网络权值参数的初始化，使DBN克服了BP网络容易陷入局部最优和训练时间长的缺点。

技术领域

本发明涉及一种大气能见度预测方法，尤其涉及一种基于DNB的 大气能见度预测方法，属于智能养殖技术领域。

背景技术

大气能见度是一个重要的气象参数，能显著反映空气的污染程 度，它不仅是表征大气透明程度的关键指标，也是评价空气质量优劣 的重要依据。大气能见度在交通运输、航海、航空以及国防军事活动 等方面具有重要研究意义。因此，对大气能见度的精准预测和预报， 对城市的空气污染治理，保障公共交通安全以及维护人民的生命财产 安全等方面有着举足轻重的作用与意义。深度置信网络(Deep Belief Networks，DBN)算法是一种极其实用的深度学习算法，基于统计概 率的生成模型。DBN应用的可扩展性好，在手写字体识别、语音片段 识别和数字视频图像处理等领域取得较好应用效果。

发明内容

本发明要解决的技术问题是提供一种基于DNB的大气能见度预 测方法。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于DNB的大气能见度预测方法，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(BP)网络；隐藏层1-隐藏层n 均为受限玻尔兹曼机(RBM)；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：