基于BP神经网络的红外透过率计算

发布时间：2020-03-09 21:21

【摘要】：针对实时条件下中红外波段平均大气透过率的计算,提出了一种基于贝叶斯正则化BP神经网络的方法。利用BP神经网络良好的非线性拟合特点,建立大气参数与中红外平均透过率之间的关系模型,从而可以准确迅速地得到计算结果。此网络模型是以实测温度、压强、湿度和气溶胶的后向散射系数作为输入向量,分别以水蒸气和CO2吸收透过率、气溶胶散射透过率和大气透过率作为输出。仿真结果表明:在相同的大气参数下,本方法的计算结果与期望值之间的相对误差较小,且远小于经验公式法,验证了本方法的可行性与有效性。因此,本方法对大气透过率的准确地快捷计算提供了有益的借鉴。
【图文】：

期望输出,测试样本,联想关系,正则化算法

Ｐ网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。ＢＰ神经网络实质上可以实现从输入到输出的映射功能，而无需事前能描述这种映射关系的数学方程。数学理论已经证明，其具有实现任何复杂非线性映射的功能，这使得其特别适合求解内部机制复杂的问题［１６］。ＢＰ神经网络模型拓扑结构包括输入层、隐含层和输出层。当隐含神经元任意配置时，ＢＰ神经网络能记忆任意给定的学习样本，再现样本输入到样本输出的联想关系。典型的３层结构模式如图１所示。图１３层ＢＰ神经网络结构Ｆｉｇ．１ＳｔｒｕｃｔｕｒｅｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈ３ｌａｙｅｒｓＢＰ神经网络建模的主要思想是：输入训练样本，利用设定的训练算法反复调整网络权值、阈值等，使网络输出与期望输出尽可能地接近；当网络的输出误差小于指定值时训练完成，保存当前的网络权值和阈值；然后输入测试样本，对网络输出与测试样本的期望输出进行比较，如果误差满足要求，则网络模型有效［１７］。３．２贝叶斯正则化算法通常在神经网络训练中都会设定欲达到的训练误差或固定的停止法则，当训练达到其中一个条件时即停止训练，如果设定的训练误差很小或者训练次数很大，很容易造成训练误差很小而预测误差很·６８１·第６期宋福印等：基于ＢＰ神经网络的红外透过率计算

流程图,透过率,神经网络,流程图

ｉ个神经元到隐含层第ｊ个神经元的权重；ｙｏｕｔｋ是输出层第ｋ个神经单元（ｋ＝１，２，３，４）接受到的输出信号；ｗｊｋ是隐含层第ｊ个神经元到输出层第ｋ个神经元的权重；ｕｋ是输出层第ｋ个神经单元的输出信号；ｆ０、ｆ１分别表示隐含层和输出层函数［１９］。模型选定相关的参数值为：初始学习速率为０．１，最大训练次数为１０００，训练误差为１ｅ－６，训练速率为０．０５，，其余参数为默认值。模型流程如图２所示。图２ＢＰ神经网络用于预测透过率流程图Ｆｉｇ．２ＦｌｏｗｃｈａｒｔｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｐｒｅｄｉｃｔｔｒａｎｓｍｉｔｔａｎｃｅ对于训练具有复杂非线性关系的大气参数和透过率的ＢＰ神经网络，训练所用样本库的完善程度，会影响ＢＰ神经网络的性能。合理地选择样本不仅可以提高ＢＰ神经网络的学习速度，同时也能使网络模型具有良好的识别精度。在构建学习训练的样本集时，遵循以下３条原则：１）避免不平衡样本集；２）样本具有代表性；３）样本类型全面。·６８２·光电子·激光２０１７年第２８卷

【相似文献】