【摘要】：針對實時條件下中紅外波段平均大氣透過率的計算,提出了一種基于貝葉斯正則化BP神經網絡的方法。利用BP神經網絡良好的非線性擬合特點,建立大氣參數與中紅外平均透過率之間的關系模型,從而可以準確迅速地得到計算結果。此網絡模型是以實測溫度、壓強、濕度和氣溶膠的后向散射系數作為輸入向量,分別以水蒸氣和CO2吸收透過率、氣溶膠散射透過率和大氣透過率作為輸出。仿真結果表明:在相同的大氣參數下,本方法的計算結果與期望值之間的相對誤差較小,且遠小于經驗公式法,驗證了本方法的可行性與有效性。因此,本方法對大氣透過率的準確地快捷計算提供了有益的借鑒。
【圖文】：

Ｐ網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，是目前應用最廣泛的神經網絡模型之一。ＢＰ神經網絡實質上可以實現(xiàn)從輸入到輸出的映射功能，而無需事前能描述這種映射關系的數學方程。數學理論已經證明，其具有實現(xiàn)任何復雜非線性映射的功能，這使得其特別適合求解內部機制復雜的問題［１６］。ＢＰ神經網絡模型拓撲結構包括輸入層、隱含層和輸出層。當隱含神經元任意配置時，ＢＰ神經網絡能記憶任意給定的學習樣本，再現(xiàn)樣本輸入到樣本輸出的聯(lián)想關系。典型的３層結構模式如圖１所示。圖１３層ＢＰ神經網絡結構Ｆｉｇ．１ＳｔｒｕｃｔｕｒｅｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈ３ｌａｙｅｒｓＢＰ神經網絡建模的主要思想是：輸入訓練樣本，利用設定的訓練算法反復調整網絡權值、閾值等，使網絡輸出與期望輸出盡可能地接近；當網絡的輸出誤差小于指定值時訓練完成，保存當前的網絡權值和閾值；然后輸入測試樣本，對網絡輸出與測試樣本的期望輸出進行比較，如果誤差滿足要求，則網絡模型有效［１７］。３．２貝葉斯正則化算法通常在神經網絡訓練中都會設定欲達到的訓練誤差或固定的停止法則，當訓練達到其中一個條件時即停止訓練，如果設定的訓練誤差很小或者訓練次數很大，很容易造成訓練誤差很小而預測誤差很·６８１·第６期宋福印等：基于ＢＰ神經網絡的紅外透過率計算

ｉ個神經元到隱含層第ｊ個神經元的權重；ｙｏｕｔｋ是輸出層第ｋ個神經單元（ｋ＝１，２，３，４）接受到的輸出信號；ｗｊｋ是隱含層第ｊ個神經元到輸出層第ｋ個神經元的權重；ｕｋ是輸出層第ｋ個神經單元的輸出信號；ｆ０、ｆ１分別表示隱含層和輸出層函數［１９］。模型選定相關的參數值為：初始學習速率為０．１，最大訓練次數為１０００，訓練誤差為１ｅ－６，訓練速率為０．０５，，其余參數為默認值。模型流程如圖２所示。圖２ＢＰ神經網絡用于預測透過率流程圖Ｆｉｇ．２ＦｌｏｗｃｈａｒｔｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｐｒｅｄｉｃｔｔｒａｎｓｍｉｔｔａｎｃｅ對于訓練具有復雜非線性關系的大氣參數和透過率的ＢＰ神經網絡，訓練所用樣本庫的完善程度，會影響ＢＰ神經網絡的性能。合理地選擇樣本不僅可以提高ＢＰ神經網絡的學習速度，同時也能使網絡模型具有良好的識別精度。在構建學習訓練的樣本集時，遵循以下３條原則：１）避免不平衡樣本集；２）樣本具有代表性；３）樣本類型全面。·６８２·光電子·激光２０１７年第２８卷

【相似文獻】

相關期刊論文 前10條

1 PaulJ Rose;;靈活的Hopfield神經網絡ADC消除噪聲[J];電子設計技術;2008年04期

2 趙凱;;基于神經網絡的模擬電路故障診斷方法淺析[J];科技資訊;2008年13期

3 杜建華;張認成;;LVQ神經網絡的紅外光譜火災早期預警算法[J];華僑大學學報(自然科學版);2011年06期

4 趙光權;彭喜元;馬勛亮;;基于微分進化神經網絡的模擬電路故障診斷[J];測試技術學報;2012年01期

5 王承;葉韻;梁海浪;何進;;基于多頻測試和神經網絡的模擬電路故障診斷[J];計算機工程與應用;2013年05期

6 張路;李志華;;優(yōu)化的神經網絡在模擬電路故障診斷中的應用[J];信息技術;2013年01期

7 葉伯琦,顧小剛;光折變神經網絡(英文)[J];光子學報;1992年04期

8 李志良,松本,酒井,李夢龍,余般梅;神經網絡擴展濾波訓練及色氨酸的選擇測定[J];光譜學與光譜分析;1997年03期

9 ;邊緣學科分支最新動向[J];中國無線電電子學文摘;2000年05期

10 ;邊緣學科分支最新動向[J];中國無線電電子學文摘;2000年02期

相關會議論文 前8條

1 李明亮;王祖朝;母景琴;李聚光;趙戰(zhàn)明;;基于神經網絡的模擬電路故障診斷研究[A];第四屆中國測試學術會議論文集[C];2006年

2 彭勃;聞道秋;喻國榮;閆志躍;;基于BP神經網絡的網絡RTK電離層誤差改正模型研究[A];第三屆中國衛(wèi)星導航學術年會電子文集——S01北斗/GNSS導航應用[C];2012年

3 趙新龍;譚永紅;;基于遲滯算子的壓電執(zhí)行器遲滯非線性的神經網絡動態(tài)模型[A];第二十九屆中國控制會議論文集[C];2010年

4 薛志強;李毅;曹燕;;改進的BP神經網絡在模擬電路故障診斷中的應用研究[A];2011下一代自動測試系統(tǒng)學術研討會論文集[C];2011年

5 楊中東;雷玉堂;;基于神經網絡與光電檢測的方法識別鈔票真假的研究[A];中國光學學會2006年學術大會論文摘要集[C];2006年

6 墻威;曹陽;鄢媛媛;高洵;;神經網絡在SoC高層次功耗估計中的應用[A];2005中國通信集成電路技術與應用研討會論文集[C];2005年

7 楊志剛;楊衛(wèi)東;錢俊磊;;基于FPGA的RBF神經網絡硬件實現(xiàn)[A];冶金企業(yè)自動化、信息化與創(chuàng)新——全國冶金自動化信息網建網30周年論文集[C];2007年

8 潘中良;;一種電路測試的最優(yōu)神經網絡與遺傳進化方法[A];中國儀器儀表學會第三屆青年學術會議論文集（上）[C];2001年

相關博士學位論文 前10條

1 閆淑霞;基于神經網絡的微波射頻器件建模[D];天津大學;2015年

2 李建碩;微波加熱過程熱點與熱均勻性控制與優(yōu)化研究[D];重慶大學;2016年

3 祝文姬;模擬電路故障診斷的神經網絡方法及其應用[D];湖南大學;2011年

4 張維強;小波和神經網絡在模擬電路故障診斷中的應用研究[D];西安電子科技大學;2006年

5 謝濤;基于（多）小波（包）、神經網絡及優(yōu)化的模擬電路故障診斷研究[D];湖南大學;2011年

6 方葛豐;模擬電路故障診斷優(yōu)化理論與方法的研究[D];湖南大學;2013年

7 劉美容;基于遺傳算法、小波與神經網絡的模擬電路故障診斷方法[D];湖南大學;2009年

8 譚陽紅;基于小波和神經網絡的大規(guī)模模擬電路故障診斷研究[D];湖南大學;2005年

9 李晴;基于優(yōu)化機器學習算法的模擬電路故障診斷研究[D];湖南大學;2013年

10 李壽林;基于神經網絡的微波射頻MOSFET器件建模[D];華東師范大學;2011年

相關碩士學位論文 前10條

1 王含;兩類神經網絡的CMOS模擬電路設計與研究[D];湘潭大學;2015年

2 江明;基于構造性神經網絡的模擬電路故障診斷研究[D];安徽師范大學;2015年

3 魏江濤;憶阻神經網絡在有源電力濾波器中的應用[D];太原科技大學;2015年

4 羅永遙;基于級聯(lián)神經網絡的預失真器設計[D];電子科技大學;2016年

5 伏龍;SPI接口在神經網絡加速器芯片中的設計與應用[D];遼寧大學;2016年

6 趙德贊;基于神經網絡的模擬電路故障診斷方法的研究[D];大連工業(yè)大學;2016年

7 高明;基于神經網絡的FPGA架構探索[D];天津大學;2014年

8 歐陽星辰;基于卷積神經網絡的MPPSK信號解調器[D];東南大學;2016年

9 余磊;基于FPGA的大規(guī)模脈沖深度神經網絡片上系統(tǒng)設計與研究[D];重慶大學;2016年

10 劉洋;功率放大器的電磁優(yōu)化及可靠性研究[D];天津大學;2014年

本文編號：2585912