基于神经网络的气溶胶光学厚度反演算法制造技术

本发明专利技术涉及神经网络领域，其公开了一种基于神经网络的气溶胶光学厚度反演算法，包括如下步骤：（A）对神经数据进行预处理；（B）进行回归和不确定性评估；（C）精度测量。本发明专利技术的有益效果是：基于AOD检索的神经网络会比操作C005算法更准确，而且得到的不确定性估计被认为是合理的。

【技术实现步骤摘要】
基于神经网络的气溶胶光学厚度反演算法
本专利技术涉及神经网络领域，尤其涉及一种基于神经网络的气溶胶光学厚度反演算法。
技术介绍
气溶胶小颗粒来自自然和人为，已被公认为地球的辐射最大的不确定性来源。气溶胶检索对气候研究，气象预报，环境监测，以及了解污染对人体健康的影响是非常重要的。度量一束太阳辐射穿过大气层的消耗量的气溶胶光学厚度(AOD)是其中一种非常重要的大气气溶胶特性。多卫星和地面传感器已经用于遥感气溶胶；作为回归的统计检索方法是在学习MODIS观测和真正的AOD假定的功能关系，AERONET检索实验结果提供一个强的事实就是基于AOD检索的神经网络算法比基于C005操作算法更精确。然而，基本形式的神经网络无法估计检索的不确定性。值得注意的是，输入相关的噪声学习回归的贝叶斯方法被提出，然而，这种方法需要在神经网络的训练过程中计算大量的Hessian矩阵和逆。
技术实现思路
为了解决现有技术中的问题，本专利技术提供了一种基于神经网络的气溶胶光学厚度反演算法，解决现有技术中基本形式的神经网络无法估计检索的不确定性的问题。本专利技术提供了一种基于神经网络的气溶胶光学厚度反演算法，本文档来自技高网...

【技术保护点】
一种基于神经网络的气溶胶光学厚度反演算法，其特征在于：包括如下步骤：(A)对神经数据进行预处理；(B)进行回归和不确定性评估；(C)精度测量。

【技术特征摘要】
1.一种基于神经网络的气溶胶光学厚度反演算法，其特征在于：包括如下步骤：(A)对神经数据进行预处理；(B)进行回归和不确定性评估；(C)精度测量。2.根据权利要求1所述的基于神经网络的气溶胶光学厚度反演算法，其特征在于：所述步骤(A)中，对来自于数据集D中的标准回归模型，回归函数f(x)的无偏估计为m(x)，σ2(x)为给出的预测m(x)下的目标方差，通过学习m(x)和σ2(x)来提供预测和预测的不确定性，D＝{(xi,yi),i＝1,2,...,N}。3.根据权利要求2所述的基于神经网络的气溶胶光学厚度反演算法，其特征在于：所述步骤(B)进一步为：训练一个神经网络的预测因子，和使用它来提供预测函数m(x)和估计模型的方差对一个单独的神经网络进行训练，估计异方差的噪声方差4.根据权利要求3所述的基于神经网络的气溶胶光学厚度反演算法，其特征在于：神经网络集成包括b个神经网络，每个训练是对训练数据集D中不同的bootstrapped样本，第i个mi(x)是从训练数据集Di得到的，Di中有N个样本代替初始的训练集D；神经网络的平均预测函数m(x)为模型的方差可以被估计为噪声估计的方差通过引入一个单独的...

【专利技术属性】
技术研发人员：江学锋，
申请(专利权)人：深圳职业技术学院，
类型：发明
国别省市：广东,44