【技术实现步骤摘要】
基于BP神经网络模型的年可照时数的计算方法
本专利技术属于地理信息
，具体涉及一种基于BP神经网络模型的年可照时数的计算方法。
技术介绍
日照是气候形成的重要因素，是太阳辐射最直观的表现。日照时数是指在某地太阳直接辐照度达到或超过120W/m2的时间总和(以小时为单位)。日照时数可分为实照时数和可照时数，实照时数是指考虑了大气影响和地形遮蔽影响的实际日照时数；可照时数分为天文可照时数和地理可照时数，前者指不考虑大气影响和地形遮蔽影响的最大可能日照时数，后者指考虑地形遮蔽影响而不考虑大气影响的可能日照时数。本专利技术计算的是地理可照时数(下文均简称为“可照时数”)。它是计算实际日照时数进而计算地表实际入射太阳辐射(直接辐射，总辐射等)所必需的基础数据，是开发太阳能资源、布局农业生产、开发旅游资源以及生态恢复建设的重要设计参数。目前日照时数的获取方法主要以下几种：第一种是站点测量。但是实际的测量站点数量极其有限，并且大多数站点位于平坦的地面，往往无法反映起伏地形区域的日照时数变化规律(尤其是地形复杂的山区)。第二种是基于起伏地形的日照时数计算。例如利用数字高程模...
【技术保护点】
1.一种基于BP神经网络模型的年可照时数的计算方法，其特征在于，包括以下步骤：步骤1、训练BP神经网络模型；步骤2、将计算地区的数字高程模型影像构建成输入矩阵；步骤3、将所述输入矩阵传入BP神经网络模型，计算得到输出矩阵；步骤4、将所述输出矩阵转换成计算地区的年可照时数数值矩阵。
【技术特征摘要】
1.一种基于BP神经网络模型的年可照时数的计算方法，其特征在于，包括以下步骤：步骤1、训练BP神经网络模型；步骤2、将计算地区的数字高程模型影像构建成输入矩阵；步骤3、将所述输入矩阵传入BP神经网络模型，计算得到输出矩阵；步骤4、将所述输出矩阵转换成计算地区的年可照时数数值矩阵。2.如权利要求1所述的基于BP神经网络模型的年可照时数的计算方法，其特征在于，所述BP神经网络模型为五层网络，由一个输入层、三个隐含层、一个输出层构成，所述隐含层的神经元数量均为15，所述输出层的神经元数量为1；所述隐含层的激活函数公式为：其中l＝1，2，3；Al为BP神经网络模型第l层隐含层的输出矩阵，Al-1为BP神经网络模型第l层隐含层的输入矩阵，当l＝1时，A0＝P，P为BP神经网络模型输入层的输入矩阵；Wl和Bl为BP神经网络模型第l层隐含层的权值矩阵和阈值向量；所述输出层的激活函数公式为：Y＝purelin(X)＝X其中Y为BP神经网络模型输出层的输出矩阵，X为BP神经网络模型输出层的输入矩阵。3.如权利要求1所述的基于BP神经网络模型的年可照时数的计算方法，其特征在于，所述步骤1“训练BP神经网络模型”，包括以下步骤：步骤11、选取训练样本；步骤12、将所述训练样本的数字高程模型影像构建成样本输入数值矩阵；步骤13、计算所述训练样本对应地区的年可照时数值，构建期望输出矩阵；步骤14、初始化BP神经网络各层的权值矩阵和阈值向量；步骤15、对所述样本输入数值矩阵和所述期望输出矩阵分别进行归一化处理，同时保存期望输出矩阵归一化之前的最大值和最小值；步骤16、设置BP神经网络训练的基本参数阈值；步骤17、将归一化后的样本输入数值矩阵传入BP神经网络模型，计算出输出矩阵，再根据归一化后的期望输出矩阵计算出训练目标误差，所述训练目标误差计算公式为：其中n为训练样本的数量；k为1到n之间的整数，τk为归一化后的期望输出矩阵第k个元素的值；ok为BP神经网络模型的输出矩阵第k个元素的值；步骤18、判断所述训练目标误差是否小于设定的阈值，若所述训练目标误差小于设定的阈值，则跳转至步骤19继续执行；否则，则对BP神经网络模型的各层权值矩阵和阈值向量进行修正后，跳转至步骤17继续执行；步骤19、保存BP神经网络模型各层权值矩阵和阈值向量，完成BP神经网络模型构建。4.如权利要求3所述的基于BP神经网络模型的年可照时数的计算方法，其特征在于，所述步...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。