申请/专利权人：陕西理工大学

申请日：2022-02-28

公开（公告）日：2022-07-22

公开（公告）号：CN114781581A

主分类号：G06N3/04

分类号：G06N3/04;G06N3/08;G06K9/62;G01W1/10

优先权：

专利状态码：失效-发明专利申请公布后的撤回

法律状态：2023.07.14#发明专利申请公布后的撤回;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：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。

主权项：1.一种基于DNB的大气能见度预测方法，其特征在于：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；输出层为后向传播网络；隐藏层1-隐藏层n均为受限玻尔兹曼机；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：Ev,h＝-aTv-bTh-hTWv1优化目标函数为：LW,a,b＝-∑lnPVi2隐藏层中的结点从可视状态转换可见状态的概率为：Phj＝1|v＝sigmoidbj+Wj,:v3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： 式中，第一项为误差项，第二项称为“正则项”，用来控制各层权值矩阵的元素大小以防止权值矩阵过大，网络模型出现过拟合现象；变量为最终的误差对每一层节点经过激活函数前的变量的偏导，用它来衡量某一层某个节点对最终误差的贡献量，的表达式如下： 对于最后一层，即第L层， 其中， 对于其它层l＝L-1，L-2，…2， 其中， 迭代更新加权矩阵W、可见层偏置系数矢量a，隐藏层偏置系数矢量b，直至两次迭代结果之差小于预设阈值为止，参数更新方法为：各个参数的更新公式如下： 其中，α为学习率； 对于输出层：δL＝-y-aL·f′zL16对于其它层l＝L-1，L-2，…2：δl＝[WlTδl+1]·f′zl17每个样本的目标函数对于各个参数的偏导作为反馈控制信号，控制权值更新以达到最小化损失函数；步骤6：预测大气能见度：使用预测及数据和训练好的DBN模型，预测大气能见度。

全文数据：

权利要求：

百度查询： 陕西理工大学 基于DNB的大气能见度预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD