[發(fā)明專利]基于BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算各月份天文輻射量的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811501077.1
• 申請(qǐng)日: 2018-12-10
• 公開（公告）號(hào): CN109614693B
• 公開（公告）日: 2023-01-03
• 發(fā)明（設(shè)計(jì)）人: 陳楠;李換格;陳韻
• 申請(qǐng)（專利權(quán)）人: 福州大學(xué)
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20;G06N3/08;G06F17/16
• 代理公司: 福州元?jiǎng)?chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 蔡學(xué)俊

1.一種基于BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算各月份天文輻射量的方法，其特征在于，包括以下步驟：

步驟S1：采集待計(jì)算地區(qū)DEM影像，并對(duì)DEM影像進(jìn)行預(yù)處理；

步驟S2：根據(jù)預(yù)處理后的DEM影像，提取對(duì)應(yīng)的輸入矩陣；

步驟S3：對(duì)輸入矩陣進(jìn)行歸一化處理；

步驟S4：構(gòu)建并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型；

步驟S5：將歸一化后的輸入矩陣輸入訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型，得到BP神經(jīng)網(wǎng)絡(luò)模型的輸出矩陣；

步驟S6：對(duì)輸出矩陣進(jìn)行反歸一化，得到待計(jì)算地區(qū)的月天文輻射數(shù)值矩陣；

所述步驟S2具體為：

步驟S21：提取待計(jì)算地區(qū)DEM影像每個(gè)柵格的高程、坡度、坡向因子以及每個(gè)柵格上下左右四個(gè)方向鄰域柵格的高程、坡度和坡向因子；

步驟S22：將每個(gè)柵格的經(jīng)度、緯度、高程、坡度、坡向、四個(gè)方向鄰域柵格的高程、坡度、坡向以及所要計(jì)算的月份作為該柵格的18個(gè)因子，并將每個(gè)柵格對(duì)應(yīng)的18個(gè)因子作為一個(gè)列向量；

步驟S23：將p1×p2個(gè)柵格對(duì)應(yīng)的列向量依次按照柵格的編號(hào)組合為一個(gè)矩陣，該矩陣即為待計(jì)算地區(qū)DEM影像對(duì)應(yīng)的輸入矩陣Input_m×n

其中，m為輸入矩陣Input的行數(shù)，n為Input的列數(shù)；i＝1，2，3，…，m，該矩陣中m＝18；j為DEM柵格的編號(hào)，j＝1，2，3，…，n，該矩陣中n＝p1×p2，其中p1×p2為像素的數(shù)量；

x_1j和x_2j為第j個(gè)柵格的經(jīng)度和緯度，取DEM影像中心柵格的經(jīng)度和緯度；

x_3j、x_4j、x_5j、x_6j、x_7j分別為第j個(gè)柵格和該柵格四個(gè)方向鄰域柵格的高程；

x_8j、x_9j、x_10j、x_11j、x_12j分別為第j個(gè)柵格和該柵格四個(gè)方向鄰域柵格的坡度；

x_13j、x_14j、x_15j、x_16j、x_17j分別為第j個(gè)柵格和該柵格四個(gè)方向鄰域柵格的坡向；

x_18j為所要計(jì)算的月份的編號(hào)，即1月份為1，2月份為2，...，12月份為12；

所述步驟S4具體為：

步驟S41：選取訓(xùn)練樣本，包括N幅DEM影像，編號(hào)為1-N，并在每個(gè)DEM影像中隨機(jī)抽取M個(gè)柵格做為采樣?xùn)鸥瘢?/p>

步驟S42：構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型輸入矩陣：

構(gòu)建編號(hào)為1的DEM影像中所有采樣?xùn)鸥窈?月份編號(hào)的矩陣矩陣的第18行元素均為1；

式中，為18行M列的矩陣；的下標(biāo)表示DEM影像的編號(hào)，上標(biāo)表示月份編號(hào)；d＝1，2，3，...，M；矩陣中第d列的元素x_1d，x_2d，...，x_17d依次為第d個(gè)采樣?xùn)鸥竦慕?jīng)度值、緯度值、高程值、四個(gè)方向鄰域柵格的高程值、坡度值、四個(gè)方向鄰域柵格的坡度值、坡向值、四個(gè)方向鄰域柵格的坡向值；

構(gòu)建上述所有采樣?xùn)鸥窈?月份編號(hào)的矩陣矩陣的第18行元素均為2；

上述所有采樣?xùn)鸥袼鶎?duì)應(yīng)其余月份的矩陣僅改變矩陣第18行的月份編號(hào)，得到

將矩陣按如下方式進(jìn)行組合，得到編號(hào)為1的DEM影像中所有采樣?xùn)鸥駥?duì)應(yīng)的矩陣l₁

構(gòu)建得到全部N幅DEM影像中所有采樣?xùn)鸥竦木仃噇₁，l₂，...，l_N，將其按如下方式進(jìn)行組合，得到BP神經(jīng)網(wǎng)絡(luò)模型的輸入矩陣P

P＝[l₁，l₂，…，l_N]；

步驟S43：構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型期望輸出矩陣；

構(gòu)建編號(hào)為1的DEM影像中所有采樣?xùn)鸥?月份的天文輻射矩陣

式中，為1行M列的矩陣，下標(biāo)表示DEM影像的編號(hào)，上標(biāo)表示月份編號(hào)；y₁，y₂，...，y_M分別為上述中所有采樣?xùn)鸥?月份的天文輻射值；

構(gòu)建上述所有采樣?xùn)鸥衿溆嘣路莸奶煳妮椛渚仃噷⑵浒慈缦路绞竭M(jìn)行組合，得到編號(hào)為1的DEM影像中所有采樣?xùn)鸥?2個(gè)月份的天文輻射矩陣t₁，

構(gòu)建全部N幅DEM影像所有采樣?xùn)鸥竦奶煳妮椛渚仃噒₁，t₂，...，t_N，按如下方式進(jìn)行組合，得到BP神經(jīng)網(wǎng)絡(luò)模型的輸出矩陣T

T＝[t₁，t₂，…，t_N]；

步驟S44：構(gòu)建由一個(gè)輸入層、三個(gè)隱含層、一個(gè)輸出層構(gòu)成的BP神經(jīng)網(wǎng)絡(luò)模型框架，設(shè)置網(wǎng)絡(luò)基本參數(shù)，包括最大訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)最小誤差、學(xué)習(xí)率、最大失敗次數(shù)；

步驟S45：訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，得到訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型；

所述步驟S45具體為：

步驟S451：初始化各層權(quán)值矩陣和閾值向量；

步驟S452：將步驟S42中構(gòu)成的輸入矩陣和步驟S43構(gòu)成的期望輸出矩陣分別歸一化，同時(shí)需保存期望輸出矩陣歸一化前的最大值和最小值，記為y_max和y_min；

步驟S453：將歸一化后的輸入矩陣輸入BP神經(jīng)網(wǎng)絡(luò)模型的輸入層，計(jì)算出其輸出矩陣，求出訓(xùn)練目標(biāo)誤差E，其公式為：

式中，n為訓(xùn)練樣本的數(shù)量；τ_k為歸一化后的期望輸出矩陣第k個(gè)元素的值；o_k為BP神經(jīng)網(wǎng)絡(luò)模型的輸出矩陣第k個(gè)元素的值；

步驟S454：判斷誤差E是否達(dá)到誤差要求，若E達(dá)到誤差要求，即訓(xùn)練結(jié)束，轉(zhuǎn)向步驟S455；若沒有達(dá)到要求，則反向修正BP神經(jīng)網(wǎng)絡(luò)模型的各層權(quán)值矩陣和閾值向量，再轉(zhuǎn)向步驟S453；

步驟S455：保存各層權(quán)值矩陣和閾值向量，得到訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型。