[發明專利]在環境空氣預報中基于深度信念網絡的數據融合的方法

在審

• 申請號: 202010835732.8
• 申請日: 2020-08-19
• 公開（公告）號: CN114077883A
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 馬元婧;王寧;李俊雙;祁柏林;王帥;杜毅明;王世海;王興剛;范秋楓
• 申請（專利權）人: 中國科學院沈陽計算技術研究所有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G01N33/00;G01N15/06;G01W1/02
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 王倩

1.在環境空氣預報中基于深度信念網絡的數據融合的方法，其特征在于，包括以下步驟：

提取監測點位的大氣數據和氣象數據并去除缺測值；

對處理后的大氣數據和氣象數據分別進行歸一化處理；

將歸一化后的大氣數據和氣象數據輸入到深度信念網絡DBN進行數據融合，訓練深度信念網絡DBN，得到訓練模型；

將融合后的大氣數據和氣象數據應用在環境空氣預報中。

2.根據權利要求1所述的在環境空氣預報中基于深度信念網絡的數據融合的方法，其特征在于，所述大氣數據包括：PM_2.5、PM₁₀、SO₂、CO、NO₂、O₃的濃度數據；所述氣象數據包括溫度、風速、大氣壓強、濕度。

3.根據權利要求1所述的在環境空氣預報中基于深度信念網絡的數據融合的方法，其特征在于，對處理后的大氣數據和氣象數據分別進行歸一化處理具體為：

對監測點位的大氣數據和氣象數據分別進行歸一化處理：使監測點位的大氣數據和氣象數據分別映射在(0,1)范圍內，X_norm表示歸一化后的數據，X表示監測點位監測出的大氣數據或氣象數據的構成的數據集合，X_min表示所述數據集合中的最小值，X_max表示所述數據集合中的最大值，利用如下公式進行歸一化：

4.根據權利要求1所述的在環境空氣預報中基于深度信念網絡的數據融合的方法，其特征在于，深度信念網絡DBN訓練方法包括以下步驟：

采取非監督貪婪法對輸入數據進行逐層預訓練：分別對受限玻爾茲曼機RBM網絡的每一層進行無監督的訓練，初始化其權重偏置，為深度信念網絡DBN提供初始參數；

在DBN的最后一層加上BP神經網絡，輸入數據經過預訓練后通過BP算法依據誤差函數進行反向調節，微調整個DBN。

5.根據權利要求4所述的在環境空氣預報中基于深度信念網絡的數據融合的方法，其特征在于，受限玻爾茲曼機RBM訓練方法的能量函數和聯合概率分布包括：

給定狀態(v,h)，假設有m個可見層神經元和n個隱藏層神經元，可定義如下能量函數：

其中，v_i表示可見層中第i個神經元節點的狀態值，h_j表示隱藏層中第j個神經元節點的狀態值，θ＝{a_i,b_j,w_ij}表示RBM中的參數，其中a_i表示可見層中第i個神經元節點的偏置，b_j表示隱藏層中第j個神經元節點的偏置，w_ij表示可見層中第i個神經元節點和隱藏層中第j個神經元節點之間的連接權值；

根據能量函數可得到(v,h)的聯合概率分布為：

其中，Z(θ)為RBM的歸一化因子，也稱為分配函數。

6.根據權利要求4所述的在環境空氣預報中基于深度信念網絡的數據融合的方法，其特征在于，受限玻爾茲曼機RBM訓練方法的隱藏層單元和可見層單元被激活的概率包括：

單個隱藏層單元被激活的概率：

P(h_j＝1|v)＝sigmoid(b_j+∑_iv_iw_ij)

單個可見層單元被激活的概率：

P(v_i＝1|h)＝sigmoid(a_i+∑_jw_ijh_j)

可見層和隱藏層的激活函數均為sigmoid函數，具體為：

其中，_x是可見層和隱藏層的輸入，f(x)是可見層和隱藏層的輸出。