[发明专利]基于深度置信网络的MODIS雾监测方法

权利要求书

1.一种基于深度置信网络的MODIS雾监测方法，其特征在于，包括训练阶段和识别阶段，具体步骤步骤如下：

训练阶段：

第一步，获取MODIS卫星数据；

第二步，对该MODIS卫星数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正或几何校正；

第三步，获取MODIS图像对应区域对应时间的地面站观测数据；

第四步，将每个观测站位置的MODIS图像像元取出，作为训练集，观测站的天气情况：无雾或有雾作为此区域的标签数据；

第五步，将训练数据和标签数据输入深度置信网络中训练网络参数；

第六步，将第五步训练好的网络参数保存，作为识别模型，即雾监测模型；

识别阶段：

第一步，获取要进行识别的MODIS遥感原始数据；

第二步，对MODIS遥感原始数据进行预处理操作，包括条纹修复和换线去除、损坏波段剔除、大气校正或几何校正；

第三步，将预处理好的MODIS数据输入所述的雾监测模型，得到识别结果。

2.根据权利要求1所述的基于深度置信网络的MODIS雾监测方法，其特征在于，所述第五步将训练数据和标签数据输入深度置信网络中训练网络参数具体是：

①采用对比散度算法的逐层训练的方式，对各层RBM进行训练，低一层的RBM输出层(隐含层)作为高一层的RBM输入层(可见层)；

②对最后一层BP网络进行有监督方法的训练，把实际输出与真值之间的误差逐层向后传播，对整个DBN网络的权值进行微调。

3.根据权利要求2所述的基于深度置信网络的MODIS雾监测方法，其特征在于，所述步骤②在微调过程的正向过程，随机使某些节点的输出值变为0，反向过程也不对这个节点的权值进行调整，具体是：

设定一个隐退比例α，训练的每次迭代过程中为每个节点产生一个[0,1]的随机数r，当r＜α将此节点作隐退操作；

在测试阶段，所有节点都发挥作用，但每个节点的输出值都要乘以(1-α)；随机隐退其实就相当于同时训练很多模型，最后将这些模型的结果加权平均进行融合，增强了模型的泛化能力，提高了雾监测模型的监测精确度。

4.根据权利要求1所述的基于深度置信网络的MODIS雾监测方法，其特征在于，所述的MODIS卫星数据包括36个通道的反射强度数据，包括目标区域的经纬度坐标或太阳高度角卫星姿势拍摄参数。