近地面大氣光學湍流強度估算方法研究進展

2019-02-13 13:47:28吳曉慶

安徽師范大學學報(自然科學版) 2019年6期

吳曉慶

(1.中國科學院安徽光學精密機械研究所，安徽合肥 230031;2.中國科學院大氣光學重點實驗室，安徽合肥 230031)

引言

1 Bulk法

(1)

(2)

當z/L<0時，

Ψu=[1-15(z/L)]-1/4

(3a)

ΨH=[1-15(z/L)]-1/2

(3b)

當z/L>0時，

Ψu=ΨH=1+5(z/L)

(4)

無量綱結構常數(shù)函數(shù)fT由實驗確定。文獻中有許多這一函數(shù)的不同表達方式，最具代表性的是Wyngaard結構常數(shù)函數(shù)[7]，

(5)

2 人工神經網絡法

人工神經網絡主要由神經元、層和網絡組成。神經元之間以輸入層、隱藏層、輸出層，通過權重相互連接，構成神經網絡。目前從網絡連接的拓撲結構、神經元的特征、學習規(guī)則等形成了幾十種諸如反向傳播網絡、學習矢量量化網絡、Kohonen網絡、Hopfield網絡、自適應諧振理論網絡等神經網絡模型或稱神經網絡算法。例如BP(Back Propagation)算法又稱為誤差反向傳播算法，是人工神經網絡中的一種監(jiān)督式的學習算法，其主要思想是：在輸入層輸入一些與被預報參量值直接相關的參量，經過加權函數(shù)分配權重后輸入到中間的隱藏層，隱藏層的各神經元匯總所有輸入后，通過一種轉移函數(shù)產生某種響應輸出。當輸出層的輸出值沒有達到期望，使用反向傳播算法，逐層遞歸地計算實際輸出值與期望值之間的偏差并返回給輸入層，對網絡的權值和偏差進行反復的調整訓練，直至達到預先設定的學習訓練次數(shù)，或輸出值符合預先設定的誤差時停止訓練。