基于模拟退火优化神经网络的能见度传感器及其检测方法与流程

本发明属于能见度检测技术领域，具体涉及一种基于模拟退火优化神经网络的能见度传感器及其检测方法。

背景技术

近年来，随着我国经济的发展，污染物的排放逐渐增多，导致空气能见度普遍降低，影响了交通运输的正常运行。同时，能见度的降低会影响路灯的照明效果，对人们的夜间出行造成了很大的影响。例如，大量研究表明黄光穿透能力比白光的穿透能力强，所以当能见度较低时，路灯亮黄光；当能见度过低时，白光和黄光一块亮，这样实现根据能见度的不同路灯亮不同颜色，实现路灯的智能化，将有利于人们晚上的出行，对人们的生活会产生较好的效果。因此，实时检测能见度，对人们的生活显得至关重要。

现有技术中的能见度传感器大多是通过激光散射原理，测量空气中经过采样式的离散光粒子的总数来测量能见度。此种传感器的测量精度高，但价格昂贵，对于能见度要求不高的场所来说，经济效益不高。

基于上述问题的考虑，大量学者对能见度的研究提出了不同的方法。这些方法可以分为两类，一类是曲线拟合，另一类是机器学习。曲线拟合是根据大量天气历史数据拟合出一个以pm2.5的浓度、温湿度三个变量为自变量，能见度为因变量的公式，但是这类方法检测能见度误差较大，不符合要求。机器学习是利用大量天气历史数据训练模型的参数，然后利用训练好的模型检测能见度，大量学者采用支持向量机、bp神经网络等模型来检测能见度。但是这种方法没有按照四季来划分模型，检测效果可能会根据四季的不同而影响能见度的检测。

技术实现要素：

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种电路结构简单、设计新颖合理、实现方便且成本低、能见度检测精度高、实用性强的基于模拟退火优化神经网络的能见度传感器。

为解决上述技术问题，本发明采用的技术方案是：一种基于模拟退火优化神经网络的能见度传感器，其特征在于：包括微处理器模块和为所述能见度传感器中各用电模块供电的电源电路，所述微处理器模块的输入端接有能见度检测电路，所述能见度检测电路包括颗粒物浓度传感器和温湿度传感器，所述微处理器模块、颗粒物浓度传感器和温湿度传感器均与电源电路的输出端连接。

上述的基于模拟退火优化神经网络的能见度传感器，其特征在于：所述电源电路包括5v电池、稳压芯片ams1117、非极性电容c8、非极性电容c9和极性电容c10，所述稳压芯片ams1117的第3引脚与5v电池的5v电压输出端连接，且通过非极性电容c8接地，所述5v电池的5v电压输出端为电源电路的5v电压输出端，所述稳压芯片ams1117的第2引脚为电源电路的3.3v电压输出端，且通过并联的非极性电容c9和极性电容c10接地，所述稳压芯片ams1117的第1引脚接地。

上述的基于模拟退火优化神经网络的能见度传感器，其特征在于：所述微处理器模块包括单片机msp430f169、第一晶振电路、第二晶振电路和复位电路，所述第一晶振电路包括晶振y0、非极性电容c1和非极性电容c2，所述晶振y0的一端和非极性电容c1的一端均与单片机msp430f169的第53引脚连接，所述晶振y0的另一端和非极性电容c2的一端均与单片机msp430f169的第52引脚连接，所述非极性电容c1的另一端和非极性电容c2的另一端均接地；所述第二晶振电路包括晶振y1、非极性电容c6、非极性电容c7和非极性电容c8，所述晶振y1的一端和非极性电容c6的一端均与单片机msp430f169的第8引脚连接，所述晶振y1的另一端和非极性电容c7的一端均与单片机msp430f169的第9引脚连接，所述非极性电容c8的一端与单片机msp430f169的第7引脚连接，所述非极性电容c6的另一端、非极性电容c7的另一端和非极性电容c8的另一端均接地；所述复位电路包括复位按键s0、电阻r0和非极性电容c0，所述复位按键s0的一端、电阻r0的一端和极性电容c0的一端均与单片机msp430f169的第58引脚连接，所述复位按键s0的另一端和极性电容c0的另一端均接地，所述电阻r0的另一端与电源电路的3.3v电压输出端连接。

上述的基于模拟退火优化神经网络的能见度传感器，其特征在于：所述颗粒物浓度传感器包括颗粒物浓度传感器pms3003，所述温湿度传感器包括温湿度传感器dht11，所述颗粒物浓度传感器pms3003的电源端引脚和温湿度传感器dht11的电源端引脚均与电源电路的5v电压输出端连接，所述颗粒物浓度传感器pms3003的接地端引脚和温湿度传感器dht11的接地端引脚均接地，所述颗粒物浓度传感器pms3003的信号输出端引脚与单片机msp430f169的第33引脚连接，所述温湿度传感器dht11的信号输出端引脚与单片机msp430f169的第36引脚连接，且通过电阻r1与电源电路的5v电压输出端连接。

上述的基于模拟退火优化神经网络的能见度传感器，其特征在于：所述微处理器模块中存储有基于模拟退火优化的bp神经网络构建的春天及秋天能见度检测模型、夏天能见度检测模型和冬天能见度检测模型。

本发明还公开了一种方法步骤简单、检测精度高、检测效果好、实用性强、使用效果好、便于推广使用的基于模拟退火优化神经网络的能见度传感器的能见度检测方法，其特征在于，该方法包括以下步骤：

步骤一、数据采集及传输：颗粒物浓度传感器对环境中的颗粒物浓度进行实时采集，并将所采集到的颗粒物浓度数据实时传输给微处理器模块；温湿度传感器对环境中的温度和湿度进行实时采集，并将所采集到的温度数据和湿度数据实时传输给微处理器模块；

步骤二、数据预处理：所述微处理器模块根据公式对其接收到的颗粒物浓度数据进行归一化处理，得到归一化后的颗粒物浓度值x^*；根据公式z^*＝(ymax-ymin)*(z-zmin)/(zmax-zmin)+ymin对其接收到的温度数据进行归一化处理，得到归一化后的温度值z^*；并根据公式r^*＝(ymax-ymin)*(r-rmin)/(rmax-rmin)+ymin对其接收到的湿度数据进行归一化处理，得到归一化后的湿度值r^*；其中，ymax＝1，ymin＝-1，x为微处理器模块当前接收到的颗粒物浓度值，xmin为微处理器模块接收到的颗粒物浓度值的最小值，xmax为微处理器模块接收到的颗粒物浓度值的最大值；z为微处理器模块当前接收到的温度值，zmin为微处理器模块接收到的温度值的最小值，zmax为微处理器模块接收到的温度值的最大值；r为微处理器模块当前接收到的湿度值，rmin为微处理器模块接收到的湿度值的最小值，rmax为微处理器模块接收到的湿度值的最大值；

步骤三、数据处理获得能见度检测值：所述微处理器模块判断微处理器模块在当前检测的前m日接收到的温度值的日平均值所处的温度范围，当前m日接收到的温度值的日平均值处在冬天的温度范围内时，所述微处理器模块将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的冬天能见度检测模型中，得出所述冬天能见度检测模型的输出，所述冬天能见度检测模型的输出即为能见度检测值；当前m日接收到的温度值的日平均值处在春天及秋天的温度范围内时，所述微处理器模块将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的春天及秋天能见度检测模型中，得出所述春天及秋天能见度检测模型的输出，所述春天及秋天能见度检测模型的输出即为能见度检测值；当前m日接收到的温度值的日平均值处在夏天的温度范围内时，所述微处理器模块将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的夏天能见度检测模型中，得出所述夏天能见度检测模型的输出，所述夏天能见度检测模型的输出即为能见度检测值。

上述的方法，其特征在于：步骤三中所述冬天的温度范围为小于10℃，所述春天及秋天的温度范围为大于等于10℃且小于等于22℃，所述夏天的温度范围为大22℃。

上述的方法，其特征在于：步骤三中所述春天及秋天能见度检测模型、夏天能见度检测模型和冬天能见度检测模型均为基于模拟退火优化的bp神经网络构建的模型，所述春天及秋天能见度检测模型、夏天能见度检测模型或冬天能见度检测模型的构建方法为：

步骤301、数据分类及存储：将颗粒物浓度、温度、湿度和能见度的历史数据按照季节分为春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据，并存储到计算机中；

步骤302、数据归一化处理：计算机在matlab软件中根据公式α^*＝(ymax-ymin)*(α-αmin)/(αmax-αmin)+ymin分别对春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据进行归一化处理，得到归一化后的春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据；其中，ymax＝1，ymin＝-1，α为需要进行归一化的变量，αmin为需要进行归一化的变量对应的历史数据的最小值，αmax为需要进行归一化的变量对应的历史数据的最大值，α^*为需要进行归一化的变量归一化后的值；

步骤303、建立隐含层神经元数目可变的三层bp神经网络：计算机在matlab软件中以归一化后的颗粒物浓度值、温度值和湿度值作为bp神经网络的输入，输入层节点数n1为3个，以能见度值作为bp神经网络的输出，输出层节点数n3为1个，根据公式确定所述三层bp网络的隐含层节点数n2，建立三层bp神经网络；其中，取a为1～10的自然数；

步骤304、训练各个不同隐含层节点数的三层bp神经网络，具体过程为：

步骤3041、首先，计算机在matlab软件中将归一化后的春天及秋天的颗粒物浓度、温度和湿度历史数据作为三层bp神经网络的输入，并以与春天及秋天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为bp神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层bp神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层bp神经网络的权值w和阈值b进行优化，得到各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络；

步骤3042、首先，计算机在matlab软件中将归一化后的夏天的颗粒物浓度、温度和湿度历史数据作为三层bp神经网络的输入，并以与夏天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为bp神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层bp神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层bp神经网络的权值w和阈值b进行优化，得到各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络；

步骤3043、首先，计算机在matlab软件中将归一化后的冬天的颗粒物浓度、温度和湿度历史数据作为三层bp神经网络的输入，并以与冬天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为bp神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层bp神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层bp神经网络的权值w和阈值b进行优化，得到各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络；

步骤305、确定出春天及秋天能见度检测模型、夏天能见度检测模型或冬天能见度检测模型，具体过程为：

步骤3051、计算机调用网络误差计算模块计算步骤3041中各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值w和阈值b最优的三层bp神经网络，确定为训练好的三层bp神经网络，并将其定义为春天及秋天能见度检测模型；

步骤3052、计算机调用网络误差计算模块计算步骤3042中各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值w和阈值b最优的三层bp神经网络，确定为训练好的三层bp神经网络，并将其定义为夏天能见度检测模型；

步骤3053、计算机调用网络误差计算模块计算步骤3043中各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值w和阈值b最优的三层bp神经网络，确定为训练好的三层bp神经网络，并将其定义为冬天能见度检测模型。

上述的方法，其特征在于：步骤3041、步骤3042和步骤3043在进行三层bp神经网络训练的过程中，计算机调用模拟退火算法参数优化模块对三层bp神经网络的权值w和阈值b进行优化的具体过程为：

步骤a、定义优化问题的解是三层bp神经网络的权值w和阈值b，并选择三层bp神经网络的权值w和阈值b组合成函数，用s表示；

步骤b、根据公式s(i+1)＝s(i)+(0.2·rand-0.1)·errorbp计算三层bp神经网络的权值w和阈值b的新的解s(i+1)；其中，s(i)为三层bp神经网络的权值w和阈值b的新的解之前一次的解，rand为0～1的随机数，errorbp为bp神经网络的网络误差；

步骤c、比较s(i+1)与s(i)，当s(i+1)＜s(i)时，接受s(i+1)为三层bp神经网络的权值w和阈值b的新的解；否则，当s(i+1)≥s(i)时，以概率exp[-(s(i+1)-s(i))/t]接受s(i+1)为三层bp神经网络的权值w和阈值b的新的解；其中，t为模拟退火的当前温度，exp为自然指数；

步骤d、重复步骤b和步骤c，直至模拟退火的温度达到了预设的模拟退火结束温度，得到了三层bp神经网络的权值w和阈值b的全局最优解。

上述的方法，其特征在于：所述n2的取值为10。

本发明与现有技术相比具有以下优点：

1、本发明将颗粒物浓度传感器和温湿度传感器集成一体化形成一种新型的能见度传感器，将颗粒物浓度和温湿度作为输入，获得能见度，能见度传感器的电路结构简单，设计新颖合理，实现方便且成本低。

2、本发明的微处理器模块采用单片机msp430f169，功耗低，数据处理能力强，能够很好地实现数据预处理并进行数据处理获得能见度检测值。

3、本发明将颗粒物浓度、温度、湿度和能见度的历史数据按照季节分为春天及秋天的历史数据，夏天的历史数据，以及冬天的历史数据，用这三个部分的数据分别训练基于模拟退火优化神经网络，建立了以颗粒物浓度、温度和湿度为输入，能见度为输出的春天及秋天能见度检测模型、夏天能见度检测模型和冬天能见度检测模型，然后将颗粒物浓度传感器和温湿度传感器集成一体化，利用建立好的能见度检测模型检测一年四季的能见度，方法步骤简单，检测精度高，检测效果好。

4、本发明将模拟退火算法引入了bp神经网络的权值和阈值调整过程当中，使bp神经网络训练结束之后的权值和阈值最优，使得输出能够更好的逼近实际值，克服了bp神经网络寻找参数时容易陷入局部最优的缺点，能够获得精度更高的能见度检测值。

5、本发明在建立春天及秋天能见度检测模型、夏天能见度检测模型和冬天能见度检测模型时，建立了隐含层神经元数目可变的三层bp神经网络，并选择出网络误差最小的隐含层节点数的权值w和阈值b最优的三层bp神经网络，确定为训练好的三层bp神经网络，能够进一步提高能见度传感器的能见度检测精度。

6、本发明能够很好地应用于能见度检测，根据本发明检测的能见度进行路灯控制，能够实现路灯的智能化，有利于人们晚上的出行，保证了交通运输的正常运行，本发明的实用性强，使用效果好，便于推广使用。

综上所述，本发明的设计新颖合理，实现方便且成本低，能见度检测精度高，能够很好地应用于能见度检测，实用性强，使用效果好，便于推广使用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明基于模拟退火优化神经网络的能见度传感器的电路原理框图。

图2为本发明电源电路的电路原理图。

图3为本发明微处理器模块的电路原理图。

图4为本发明能见度检测电路的电路原理图。

图5为本发明基于模拟退火优化神经网络的能见度传感器的检测方法的方法流程框图。

附图标记说明:

1—微处理器模块；2—电源电路；3—能见度检测电路；

3-1—颗粒物浓度传感器；3-2—温湿度传感器。

具体实施方式

如图1所示，本发明的基于模拟退火优化神经网络的能见度传感器，包括微处理器模块1和为所述能见度传感器中各用电模块供电的电源电路2，所述微处理器模块1的输入端接有能见度检测电路3，所述能见度检测电路3包括颗粒物浓度传感器3-1和温湿度传感器3-2，所述微处理器模块1、颗粒物浓度传感器3-1和温湿度传感器3-2均与电源电路2的输出端连接。

本实施例中，如图2所示，所述电源电路2包括5v电池、稳压芯片ams1117、非极性电容c8、非极性电容c9和极性电容c10，所述稳压芯片ams1117的第3引脚与5v电池的5v电压输出端连接，且通过非极性电容c8接地，所述5v电池的5v电压输出端为电源电路2的5v电压输出端，所述稳压芯片ams1117的第2引脚为电源电路2的3.3v电压输出端，且通过并联的非极性电容c9和极性电容c10接地，所述稳压芯片ams1117的第1引脚接地。

本实施例中，如图3所示，所述微处理器模块1包括单片机msp430f169、第一晶振电路、第二晶振电路和复位电路，所述第一晶振电路包括晶振y0、非极性电容c1和非极性电容c2，所述晶振y0的一端和非极性电容c1的一端均与单片机msp430f169的第53引脚连接，所述晶振y0的另一端和非极性电容c2的一端均与单片机msp430f169的第52引脚连接，所述非极性电容c1的另一端和非极性电容c2的另一端均接地；所述第二晶振电路包括晶振y1、非极性电容c6、非极性电容c7和非极性电容c8，所述晶振y1的一端和非极性电容c6的一端均与单片机msp430f169的第8引脚连接，所述晶振y1的另一端和非极性电容c7的一端均与单片机msp430f169的第9引脚连接，所述非极性电容c8的一端与单片机msp430f169的第7引脚连接，所述非极性电容c6的另一端、非极性电容c7的另一端和非极性电容c8的另一端均接地；所述复位电路包括复位按键s0、电阻r0和非极性电容c0，所述复位按键s0的一端、电阻r0的一端和极性电容c0的一端均与单片机msp430f169的第58引脚连接，所述复位按键s0的另一端和极性电容c0的另一端均接地，所述电阻r0的另一端与电源电路2的3.3v电压输出端连接。

本实施例中，如图4所示，所述颗粒物浓度传感器3-1包括颗粒物浓度传感器pms3003，所述温湿度传感器3-2包括温湿度传感器dht11，所述颗粒物浓度传感器pms3003的电源端引脚和温湿度传感器dht11的电源端引脚均与电源电路2的5v电压输出端连接，所述颗粒物浓度传感器pms3003的接地端引脚和温湿度传感器dht11的接地端引脚均接地，所述颗粒物浓度传感器pms3003的信号输出端引脚与单片机msp430f169的第33引脚连接，所述温湿度传感器dht11的信号输出端引脚与单片机msp430f169的第36引脚连接，且通过电阻r1与电源电路2的5v电压输出端连接。

其中，电阻r1用于分压，便于实现温湿度传感器dht11检测的温度度信号稳定可靠地传输给单片机msp430f169。

本实施例中，所述微处理器模块1中存储有基于模拟退火优化的bp神经网络构建的春天及秋天能见度检测模型、夏天能见度检测模型和冬天能见度检测模型。

如图5所示，本发明的基于模拟退火优化神经网络的能见度传感器的能见度检测方法，包括以下步骤：

步骤一、数据采集及传输：颗粒物浓度传感器3-1对环境中的颗粒物浓度进行实时采集，并将所采集到的颗粒物浓度数据实时传输给微处理器模块1；温湿度传感器3-2对环境中的温度和湿度进行实时采集，并将所采集到的温度数据和湿度数据实时传输给微处理器模块1；

步骤二、数据预处理：所述微处理器模块1根据公式x^*＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin对其接收到的颗粒物浓度数据进行归一化处理，得到归一化后的颗粒物浓度值x^*；根据公式z^*＝(ymax-ymin)*(z-zmin)/(zmax-zmin)+ymin对其接收到的温度数据进行归一化处理，得到归一化后的温度值z^*；并根据公式r^*＝(ymax-ymin)*(r-rmin)/(rmax-rmin)+ymin对其接收到的湿度数据进行归一化处理，得到归一化后的湿度值r^*；其中，ymax＝1，ymin＝-1，x为微处理器模块1当前接收到的颗粒物浓度值，xmin为微处理器模块1接收到的颗粒物浓度值的最小值，xmax为微处理器模块1接收到的颗粒物浓度值的最大值；z为微处理器模块1当前接收到的温度值，zmin为微处理器模块1接收到的温度值的最小值，zmax为微处理器模块1接收到的温度值的最大值；r为微处理器模块1当前接收到的湿度值，rmin为微处理器模块1接收到的湿度值的最小值，rmax为微处理器模块1接收到的湿度值的最大值；

步骤三、数据处理获得能见度检测值：所述微处理器模块1判断微处理器模块1在当前检测的前m日接收到的温度值的日平均值所处的温度范围，当前m日接收到的温度值的日平均值处在冬天的温度范围内时，所述微处理器模块1将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的冬天能见度检测模型中，得出所述冬天能见度检测模型的输出，所述冬天能见度检测模型的输出即为能见度检测值；当前m日接收到的温度值的日平均值处在春天及秋天的温度范围内时，所述微处理器模块1将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的春天及秋天能见度检测模型中，得出所述春天及秋天能见度检测模型的输出，所述春天及秋天能见度检测模型的输出即为能见度检测值；当前m日接收到的温度值的日平均值处在夏天的温度范围内时，所述微处理器模块1将归一化后的颗粒物浓度值x^*、温度值z^*和湿度值r^*输入存储在其中的根据颗粒物浓度、温度和湿度检测能见度的夏天能见度检测模型中，得出所述夏天能见度检测模型的输出，所述夏天能见度检测模型的输出即为能见度检测值。其中，m的取值为3～30的正整数。

本实施例中，步骤三中所述冬天的温度范围为小于10℃，所述春天及秋天的温度范围为大于等于10℃且小于等于22℃，所述夏天的温度范围为大22℃。

本实施例中，步骤三中所述春天及秋天能见度检测模型、夏天能见度检测模型和冬天能见度检测模型均为基于模拟退火优化的bp神经网络构建的模型，所述春天及秋天能见度检测模型、夏天能见度检测模型或冬天能见度检测模型的构建方法为：

步骤301、数据分类及存储：将颗粒物浓度、温度、湿度和能见度的历史数据按照季节分为春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据，并存储到计算机中；

步骤302、数据归一化处理：计算机在matlab软件中根据公式α^*＝(ymax-ymin)*(α-αmin)/(αmax-αmin)+ymin分别对春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据进行归一化处理，得到归一化后的春天及秋天的颗粒物浓度、温度、湿度和能见度历史数据，夏天的颗粒物浓度、温度、湿度和能见度历史数据，以及冬天的颗粒物浓度、温度、湿度和能见度历史数据；其中，ymax＝1，ymin＝-1，α为需要进行归一化的变量(即春天及秋天的颗粒物浓度、温度、湿度或能见度历史数据，夏天的颗粒物浓度、温度、湿度或能见度历史数据，以及冬天的颗粒物浓度、温度、湿度或能见度历史数据)，αmin为需要进行归一化的变量对应的历史数据的最小值，αmax为需要进行归一化的变量对应的历史数据的最大值，α^*为需要进行归一化的变量归一化后的值；

步骤303、建立隐含层神经元数目可变的三层bp神经网络：计算机在matlab软件中以归一化后的颗粒物浓度值、温度值和湿度值作为bp神经网络的输入，输入层节点数n1为3个，以能见度值作为bp神经网络的输出，输出层节点数n3为1个，根据公式确定所述三层bp网络的隐含层节点数n2，建立三层bp神经网络；其中，取a为1～10的自然数；

本实施例中，所述n2的取值为10。

步骤304、训练各个不同隐含层节点数的三层bp神经网络，具体过程为：

步骤3041、首先，计算机在matlab软件中将归一化后的春天及秋天的颗粒物浓度、温度和湿度历史数据作为三层bp神经网络的输入，并以与春天及秋天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为bp神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层bp神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层bp神经网络的权值w和阈值b进行优化，得到各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络；

步骤3042、首先，计算机在matlab软件中将归一化后的夏天的颗粒物浓度、温度和湿度历史数据作为三层bp神经网络的输入，并以与夏天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为bp神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层bp神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层bp神经网络的权值w和阈值b进行优化，得到各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络；

步骤3043、首先，计算机在matlab软件中将归一化后的冬天的颗粒物浓度、温度和湿度历史数据作为三层bp神经网络的输入，并以与冬天的颗粒物浓度、温度和湿度历史数据对应的能见度历史数据作为bp神经网络的输出，构建训练样本；然后，计算机对取a为1～10的自然数时所对应的不同隐含层节点数的三层bp神经网络进行训练，且在进行训练的过程中调用模拟退火算法参数优化模块对三层bp神经网络的权值w和阈值b进行优化，得到各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络；

步骤305、确定出春天及秋天能见度检测模型、夏天能见度检测模型或冬天能见度检测模型，具体过程为：

步骤3051、计算机调用网络误差计算模块计算步骤3041中各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值w和阈值b最优的三层bp神经网络，确定为训练好的三层bp神经网络，并将其定义为春天及秋天能见度检测模型；

步骤3052、计算机调用网络误差计算模块计算步骤3042中各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值w和阈值b最优的三层bp神经网络，确定为训练好的三层bp神经网络，并将其定义为夏天能见度检测模型；

步骤3053、计算机调用网络误差计算模块计算步骤3043中各个不同隐含层节点数时权值w和阈值b最优的训练好的三层bp神经网络对应的网络误差，并选择出网络误差最小的隐含层节点数的权值w和阈值b最优的三层bp神经网络，确定为训练好的三层bp神经网络，并将其定义为冬天能见度检测模型。

本实施例中，步骤3041、步骤3042和步骤3043在进行三层bp神经网络训练的过程中，计算机调用模拟退火算法参数优化模块对三层bp神经网络的权值w和阈值b进行优化的具体过程为：

步骤a、定义优化问题的解是三层bp神经网络的权值w和阈值b，并选择三层bp神经网络的权值w和阈值b组合成函数，用s表示；

步骤b、根据公式s(i+1)＝s(i)+(0.2·rand-0.1)·errorbp计算三层bp神经网络的权值w和阈值b的新的解s(i+1)，即第i+1次的解；其中，s(i)为三层bp神经网络的权值w和阈值b的新的解之前一次的解，即第i次的解，rand为0～1的随机数，errorbp为bp神经网络的网络误差；

步骤c、比较s(i+1)与s(i)，当s(i+1)＜s(i)时，接受s(i+1)为三层bp神经网络的权值w和阈值b的新的解；否则，当s(i+1)≥s(i)时，以概率exp[-(s(i+1)-s(i))/t]接受s(i+1)为三层bp神经网络的权值w和阈值b的新的解；其中，t为模拟退火的当前温度，exp为自然指数；

步骤d、重复步骤b和步骤c，直至模拟退火的温度达到了预设的模拟退火结束温度，得到了三层bp神经网络的权值w和阈值b的全局最优解。

具体实施时，三层bp神经网络中隐含层神经元的输入为所有输入的加权之和，即其中，xi′为三层bp神经网络的第i′个输入，wi′j′为三层bp神经网络的第i′个输入对j′个隐含层神经元的权值，bj′为隐含层第j′个神经元的的阈值；隐含层第j′个神经元的输出x′j′采用s函数激发xj′，得输出层神经元的输出为其中，y′为输出神经元的输出，wj′o为隐含层第j′个神经元对输出层神经元的权值，b为输出层神经元的阈值。w为wi′j′与wj′o的集合，b为bj′与b的集合。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。