1.一种基于深度信念网络的气溶胶消光系数反演方法，其特征在于：该反演方法包括如下步骤：步骤1：获取米散射激光雷达的回波功率信号和拉曼激光雷达反演得到的气溶胶消光系数，形成数据样本集；将数据样本集分为训练样本集和测试样本集；将样本集中的米散射激光雷达测量得到的回波功率信号作为深度信念网络的输入，拉曼散射激光雷达反演获得的气溶胶消光系数作为深度信念网络的输出；

步骤2：根据训练样本的特征进行归一化，实现对训练样本集数据的预处理，获得归一化后的训练样本集；

步骤3：根据归一化后的训练样本集构建深度信念网络，调整网络参数，对深度信念网络进行训练，获得训练后的深度信念网络；

步骤4：将测试样本集的回波功率信号输入步骤3所述优化后的深度信念网络，获得网络输出的气溶胶消光系数；将网络输出的气溶胶消光系数与测试样本集的气溶胶消光系数进行比对，判断是否满足预期结果；

步骤5：如果步骤4中的比对结果满足预期结果，则深度信念网络优化结束，优化结束后的网络即可用于气溶胶消光系数的反演；如果不满足，则返回步骤3继续训练深度信念网络，直到比对结果满足预期。

2.根据权利要求1所述的一种基于深度信念网络的气溶胶消光系数反演方法，其特征在于：在步骤2中，根据训练样本的特征进行归一化，实现对训练样本集数据的预处理，获得归一化后的训练样本集，所述归一化预处理公式如下：式中，datamin为回波功率信号或气溶胶消光系数中的最小值，datamax为回波功率信号或气溶胶消光系数中的最大值，data为回波功率信号或气溶胶消光系数的原始值，data'为归一化后的数据。

3.根据权利要求1所述的一种基于深度信念网络的气溶胶消光系数反演方法，其特征在于：在步骤3中，根据归一化后的训练样本集构建深度信念网络，对深度信念网络进行预训练和参数调整，方法如下：步骤3.1：归一化后的米散射激光雷达的回波功率信号，作为深度信念网络的输入变量Au＝(a1u,a2u,a3u,…,anu)，u＝1,2,…,sam，表示有sam个训练样本，a1,a2,…,an表示激光雷达回波功率，n表示有n个输入变量；

步骤3.2：拉曼散射激光雷达通过拉曼法反演出的气溶胶消光系数，归一化完成后的数据，作为期望输出Yu＝(y1u,y2u,y3u,…,ynu)，y1,y2,…,yn表示不同高度处的消光系数，n表示有n个输出变量；

步骤3.3：根据归一化后训练样本集构建深度信念网络的第一层受限玻尔兹曼机(RBM)，所述深度信念网络的RBM共有M层；

步骤3.4：采用对比散度算法训练第m层RBM，将第m层RBM训练完后隐含层的神经元状态作为第m+1层RBM的输入数据，并同样使用对比散度算法训练第m+1层RBM，m＝1,2,…M-1；

步骤3.5：重复步骤3.4，直到M层RBM训练结束，完成深度信念网络的预训练；

步骤3.6：针对步骤3.5预训练完成的深度信念网络，进行误差反向传递，采用梯度下降法调整网络参数值；所述误差为样本期望输出和深度信念网络输出之间的均方误差；所述网络参数包括权重、可见层节点的偏置、隐含层节点的偏置；

步骤3.7：如果网络参数调整后，误差减小到预期范围，则调整终止，获得最终训练好的深度信念网络模型；否则，继续执行步骤3.6。

4.根据权利要求3所述的一种基于深度信念网络的气溶胶消光系数反演方法，其特征在于：在步骤3.2中，所述拉曼法反演气溶胶消光系数的公式为：其中， 为利用拉曼法在激光波长λ0时获得的气溶胶消光系数，λ0为激光脉冲传输波长，λR为拉曼波长，NR(r)为氮气分子在距离r处的数密度， 为距离r处拉曼波长为λR的接收功率，Pn为背景噪声， 是激光波长为λ0时的大气分子消光系数， 是激光波长为λR时的大气分子消光系数，k为气溶胶的Angstrom指数； 和 表达式如下：其中，Amol(r)为距离r处的大气分子数密度。

5.根据权利要求3或4所述的一种基于深度信念网络的气溶胶消光系数反演方法，其特征在于：在步骤3.4和3.5中，所述对比散度算法训练RBM，方法如下：将输入数据赋值给第一层RBM可见层的神经元，通过式(5)计算第一层RBM隐含层中每一个神经元被激活的概率，公式如下：式中，p(*)为每一个神经元被激活的概率，v表示可见层神经元，h表示隐含层神经元，表示第一层RBM的第j个隐含层神经元节点，v(1)表示第一层RBM的可见层神经元，σ(*)是激活函数，定义为σ(x)＝1/(1+exp(-x))，vi(1)表示第一层RBM的第i个可见层神经元节点，ωij为可见层节点vi与隐含层节点hj之间的连接权重，cj是隐含层节点hj的偏置；

从式(5)计算得到的概率分布 中，采用Gibbs抽样采样获得 然后将

第一层RBM隐含层的神经元状态作为第二层RBM可见层神经元的输入数据，计算第二层RBM可见层中每一个神经元被激活的概率，公式如下：式中， 表示第二层RBM的第i个可见层神经元节点，h(1)表示第一层RBM的隐含层神经元，bi是可见层节点vi的偏置；

同样地，从式(6)计算得到的概率分布 中，采用Gibbs抽样采样获得

通过 再次计算第二层RBM隐含层中每个神经元被激活的概率，公式如下：

式中， 表示第二层RBM的第j个隐含层神经元节点，v(2)表示第二层RBM的可见层神经元；

同样地，从式(7)计算得到的概率分布 中，采用Gibbs抽样采样获得

以此类推，直到所有的RBM训练结束，完成深度信念网络的预训练。

6.根据权利要求5所述的一种基于深度信念网络的气溶胶消光系数反演方法，其特征在于：在步骤3.6中，针对步骤3.5预训练完成的深度信念网络，进行误差反向传递，采用梯度下降法调整网络参数值；方法如下：(1)所述误差为样本期望输出和深度信念网络输出之间的均方误差；所述网络参数包括权重、可见层节点的偏置、隐含层节点的偏置；

(2)将预训练好的深度信念网络作为网络的初始状态，预训练得到的网络参数作为深度信念网络的初始参数；

(3)采用输出层到输入层逐层修正的方法进行误差反向传递，运用梯度下降法反向对网络模型的参数进行有监督地学习，通过误差修正实现网络参数的调整；

所述均方误差计算公式为：

式中，E表示均方误差，Yu表示样本期望输出，Du表示深度信念网络的输出，n表示n个输出，dh表示深度信念网络输出的第h个消光系数，yh表示样本期望输出的第h个消光系数；

所述权重、可见层节点的偏置、隐含层节点的偏置的更新方法如下：

cj←cj+Δcj

其中，v是可见层神经元，h是隐含层神经元，Δωij、Δbi、Δcj分别是权重ωij、可见层节点的偏置bi、隐含层节点的偏置cj的变化量，η是学习速率。