1.一种基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于包括如下步骤：

(1)多层无监督稀疏学习网络模型结构的训练：设定神经网络为一个含m个隐层的网络，利用已标注的样本(Xi,Yi)，对该神经网络进行学习,使用极限学习机模型进行多层无监督特征学习，得到最优的网络参数,其中，Xi为一个n×n的图像块，Yi表示Xi对应的云的分类，n满足10≤n≤50，i代表第i个样本，i＝1,2,3,...,p，p为样本总数；所述网络模型的输出层采用监督学习的方式实现云的分类学习；

(2)卫星图片云分类：将卫星图片分成每个像素大小为n×n的小块，作为神经网络的输入数据，并得到整个神经网络的输出，通过输出值进行最终分类，根据输出的最大值判定云的种类；

(3)卫星图片云云量计算：根据步骤(2)中云的种类，采用空间相关方法计算云图上的总云量。

2.根据权利要求1所述的基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于所述多层无监督特征提取网络模型包括：多层无监督特征提取部分，包括以极限学习为基础的自动稀疏编码实现特征的无监督提取，通过稀疏连接提取输入数据的特征；

基于极限学习机的监督学习部分，将隐含层的最后一层提取的特征向量作为最后一层的输入，基于极限学习机理论进行特征分类学习，得到最后一层的网络参数。

3.根据权利要求2所述的基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于：步骤(1)的多层无监督特征提取网络模型含m个隐层，其中第i个隐层使用具有vi个隐含节点的极限学习机进行自动稀疏编码学习，并将该极限学习机的隐含层输出作为多层无监督特征提取网络第i+1层的输入，将极限学习机的隐含层和输出层之间的连接权值作为多层无监督特征提取网络第i层和第i+1之间的连接权值。

4.根据权利要求3所述的基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于：每层网络进行特征提取具体包括如下步骤：a)输入的卫星图片样本X经过H1(X)＝g(w1·X+b1)·β1后得到随机特征映射，其中w1是无监督多层特征提取网络中第一个自动编码极限学习输入层和隐含层之间的权值，b1是偏置，g是激励函数，β1是隐藏层和输出层之间的权重；

b)极限学习机的隐含层的输出能够通过隐藏层和输出层之间的连接进行输入的重构，即使得H1(X)＝X；

c)通过极限学习及稀疏编码的方式得到β1的估计值β1，无监督多层特征提取网络第一层的特征输出K1＝g(w1·X+b1)就作为无监督多层特征提取网络第二层的输入，β1就作为无监督多层特征提取网络第一层和第二层之间的连接权值；

d)无监督多层特征提取网络第j层的输出Kj可作为无监督多层特征提取网络第j+1层的输入，βj作为无监督多层特征提取网络第j层和无监督多层特征提取网络第j+1层之间的连接权值，重复该步骤d)网络进行特征提取完毕。

5.根据权利要求4所述的基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于：所述步骤c)中稀疏编码的具体算法如下：首先，设定编码输入为R，有L个隐层节点，W为输入层和隐含层之间的连接权值，β为隐含层和输出层之间的连接权值，bi是第i个隐含节点的偏置(b＝(b1,b2,...,bL))且满足g(W·R+b)β＝X；

接着，根据 采用l1范数约束β，使得β为稀疏，其中W和b是任

意给定的0到1之间的值；

最后，通过快速收缩阈值迭代法得到估计值β。

6.根据权利要求1所述的基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于：所述云的分类学习，具体步骤为：将多层无监督特征提取网络第m个隐层的特征输出作为监督学习部分的输入，用样本的标注Y作为监督学习的目标输出，并通过极限学习机方法得到监督学习部分的网络参数。

7.根据权利要求1所述的基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于：所述神经网络输出的云分类结果包括三种：晴空、薄云和厚云。

8.根据权利要求1所述的基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于：所述神经网络输出的云分类的结果有三种，设定输出样本设定为对应的三维向量。

9.根据权利要求1所述的基于多层无监督稀疏学习网络的云图云量计算方法，其特征在于，步骤(3)的具体包括：通过神经网络输出的云分类结果得到厚云像素亮度的下界Icld和晴空像素亮度的上界Iclr，Icld是所有厚云的亮度的最小值，Iclr是所有晴空亮度的最大值，云图上每个像素的云量根据下式求得：Ac＝(I-Iclr)/(Icld-Iclr)

其中I为单个像素接收机的亮度，最终得到云图上所有像素的总云量。