1.基于反馈型RBF神经网络的气溶胶消光系数反演方法，其特征在于：包括，

1)利用输入和期望输出训练RBF神经网络；

将历史回波信号功率作为RBF神经网络的输入，将根据历史回波信号得到的气溶胶消光系数作为RBF神经网络的期望输出；

气溶胶消光系数获取的过程为：利用太阳光度计测量气溶胶光学厚度的计算公式和雷达测量气溶胶光学厚度的计算公式，构建非线性方程，利用弦截法迭代计算气溶胶消光后向散射比，根据气溶胶消光后向散射比和回波信号，采用Fernald法反演气溶胶的消光系数；

构建的非线性方程为，

其中，LR为雷达探测的气溶胶光学厚度，σa(r)为气溶胶的消光系数，是一个关于气溶胶消光后向散射比Sa和探测距离r的函数，SAOD为太阳光度计探测的气溶胶光学厚度，SALL为太阳光度计探测的整层大气光学厚度，ra是有效探测距离，σm(r)为大气分子的消光系数；

2)基于反馈型RBF神经网络反演气溶胶消光系数。

2.根据权利要求1所述的基于反馈型RBF神经网络的气溶胶消光系数反演方法，其特征在于：太阳光度计测量气溶胶光学厚度的计算公式为，其中，SAOD为太阳光度计探测的气溶胶光学厚度，SALL为太阳光度计探测的整层大气光学厚度，SMOD为有效探测范围内大气分子的光学厚度，ra是有效探测距离，σm(r)为大气分子的消光系数。

3.根据权利要求1所述的基于反馈型RBF神经网络的气溶胶消光系数反演方法，其特征在于：雷达测量气溶胶光学厚度的计算公式为，其中，LR为雷达探测的气溶胶光学厚度，σa(r)为气溶胶的消光系数，是一个关于气溶胶消光后向散射比Sa和探测距离r的函数。

4.根据权利要求1所述的基于反馈型RBF神经网络的气溶胶消光系数反演方法，其特征在于：利用输入和期望输出训练RBF神经网络，将当前回波信号输入训练好的RBF神经网络，得到当前气溶胶消光系数，根据当前气溶胶消光系数计算气溶胶光学厚度AODlidar，将其与太阳光度计测量的当前气溶胶光学厚度AODsun进行比对，若存在误差，修正当前气溶胶消光系数，将修正后的气溶胶消光系数与对应的回波信号作为新的样本，对反馈型RBF神经网络进行二次训练。

5.根据权利要求4所述的基于反馈型RBF神经网络的气溶胶消光系数反演方法，其特征在于：修正气溶胶消光系数的公式为，AECcorrected＝Networkoutput×(1+ω)

其中，AECcorrected为修正后的气溶胶消光系数，Networkoutput为修正前的气溶胶消光系数，ω为误差。