[發明專利]基于螢火蟲算法優化BP神經網絡的最佳滑移率識別方法

有效

• 申請號: 201611182045.0
• 申請日: 2016-12-20
• 公開（公告）號: CN106599495B
• 公開（公告）日: 2017-09-05
• 發明（設計）人: 吳華偉;張遠進;葉從進
• 申請（專利權）人: 湖北文理學院
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 北京市盛峰律師事務所11337
• 代理人: 席小東

技術領域

本發明屬于飛機剎車控制技術領域，具體涉及一種基于螢火蟲算法優化BP神經網絡的最佳滑移率識別方法。

背景技術

飛機剎車系統的性能好壞對飛機運行安全起到至關重要的作用。如何有效地提高飛機的剎車效率，縮短滑跑距離，提高飛機對各種載荷狀況、跑道狀況、氣候條件的適應能力，成為飛機剎車系統研究的主要目標。

最佳滑移率識別器是飛機剎車系統中的重要組成部分，最佳滑移率識別器通過分析飛機剎車過程中不斷變化的結合系數μ和滑移率s識別出最佳滑移率s_p。

現有技術中，最佳滑移率識別器主要采用BP神經網絡模型。然而，采用BP神經網絡模型預測最佳滑移率s_p時，主要存在以下不足：BP神經網絡模型在運算過程中易陷入局部極小，從而出現短時間內無法準確預測出最佳滑移率s_p的問題，進而造成飛機打滑，影響飛機著陸的可靠性和安全性。

發明內容

針對現有技術存在的缺陷，本發明提供一種基于螢火蟲算法優化BP神經網絡的最佳滑移率識別方法，可有效解決上述問題。

本發明采用的技術方案如下：

本發明提供一種基于螢火蟲算法優化BP神經網絡的最佳滑移率識別方法，包括以下步驟：

步驟1，將BP神經網絡模型的網絡訓練誤差E轉化為螢火蟲個體的適應度，采用螢火蟲算法優化BP神經網絡模型的初始權值和初始閾值，得到最優權值和最優閾值；

步驟2，采用所述最優權值和所述最優閾值構造初始的IFA-BP最佳滑移率識別模型；

步驟3，采用訓練樣本數據對初始的IFA-BP最佳滑移率識別模型進行訓練，進一步優化IFA-BP最佳滑移率識別模型的權值和閾值，直至滿足訓練要求，迭代終止，得到最終的IFA-BP最佳滑移率識別模型；

步驟4，采用最終的IFA-BP最佳滑移率識別模型對飛機剎車過程中的最佳滑移率進行預測。

優選的，步驟1具體包括以下步驟：

步驟1.1，確定用于預測最佳滑移率的BP神經網絡模型的拓撲結構；所述BP神經網絡模型的拓撲結構包括輸入層、隱含層和輸出層；其中，輸入層包括兩個結點，分別為結合系數μ和實際滑移率s；輸出層包括1個結點，為最佳滑移率sp；

步驟1.2，初始化BP神經網絡模型的基本參數，包括：訓練次數N、學習率η、網絡訓練誤差E；

步驟1.3，對所述BP神經網絡模型的輸出層與隱含層的權值、隱含層與輸入層的權值、輸出層的閾值和隱含層的閾值分別進行編碼，形成螢火蟲個體；

初始化螢火蟲算法基本參數，包括：設置種群規模n、最大吸引度因子β₀、光吸收系數γ、初始隨機步長α₀以及最大迭代次數max；

步驟1.4，隨機初始化各螢火蟲個體的位置，即初始化每個螢火蟲個體的解；對于每個螢火蟲個體，采用以下方法計算螢火蟲個體的適應度：

步驟1.4.1，將每個螢火蟲個體的解賦值給步驟1.1中確定的BP神經網絡模型的對應權值和閾值，構建得到BP神經網絡模型；

步驟1.4.2，獲取訓練樣本數據；其中，所述訓練樣本數據為三維數據，包括：結合系數μ、實際滑移率s和最佳滑移率sp；

采用所述訓練樣本數據，基于步驟1.2中的初始化BP神經網絡模型的基本參數，對所述BP神經網絡模型進行訓練，得到網絡訓練誤差E；

步驟1.4.3，所述網絡訓練誤差E轉化為螢火蟲個體的適應度；

步驟1.5，根據螢火蟲個體的適應度進行排序，查找到適應度最高的螢火蟲個體；

判斷當前迭代次數是否達到設定的最大迭代次數max，如果達到，則轉向步驟1.8，否則轉向步驟1.6；

步驟1.6，根據當前迭代次數，通過公式(1)計算各螢火蟲個體的發光強度，比較各螢火蟲個體的亮度大小；

其中，I為螢火蟲個體的發光強度，γ為光吸收系數，r為兩個螢火蟲間的距離，I₀為螢火蟲個體的最大發光亮度，即r＝0處螢火蟲自身的發光亮度；

根據公式(2)計算兩個螢火蟲個體的相互吸引度β：

其中，β₀為最大吸引度，即螢火蟲自身的吸引度；

如果螢火蟲j的亮度高于螢火蟲i的亮度，則螢火蟲i被螢火蟲j吸引，螢火蟲i將會向螢火蟲j移動，根據公式(3)更新螢火蟲i的位置：