[發明專利]一種基于概率神經網絡的監測系統及其平滑參數優化方法

有效

• 申請號: 201811065716.4
• 申請日: 2018-09-13
• 公開（公告）號: CN109308518B
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 許承東;鄭學恩;彭雅奇;牛飛;趙靖
• 申請（專利權）人: 北京理工大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N3/00;G01S19/23
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 毛燕

1.概率神經網絡監測系統，其特征在于：包括輸入層模塊、模式層模塊、求和層模塊、比較層模塊和輸出層模塊；

其中，除輸出層模塊外，輸入層模塊、模式層模塊、求和層模塊、比較層模塊都是單向傳輸；

其中，輸入層模塊包括輸入層X軸子模塊，輸入層Y軸子模塊和輸入層Z軸子模塊；模式層模塊包括模式層X軸子模塊、模式層Y軸子模塊和模式層Z軸子模塊；求和層模塊包括求和層X軸子模塊、求和層Y軸子模塊和求和層Z軸子模塊；

所述監測系統中各模塊的連接關系如下：

輸入層模塊與模式層模塊連接；模式層模塊與求和層模塊連接；求和層模塊與比較層模塊連接；比較層模塊與輸出層模塊連接；

所述監測系統中各模塊的功能是：

輸入層模塊的功能是用于計算接收器收集的一組位置數據的標準偏差；模式層模塊的功能是用于計算激活函數的值；求和層模塊功能是計算輸入數據屬于故障類的平均概率和屬于無故障類的平均概率；比較層模塊的功能是對來自求和層三個軸的故障概率進行比較計算；輸出層模塊的功能是將比較層中X軸、Y軸和Z軸三軸輸出值做布爾運算，并給出最終檢測結果；

其中，輸入層模塊計算公式如下(1)、(2)和(3)所示：

其中，x_i，y_i和z_i分別表示X軸、Y軸和Z軸的第i個輸入量，X₂表示向模式層X軸子模塊輸入的數據，Y₂表示向模式層Y軸子模塊輸入的數據，Z₂表示向模式層Z軸子模塊輸入的數據，n表示子模塊中神經元的數量，X軸、Y軸和Z軸子模塊的神經元數量相等；

求和層輸出的數據用高斯函數表示如下(4)、(5)、(6)、(7)、(8)和(9)所示：

其中，X₃₁、Y₃₁、Z₃₁分別表示向求和層X軸、Y軸、Z軸子模塊中無故障節點輸出的數據，X₃₂、Y₃₂、Z₃₂表示向求和層X軸、Y軸、Z軸子模塊中故障節點輸出的數據，LX_i、LY_i和LZ_i代表無故障情況的第i個訓練樣本，LXF_i、LYF_i和LZF_i代表有故障情況的第i個訓練樣本，s表示無故障樣本數量，w表示故障樣本數量，LX_i、LY_i、LZ_i、LXF_i、LYF_i和LZF_i可由下式(10)、(11)、(12)、(13)、(14)和(15)計算得出；

式中σ_x、σ_y和σ_z分別表示X軸、Y軸和Z軸中衛星定位誤差分布的標準差，k表示膨脹系數，d表示樣本抽樣數量，C_m表示修正系數，模式層中的神經元數量等于訓練樣本的總數量；

求和層模塊的操作可由下式(16)、(17)、(18)、(19)、(20)和(21)計算得出：

f_x1＝X₃₁/s (16)

f_x2＝X₃₂/w (17)

f_y1＝Y₃₁/s (18)

f_y2＝Y₃₂/w (19)

f_z1＝Z₃₁/s (20)

f_z2＝Z₃₂/w (21)

其中，f_x1、f_y1和f_z1分別表示X軸、Y軸和Z軸定位值無故障的概率，f_x2、f_y2和f_z2分別表示X軸、Y軸和Z軸定位值有故障的概率，求和層中的神經元數量為6；

比較層模塊的操作通過式(22)、(23)和(24)實現：

式中X₄，Y₄，Z₄分別表示向輸出層輸入的數據，比較層神經元的數量為3；

輸出層模塊的操作是將比較層中X軸、Y軸和Z軸三軸輸出值做布爾運算，運算方法如下式(25)所示：

R＝X₄∧Y₄∧Z₄ (25)

其中，R表示輸出結果，R＝1表示用于定位的衛星包含故障，而R＝0表示衛星定位正常，輸出層中只有1個神經元；

監測系統的監測性能主要受到如下兩部分影響：

1.訓練樣本LX_i、LY_i、LZ_i、LXF_i、LYF_i和LZF_i的數據質量；

2.平滑參數λ；

所述監測系統在上述各層的建模過程中，訓練樣本利用公式(10)、(11)、(12)、(13)、(14)和(15)計算得出，平滑參數λ使用粒子群優化方法進行尋優。

2.一種基于粒子群優化的平滑參數優化方法，該方法包括以下步驟：

步驟1、初始化參數；

其中，初始化參數具體包括給定慣性參數ω，常數C₁和C₂，隨機數R₁和R₂的初值，給定迭代總數t_total和粒子總數p的數值；

步驟2、初始化粒子速度和位置；具體為：在給定范圍內，隨機設定每一個粒子的初始速度v和位置P，并將迭代數設置為t＝1；

步驟3更新粒子速度和位置，具體包括如下子步驟：

步驟3.1將粒子數i設置為i＝1；

步驟3.2利用下面公式(26)和(27)計算第t次迭代情況下粒子i的速度和位置值，

v_i,t＝ω×v_i,t-1+C₁×R₁×(Pbest_i-P_i,t-1)+C₂×R₂×(Gbest-P_i,t-1) (26)

P_i,t＝P_i,t-1+v_i,t (27)

式中.v_i,t表示第i個粒子在第t次迭代時的粒子速度，P_i,t表示第i個粒子在第t次迭代時的粒子位置，ω是慣性因子，C₁和C₂是常數，R₁和R₂是給定區間內的隨機數，Pbest_i是第i個粒子的歷史最優值，Gbest是所有粒子的全局最優值；

步驟3.3i＝i+1，如果i≤p跳轉步驟3.2，否則，i＝1，跳轉步驟4；

步驟4計算粒子適應度，具體利用下面公式(28)計算第i個粒子的適應度F(P_i,t)，

其中，F_fa(P_i)和F_md(P_i)是分段函數：

F(P_i,t)表示粒子P_i,t的適應度函數，Q_fa(P_i,t)表示以粒子P_i,t作為平滑參數的概率神經網絡監測系統在無故障情況下，探測結果出現誤警的次數，Q_md(P_i,t)為35m偽距誤差出現6秒的情況下，故障探測結果出現漏檢的次數；

步驟5、更新粒子的歷史最優值；將F(P_i,t)與F(Pbest_i)比較，如果F(P_i,t)＞F(Pbest_i)，執行如下操作F(Pbest_i)＝F(P_i,t)，并跳轉至步驟6；否則，跳轉至步驟8；

步驟6、更新粒子的全局最優值，將F(P_i,t)與F(Gbest)比較，如果F(P_i,t)＞F(Gbest)，執行如下操作F(Gbest)＝F(P_i,t)，跳轉至步驟7；否則，跳轉至步驟8；

步驟7、判斷搜索到的粒子是否滿足系統需求；判斷F(Gbest)＝1，如果為真跳轉至步驟10；如果為假，跳轉至步驟8；

步驟8、更新粒子，進行下一粒子的運算，具體為：判斷i≤p，如果為真，i＝i+1，并跳轉至步驟4；如果為假，跳轉至步驟9；

步驟9、更新迭代，進行下一次迭代運算，具體為：判斷t≤t_total，如果為真，t＝t+1，并跳轉至步驟3；如果為假，跳轉至步驟10；

步驟10結束運行，輸出P_i,t。