[发明专利]基于萤火虫算法优化BP神经网络的最佳滑移率识别方法

说明书

技术领域

本发明属于飞机刹车控制技术领域，具体涉及一种基于萤火虫算法优化BP神经网络的最佳滑移率识别方法。

背景技术

飞机刹车系统的性能好坏对飞机运行安全起到至关重要的作用。如何有效地提高飞机的刹车效率，缩短滑跑距离，提高飞机对各种载荷状况、跑道状况、气候条件的适应能力，成为飞机刹车系统研究的主要目标。

最佳滑移率识别器是飞机刹车系统中的重要组成部分，最佳滑移率识别器通过分析飞机刹车过程中不断变化的结合系数μ和滑移率s识别出最佳滑移率s_p。

现有技术中，最佳滑移率识别器主要采用BP神经网络模型。然而，采用BP神经网络模型预测最佳滑移率s_p时，主要存在以下不足：BP神经网络模型在运算过程中易陷入局部极小，从而出现短时间内无法准确预测出最佳滑移率s_p的问题，进而造成飞机打滑，影响飞机着陆的可靠性和安全性。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于萤火虫算法优化BP神经网络的最佳滑移率识别方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于萤火虫算法优化BP神经网络的最佳滑移率识别方法，包括以下步骤：

步骤1，将BP神经网络模型的网络训练误差E转化为萤火虫个体的适应度，采用萤火虫算法优化BP神经网络模型的初始权值和初始阈值，得到最优权值和最优阈值；

步骤2，采用所述最优权值和所述最优阈值构造初始的IFA-BP最佳滑移率识别模型；

步骤3，采用训练样本数据对初始的IFA-BP最佳滑移率识别模型进行训练，进一步优化IFA-BP最佳滑移率识别模型的权值和阈值，直至满足训练要求，迭代终止，得到最终的IFA-BP最佳滑移率识别模型；

步骤4，采用最终的IFA-BP最佳滑移率识别模型对飞机刹车过程中的最佳滑移率进行预测。

优选的，步骤1具体包括以下步骤：

步骤1.1，确定用于预测最佳滑移率的BP神经网络模型的拓扑结构；所述BP神经网络模型的拓扑结构包括输入层、隐含层和输出层；其中，输入层包括两个结点，分别为结合系数μ和实际滑移率s；输出层包括1个结点，为最佳滑移率sp；

步骤1.2，初始化BP神经网络模型的基本参数，包括：训练次数N、学习率η、网络训练误差E；

步骤1.3，对所述BP神经网络模型的输出层与隐含层的权值、隐含层与输入层的权值、输出层的阈值和隐含层的阈值分别进行编码，形成萤火虫个体；

初始化萤火虫算法基本参数，包括：设置种群规模n、最大吸引度因子β₀、光吸收系数γ、初始随机步长α₀以及最大迭代次数max；

步骤1.4，随机初始化各萤火虫个体的位置，即初始化每个萤火虫个体的解；对于每个萤火虫个体，采用以下方法计算萤火虫个体的适应度：

步骤1.4.1，将每个萤火虫个体的解赋值给步骤1.1中确定的BP神经网络模型的对应权值和阈值，构建得到BP神经网络模型；

步骤1.4.2，获取训练样本数据；其中，所述训练样本数据为三维数据，包括：结合系数μ、实际滑移率s和最佳滑移率sp；

采用所述训练样本数据，基于步骤1.2中的初始化BP神经网络模型的基本参数，对所述BP神经网络模型进行训练，得到网络训练误差E；

步骤1.4.3，所述网络训练误差E转化为萤火虫个体的适应度；

步骤1.5，根据萤火虫个体的适应度进行排序，查找到适应度最高的萤火虫个体；

判断当前迭代次数是否达到设定的最大迭代次数max，如果达到，则转向步骤1.8，否则转向步骤1.6；

步骤1.6，根据当前迭代次数，通过公式(1)计算各萤火虫个体的发光强度，比较各萤火虫个体的亮度大小；

其中，I为萤火虫个体的发光强度，γ为光吸收系数，r为两个萤火虫间的距离，I₀为萤火虫个体的最大发光亮度，即r＝0处萤火虫自身的发光亮度；

根据公式(2)计算两个萤火虫个体的相互吸引度β：

其中，β₀为最大吸引度，即萤火虫自身的吸引度；

如果萤火虫j的亮度高于萤火虫i的亮度，则萤火虫i被萤火虫j吸引，萤火虫i将会向萤火虫j移动，根据公式(3)更新萤火虫i的位置：