[发明专利]一种深度信念网络的航电系统模式识别方法

说明书

本发明提供一种基于人工鱼群优化方法深度信念网络的航电系统模式识别方法，步骤如下：一，DBNC模型的构建，设置模型参数初始化；二，选取典型的故障模式，从航电系统中获取用于DBNC模型训练的历史故障数据；三，采用对比散度方法对DBNC模型进行预训练；即对层与层之间各节点的连接权值及各层节点的偏置值进行初始化；四，对DBNC模型的反向微调训练；五，对DBNC模型训练结果评估；六，利用DBNC模型对航电系统运行数据进行模式识别；通过以上步骤，DBNC模型的误差不断降低，而且随着层数的深入，准确度明显上升，表明该模型的训练过程是合理有效的；该模型用于航电系统的模式识别，具有更高的诊断准确率，非常适合于作为航电系统模式识别的有效模型。

技术领域：

本发明提供一种深度信念网络的航电系统模式识别方法，它涉及了一种基于人工鱼群优化方法深度信念网络的航电系统模式识别方法，属于模式识别的技术领域。

背景技术：

航空电子系统是现代飞机的核心处理系统，主要用于保证飞行器起飞、航行及着陆等飞行阶段的安全航行。一方面，随着航电系统的高度综合，系统中的硬件功能均由软件替代实现，飞机的性能得以不断提高；但在另一方面，由于综合化航电系统资源高度共享、任务活动交联、系统综合复杂等特征，使得系统中的微小故障都有可能造成灾难性损失。航电系统作为我国通用航空电子系统受到了广泛的关注，该系统具有高度集成化的特点，并且各个模块之间相互耦合、相互交联，其性能提高的同时也使得日常维护与模式识别较为复杂。为了提高航空电子系统的模式识别率与系统可靠性，研究典型航电系统模式识别方法是非常有必要的。

深度信念网络(Deep Belief Network,DBN)是一个概率生成模型，通过训练其神经元间的权重，我们可以让整个神经网络按照最大概率来生成训练数据。DBN的组成元件是受限波尔兹曼机(Restricted Boltzmann Machines，RBM)，训练DBN的过程是一层一层地进行的，在每一层中，用数据向量来推断隐层，再把这一隐层当作下一层的数据向量。softmax函数在机器学习中有非常广泛的应用，它是一个分类函数，主要作用是将数组里的元素按照概率大小来分类，假设我们有一个数组V，一共有n个元素，V_i表示V中的第i个元素，那么这个元素的Softmax值就是航电系统有很多数据量，为了更有效地对这些数据处理，我们把DBN和softmax函数相结合，构建深度信念网络分类(Deep Belief NetworkClassifier，DBNC)模型，用DBNC模型来对航电系统做数据处理。用传统的方法对航电系统进行数据处理会出现学习效率低、收敛速度慢、易陷入局部极小状态、难以收敛到最佳权重解等问题，用DBNC模型能以更快的速率获得更高的识别精确度，从而改善航电系统模式识别现有的不足。

随着深度学习理论的不断发展，其应用领域已扩展到复杂系统的模式识别中。但是现有的基于深度学习的模式识别模型一般采用的是传统的反向传播(BackPropagation，BP)方法进行反向调优，虽然BP方法在深度学习模型的调优过程中取得了诸多的成果，但是BP方法存在学习效率低、收敛速度慢、易陷入局部极小状态、难以收敛到最佳权重解等问题。因此急需一个适合深度学习模型反向调优的方法对其进行优化。

发明内容：

针对航电系统模式识别精度不够的问题，本发明提出了一种基于人工鱼群优化方法(Artificial Fish Swarm Algorithm，AFSA)深度信念网络的航电系统的模式识别方法，目的是通过DBN与softmax分类函数构建DBNC模型，通过DBNC模型，根据数据输入输出，判断航电系统的状态，以此提供一种更优的方法来对航电系统进行模式识别。

本发明提出了一种深度信念网络的航电系统模式识别方法，即一种基于人工鱼群优化方法深度信念网络的航电系统模式识别方法，其具体步骤如下：

步骤一，DBNC模型的构建，设置模型参数初始化；

步骤二，选取典型的故障模式，从航电系统中获取用于DBNC模型训练的历史故障数据；