[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

摘要

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；采用最优权值和最优阈值构造初始的最佳滑移率识别模型；采用训练样本数据对最佳滑移率识别模型进行训练，得到最终的IFA‑BP最佳滑移率识别模型；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。优点为有效解决了BP神经网络易陷入局部极小的缺点，又提高了运算精度，能够在飞机刹车过程中快速准确的预测到最佳滑移率，从而保证飞机着陆的可靠性和安全性。

主权项

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，其特征在于，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；其中，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：hi(t)=1(fpi(t-1)-fpi(t-2))2+1]]>其中：hi(t)是第i个萤火虫前两次的迭代信息；fpi(t‑1)是获得最优解的第i个萤火虫在第t‑1次迭代时的适应度值；fpi(t‑2))是获得最优解的第i个萤火虫在第t‑2次迭代时的适应度值；xi代表萤火虫移动前所在的位置；xj代表萤火虫j所在的位置；xi′代表萤火虫移动后所在的位置；fbest是到当前迭代为止获得最优解的萤火虫的适应度值；fi(t)是第i个萤火虫在第t次迭代时的适应度值；ε是均匀的随机向量，其值分布在0和1之间；然后转到步骤1.7；步骤1.7，每个萤火虫个体进行位置更新后，采用步骤1.4.1‑步骤1.4.3的方法，计算得到每个萤火虫个体的适应度；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；然后，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1.8，适应度最高的萤火虫个体的解即为最优解，最优解即为BP神经网络模型的最优权值和最优阈值。