技术领域
[0001] 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
[0002] 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。
[0003] 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sp。
[0004]
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sp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sp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
[0005] 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。
[0006] 本发明采用的技术方案如下：
[0007] 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：
[0008] 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；
[0009] 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；
[0010] 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；
[0011] 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。
[0012] 优选的，步骤1具体包括以下步骤：
[0013] 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；
[0014] 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；
[0015] 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；
[0016] 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；
[0017] 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：
[0018] 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；
[0019] 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；
[0020] 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；
[0021] 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；
[0022] 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；
[0023] 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；
[0024] 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；
[0025]
[0026] 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；
[0027] 根据公式(2)计算两个萤火虫个体的相互吸引度β：
[0028]
[0029] 其中，β0为最大吸引度，即萤火虫自身的吸引度；
[0030] 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：
[0031]
[0032]
[0033] 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；
[0034] 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；
[0035] 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；
[0036] 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；
[0037] 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。
[0038] 优选的，步骤2具体为：
[0039] 将步骤1.8得到的最优解赋给步骤1.1确定的BP神经网络模型的相应的权值和阈值，所得到的BP神经网络模型即为初始的IFA-BP最佳滑移率识别模型。
[0040] 优选的，步骤4具体为：
[0041] 在飞机刹车过程中，安装在前轮和后轮的速度
传感器实时采集到前轮速度va和后轮速度vw；实时基于前轮速度va和后轮速度vw，计算得到结合系数μ和当前实际滑移率s；将所述结合系数μ和当前实际滑移率s实时输入到步骤4得到的IFA-BP最佳滑移率识别模型中，所述IFA-BP最佳滑移率识别模型输出最佳滑移率sp，并传递给下级
控制器中，通过所述下级控制器对飞机刹车过程进行控制。
[0042] 本发明提供的基于萤火虫算法优化BP神经网络的最佳滑移率识别方法具有以下优点：
[0043] 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。
附图说明
[0044] 图1为本发明提供的最佳滑移率识别器的工作原理图；
[0045] 图2为本发明提供的最佳滑移率识别器的
硬件结构图；
[0046] 图3为本发明提供的基于萤火虫算法优化BP神经网络的最佳滑移率识别方法的流程示意图。
具体实施方式
[0047] 为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及
实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0048] 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，主要构思为：采用萤火虫算法优化BP神经网络的初始权值和初始阈值，采用得到的最优权值和最优阈值来构造IFA-BP最佳滑移率识别模型，然后采用IFA-BP最佳滑移率识别模型对最佳滑移率进行预测。采用上述最佳滑移率预测方法，不仅解决了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。
[0049] 本发明提供的基于萤火虫算法优化BP神经网络的最佳滑移率识别方法，可通过最佳滑移率识别器的方式实现，最佳滑移率识别器包括硬件部分和
软件部分。硬件部分由核心处理器DSP、
存储器、复位
电路组成；软件部分由改进的萤火虫算法优化BP神经网络组成。
[0050] 本发明提供的最佳滑移率识别器硬件实施方案如图2所示。BP神经网络部分的核心处理器采用DSP，其具体型号为TMS320F2407。DSP芯片的外部
接口电压为3.3V，内部核心电压为1.8V。采用TI公司的专用电源芯片为DSP提供低压电源。BP神经网络的权值训练程序作为DSP的中断子程序调用。
[0051] 存储器采用高速的FLASH，可实现BP神经网络需保存的权值和阈值的在线撰写。本发明采用5V工作的INTEL28F010A，其与DSP间电平转换通过74LVC16245来进行。
[0052] 在本发明的硬件系统中，可靠性是个不容忽视的问题。自动复位电路除具有上电复位功能外，还具有监视系统运行并在系统发生故障时进行复位的能力，因此采用MAX706实现自动复位电路。
[0053] 本发明提供的最佳滑移率识别器，软件部分即为图3所示的
流程图。
[0054] 参考图3，本发明提供的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：
[0055] 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；
[0056] 本步骤具体包括以下步骤：
[0057] 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；
[0058] 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；
[0059] 例如，将BP神经网络的训练次数设为3000，学习率设为0.01。
[0060] 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；该算法的编码方式为实数编码，即每个萤火虫个体包含了BP神经网络的所有权值和所有阈值。
[0061] 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；
[0062] 例如，将萤火虫算法的种群规模设为40，最大迭代次数设为1500，初始随机步长设为0.5，最大吸引度因子设为1，光吸收系数设为1。
[0063] 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；其中，适应度是用于衡量种群个体优劣的主要指标。
[0064] 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；
[0065] 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；
[0066] 实际应用中，在训练前，为避免各个输入变量的数量级差异过大，一般会先将数据归一化到[-1，1]的区间。归一化的公式如下：
[0067]
[0068] 其中：输入、输出样本为x，函数归一化处理后的输入、输出样本为x1，xmax、xmin分别为x的最大、最小值。
[0069] 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；
[0070] 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；
[0071] 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；
[0072] 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；
[0073] 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；
[0074]
[0075] 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；
[0076] 根据公式(2)计算两个萤火虫个体的相互吸引度β：
[0077]
[0078] 其中，β0为最大吸引度，即萤火虫自身的吸引度；
[0079] 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：
[0080]
[0081]
[0082] 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；
[0083] 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；
[0084] 本步骤解释说明如下：
[0085] 萤火虫算法是一种基于种群的
进化算法。该算法模拟萤火虫如何使用
闪光灯相互吸引从而实现全局搜索和优化的过程。该算法假设所有萤火虫都是中性的，这意味着任何萤火虫都可以被任何其他萤火虫吸引，萤火虫的吸引力与其依赖的亮度成正比关系。所有的萤火虫都会寻找并聚集在最亮的萤火虫周围，聚集的这些点就作为全局函数的最优解，萤火虫会被一个更亮的萤火虫吸引就是其搜索过程。其中，萤火虫的发光亮度和光吸收系数是其算法重要的两个参数。
[0086] 现有技术中，两个萤火虫i和j，如果萤火虫j的亮度高于萤火虫i的亮度，则萤火虫i将会飞向萤火虫j。传统的更新萤火虫i位置的最优目标迭代公式为：
[0087]
[0088] 其中，α是算法的随机步长；ε是均匀的随机向量，其值分布在0和1之间。
[0089] 一般来说，随机步长α控制着每个萤火虫在[0，1]区间的取值，即萤火虫的寻址半径。若α较大，会指引萤火虫在全局空间中寻找最优解；若α较小，则会指引萤火虫在局部空间中寻找最优解。因此，随机步长α的取值成为了算法在全局寻优和局部寻优之间平衡的关键。
[0090] 本发明提供的萤火虫算法为一种具有自适应α的萤火虫算法，实现了随机步长α的自适应控制过程。即：将α
修改为：
[0091]
[0092] 其中：
[0093]
[0094] 因此，通过改变随机步长α的值，能够避免α在搜索的过程中陷入局部寻优，实现大部分全局寻优的效果，很好的控制全局搜索与局部搜索之间的平衡与
波动。
[0095] 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；
[0096] 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；
[0097] 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。
[0098] 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；
[0099] 本步骤具体包括：将步骤1.8得到的最优解赋给步骤1.1确定的BP神经网络模型的相应的权值和阈值，所得到的BP神经网络模型即为初始的IFA-BP最佳滑移率识别模型。
[0100] 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；
[0101] 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。
[0102] 本步骤具体包括：参考图1，为最佳滑移率识别器工作原理图。在飞机刹车过程中，安装在前轮和后轮的速度传感器实时采集到前轮速度va和后轮速度vw；实时基于前轮速度va和后轮速度vw，计算得到结合系数μ和当前实际滑移率s；μ值计算方法为：μ值可先由va对时间求偏导得到的
加速度，再经过简单的力学计算求得。将所述结合系数μ和当前实际滑移率s实时输入到步骤4得到的IFA-BP最佳滑移率识别模型中，所述IFA-BP最佳滑移率识别模型输出最佳滑移率sp，并传递给下级控制器中，通过所述下级控制器对飞机刹车过程进行控制。
[0103] 下面介绍一种IFA-BP最佳滑移率识别模型的具体实现原理：
[0104] (1)训练集/测试集产生
[0105] 为了保证
训练数据的随机性，随机选取150组[s,μ,sp]组数据作为训练数据，剩余的50组[s,μ,sp]数据作为测试数据。
[0106] (2)IFA-BP神经网络模型
[0107] 将训练数据输入构建好的IFA-BP神经网络模型，然后进行网络训练，具体步骤如下：
[0108] (2.1)IFA-BP网络模型创建
[0109] 利用IFA算法对BP神经网络的权值和阈值进行优化；然后利用优化后的最优权值和最优阈值构造IFA-BP网络模型。
[0110] 其中，萤火虫算法优化BP神经网络分为2部分：确定BP网络结构和萤火虫算法优化。
[0111] 确定BP网络结构部分：根据输入输出参数个数确定BP网络结构，进而确定萤火虫算法每个个体的编码长度。
[0112] 萤火虫算法优化：使用萤火虫算法优化BP网络的权值和阈值，种群中的每个个体都包含了一个BP神经网络的所有权值和阈值，个体通过适应度函数计算个体适应度值，萤火虫算法通过发光强度大小、相互吸引度强弱实现位置的更新，从而找到最优适应度值对应个体。
[0113] (2.2)IFA-BP网络模型训练
[0114] IFA-BP网络模型创建完毕后，将训练数据输入到IFA-BP网络模型中，利用IFA-BP网络模型对网络的权值和阈值进行调整，直至满足训练要求，迭代终止。
[0115] (3)最佳滑移率识别测试
[0116] 网络训练收敛后，对测试数据的最佳滑移率识别进行预测。
[0117] 本发明提供的基于萤火虫算法优化BP神经网络的最佳滑移率识别方法具有以下优点：
[0118] 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。
[0119] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
