CN106599495A - 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 - Google Patents
基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 Download PDFInfo
- Publication number
- CN106599495A CN106599495A CN201611182045.0A CN201611182045A CN106599495A CN 106599495 A CN106599495 A CN 106599495A CN 201611182045 A CN201611182045 A CN 201611182045A CN 106599495 A CN106599495 A CN 106599495A
- Authority
- CN
- China
- Prior art keywords
- lampyridea
- optimal
- neural network
- individual
- slip ratio
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
- Feedback Control In General (AREA)
Abstract
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。
Description
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sp。
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
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:
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。
优选的,步骤2具体为:
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。
优选的,步骤4具体为:
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。
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:
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
图1为本发明提供的最佳滑移率识别器的工作原理图;
图2为本发明提供的最佳滑移率识别器的硬件结构图;
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
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。
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。
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。
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。
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。
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。
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。
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:
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;
本步骤具体包括以下步骤:
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;
例如,将BP神经网络的训练次数设为3000,学习率设为0.01。
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。
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;
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。
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。
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;
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:
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。
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:
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;
本步骤解释说明如下:
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。
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:
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。
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。
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:
其中:
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。
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。
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;
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。
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。
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。
下面介绍一种IFA-BP最佳滑移率识别模型的具体实现原理:
(1)训练集/测试集产生
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。
(2)IFA-BP神经网络模型
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:
(2.1)IFA-BP网络模型创建
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。
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。
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。
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。
(2.2)IFA-BP网络模型训练
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。
(3)最佳滑移率识别测试
网络训练收敛后,对测试数据的最佳滑移率识别进行预测。
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:
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。
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。
Claims (4)
1.一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。
2.根据权利要求1所述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,其特征在于,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:
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。
3.根据权利要求2所述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,其特征在于,步骤2具体为:
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。
4.根据权利要求2所述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,其特征在于,步骤4具体为:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611182045.0A CN106599495B (zh) | 2016-12-20 | 2016-12-20 | 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611182045.0A CN106599495B (zh) | 2016-12-20 | 2016-12-20 | 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599495A true CN106599495A (zh) | 2017-04-26 |
CN106599495B CN106599495B (zh) | 2017-09-05 |
Family
ID=58599664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611182045.0A Active CN106599495B (zh) | 2016-12-20 | 2016-12-20 | 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599495B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717261A (zh) * | 2018-03-12 | 2018-10-30 | 江苏大学 | 一种用于犁耕机组最优滑转率识别装置及其控制方法 |
CN109284810A (zh) * | 2018-08-30 | 2019-01-29 | 广西民族大学 | 一种基于单纯形法的萤火虫方法 |
CN110920626A (zh) * | 2019-12-10 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种数据驱动的电驱动车辆附着稳定识别方法及装置 |
CN113191477A (zh) * | 2021-01-29 | 2021-07-30 | 河北建投新能源有限公司 | 碱式电解槽的温度传感器故障诊断方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0032853A3 (en) * | 1980-01-11 | 1981-08-05 | Societe Nationale Industrielle Aerospatiale | Process and device for braking an aircraft by defining optimum slip of the braked wheels |
US20140018978A1 (en) * | 2012-07-11 | 2014-01-16 | Goodrich Corporation | Systems and methods for dragging brake detection |
CN103698627A (zh) * | 2013-12-04 | 2014-04-02 | 西安工程大学 | 基于灰模糊萤火虫算法优化的变压器故障诊断方法 |
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
-
2016
- 2016-12-20 CN CN201611182045.0A patent/CN106599495B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0032853A3 (en) * | 1980-01-11 | 1981-08-05 | Societe Nationale Industrielle Aerospatiale | Process and device for braking an aircraft by defining optimum slip of the braked wheels |
US20140018978A1 (en) * | 2012-07-11 | 2014-01-16 | Goodrich Corporation | Systems and methods for dragging brake detection |
CN103698627A (zh) * | 2013-12-04 | 2014-04-02 | 西安工程大学 | 基于灰模糊萤火虫算法优化的变压器故障诊断方法 |
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
候越 等: "《基于萤火虫优化的BP神经网络算法研究》", 《兰州交通大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717261A (zh) * | 2018-03-12 | 2018-10-30 | 江苏大学 | 一种用于犁耕机组最优滑转率识别装置及其控制方法 |
CN108717261B (zh) * | 2018-03-12 | 2021-02-12 | 江苏大学 | 一种用于犁耕机组最优滑转率识别装置及其控制方法 |
CN109284810A (zh) * | 2018-08-30 | 2019-01-29 | 广西民族大学 | 一种基于单纯形法的萤火虫方法 |
CN110920626A (zh) * | 2019-12-10 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种数据驱动的电驱动车辆附着稳定识别方法及装置 |
CN113191477A (zh) * | 2021-01-29 | 2021-07-30 | 河北建投新能源有限公司 | 碱式电解槽的温度传感器故障诊断方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106599495B (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599495B (zh) | 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN105690392B (zh) | 基于行动者‑评论家方法的机器人运动控制方法和装置 | |
CN104636801B (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN106920008A (zh) | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN110481536B (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN109118020A (zh) | 一种地铁车站能耗短期预测方法及其预测系统 | |
CN108197751A (zh) | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 | |
CN106910337A (zh) | 一种基于萤火虫算法与rbf神经网络的交通流预测方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
CN105094124A (zh) | 基于操作条件反射进行自主路径探索的方法及模型 | |
CN110363349A (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
CN104037761B (zh) | 一种agc功率多目标随机优化分配方法 | |
CN104299047A (zh) | 一种基于模糊综合评价法的飞机航路评价指标体系的建立方法 | |
CN110222844A (zh) | 一种基于人工神经网络的压缩机性能预测方法 | |
CN110097236A (zh) | 一种基于FA优化Elman神经网络的短期负荷预测方法 | |
CN108053052A (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
CN105835854B (zh) | 一种紧急制动控制系统及其控制方法 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
US11911902B2 (en) | Method for obstacle avoidance in degraded environments of robots based on intrinsic plasticity of SNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |