【《基于遗传算法优化神经网络的无人机故障检测算法案例分析》5600字】

基于遗传算法优化神经网络的无人机故障检测算法案例分析由于在实际应用中使用BP网络进行故障检测容易落入局部极小点或者出现过拟合的情况，为了处理此类问题提出了对BP神经网络进行遗传算法优化的无人机故障检测方法，此方法改进神经网络的主要内容为遗传算法寻找最佳的权值和阈值，完成网络的学习训练过程，将遗传神经网络作为故障识别器来识别检测样本。针对无人机故障检测的需求，本章分析了遗传神经网络算法的特点及其实际使用，小波作为数据去噪的工具，遗传算法对权值、阈值进行择优，提高算法的学习速率，使优化后的算法能够对飞行状态获得更优的检测率。所以结合第四章中的检测算法，并用遗传算法改进BP网络完成最终的故障检测，解决BP网络进行故障检测的缺点并提高其检测的精确性与快速性。1.1遗传算法的基本思想遗传算法是一种按照物种进化的生存法则构建的寻优算法，此方法在1975年由美国学者J.Holland及其团队正式使用，并发表了相关著作REF_Ref9776\r\h[56]。本章对于BP神经网络的改进方式是找到最佳的权值、阈值，首先将其设置为个体，再设定一个内含多个个体的初始种群，对种群中的所有个体通过进化的方式实现个体的存优去劣，最后挑选出适应性高的最优秀个体。利用概率搜索方法对种群中的个体进行全局寻优搜索，改善原神经网络算法的故障检测结果REF_Ref9871\r\h[57]。遗传算法的起始是建立一个包含研究对象潜在解的种群（population），再将种群中的所有个体（Individual）编码为码串。一个个体对应一个染色体

(chromosome)，染色体是由大量基因（gene）组合成的基因链，即码串中的位与基因具有一一对应的关系，由于染色体上基因不同的排列组合将导致个体表现出不同的外部特征，因此采用编码（coding）的方式对个体进行处理，实际上是将个体的表现型表示为基因型REF_Ref9871\r\h[57]。种群中的个体依据生物进化理论，逐代遗传进化形成新的种群，通过判别每次新生成种群中个体的适应度值决定个体是否生存，依据遗传算子对个体的基因进行一系列的更新排列操作，筛选出最优的个体（优化后的权值、阈值）。经过整个过程操作种群朝逐渐更优的方向进化,得到的新生代种群保留前代的主要特征，并且新生代与上一代相比适应环境的能力更强，筛选适应能力最好的个体进行解码操作，其结果为所求问题的最佳解REF_Ref9871\r\h[57]。遗传算法的流程如图5-1所示。1.2遗传算法的基本操作遗传算法的基本操作由四个部分组成：使用高效的编码方式、设置合适的群体大小、构造个体的适应度函数和对个体进行遗传操作。其中，遗传操作为选择、交叉和变异三种运算。遗传算法在处理待解问题时，以上因素的设定是影响遗传算法进行寻优的关键。图5-1遗传算法流程图Fig.5-1Flowchartofgeneticalgorithm1.2.1染色体编码在使用遗传算法对问题进行求解时，将问题的解转换为算法能够运算的形式，此操作成为编码REF_Ref9871\r\h[57]。由于选择不同的编码方式将导致之后遗传操作中交叉、变异运算的不同，并且与算法本身的效率相关，因此在考虑使用何种个体编码方式时，需要结合实际情况与交叉变异操作。另外，编码方法需要符合有意义积木块编码和最小字符集编码两种原则，使得选择的编码方案产生有效的编码结果，易于后续步骤的进行REF_Ref10053\r\h[58]。现如今，对个体进行编码的方法有：二进制编码法、浮点编码法、符号编码法。这些常用的编码方式的具体内容如下：二进制编码：编码原理是使用数字0、1构成的码串来反映问题的初始解，通过设置求解精度的大小确定编码后码串的长度，使用此方法对后续完成交叉、变异更加简便。（2）浮点数（实数）编码：将问题的初始解用一定范围的实数来编码，其编码的长度与问题中决策变量的数量相同，能够对范围较大的数进行编码。（3）格雷码编码（Graycode）：利用数字0、1将问题的解编码为一组码串，解空间中相邻解的码串中有且只有一位二进制数不同。1.2.2群体规模的设定在遗传算法求解之前，需要在解的备选空间中采用随机化方法生成初始种群，种群中个体数量的设置会对算法的收敛性以及搜索效率产生一定的影响，规模设置过小，则算法计算量较小，造成搜索效率较高，但无法满足其多样性的特点，极易出现结果落入局部最小值的状况；规模设置过大，提升了算法寻找全局最优的性能，但需要进行寻优的空间范围变大，降低了算法搜索效率。一般情况下，对于初始个体数目K在[40，200]范围内进行选取或令其大于等于1.5倍的编码长度，其初始种群为，算法的结束进化的代数G的设定区间在[100，1000]REF_Ref10155\r\h[59]。1.2.3适应度函数值的计算在群体中只有适应能力强的个体才能在最后存活繁衍，相反则会被自然界淘汰，因而引入适应度作为淘汰的评定指标，反映了个体在当前环境下的生存潜力，并根据这种生存优势的程度对个体进行筛选。个体本身的生存潜力较强，则能够繁衍进化的可能性更大，生存潜力较差的个体将会在繁衍进化中被舍弃REF_Ref10053\r\h[58]。针对不同种类的问题，要求设置恰当的适应度函数来判别个体的优劣，实现高效寻优。适应度函数（fitnessfunction）的选取是影响优化效果的关键，算法运行时将适应度函数作为选择的规则来使用，进而不断筛选出最佳个体，因此适应度函数的复杂度不能过大，进而降低运算所消耗的时间,并且在任意情况下其计算结果（适应度）规定为非负值。当遗传算法用于神经网络时，通过对神经网络预测误差绝对值进行叠加决定适应度，则算法中适应度函数F的设置如（5-1）所示：（5-1）式中：k——系数；n——网络输出节点的数量；——网络的第i个节点的实际输出；——第i个节点的预测输出。1.2.4遗传操作的设计遗传操作分为三种：选择运算、交叉运算和变异运算。以上三个阶段具有如下特点：（1）选择运算是对染色体进行交换和变异之前的必要操作，负责在群体中找出满足条件的优秀个体。以各个个体的适应度作为判断其优劣标准，对个体择优作为父代，对于拥有较大的适应度的部分个体，它的基因在下一代群体中增多，并且后代数量也相应变多，选择策略的使用将影响全局收敛性和运算效率REF_Ref9871\r\h[57]。通常在算法中使用的策略为轮盘赌法（roulettewheelselection），挑选方式为依据父代个体适应度值与当前种群中的全部父代个体适应度总和的比率，因此以适应度为判别指标，其值越大表示有很大机会被成功挑选，构成新的子代种群；其值越小表示被选中的机会较小，使得个体被剔除。个体i被选中的概率的表达式为：（5-2）（5-3）式中：——个体i的适应度值；k——系数；n——种群大小。交叉运算一方面使种群拥有新个体，一方面影响了算法对所求问题的解进行全局寻优的效果。交叉是指任意选取两个编码后的个体，利用设定的交叉概率对两个体码串中的某些码位加以替换重组，获得两个拥有新编码串的个体，并组合了父代个体的特性，在保留优秀的父代基因的同时构成一个新寻优空间REF_Ref9871\r\h[57]。交叉操作的实现手段可以有以下几种：a.单点交叉：单点交叉（single-PointCrossover）指的是对种群中随机挑选两个个体，在两个二进制编码串中随机选取一个码位（交叉位），然后互相交换交叉点后的所有码位，生成两个新的编码个体，其交叉方式如图5-1所示REF_Ref9871\r\h[57]。图5-1单点交叉示意图Fig.5-1Schematicdiagramofsinglepointcrossingb.两点交叉：两点交叉（Two-PointCrossover）是对筛选得到的两个个体都选出两个对应的位置，再通过交换之间所有的码位生成新的个体编码串。图5-2两点交叉示意图Fig.5-2Schematicdiagramofintersectionoftwopointsc.均匀交叉（一致交叉）：均匀交叉（Uniformcrossover）是设定一个与父代个体码串长度一致的新码串（模块），对比新码串上每一个码位上的数字，生成两个新的子代个体，互换的规则用新码串中每个码位的0、1表示，0代表不发生互换码位，1代表互换码位REF_Ref9871\r\h[57]。图5-3均匀杂交示意图Fig.5-3Schematicdiagramofhomogeneoushybridization算术交叉：算术交叉（ArithmeticCrossover）的通常适用于使用浮点数编码方法的个体，利用线性组合的计算方式获得新的子代个体，则其表达式为REF_Ref10746\r\h[60]：（5-4）式中：——第k个个体的基因位点j；——第l个个体的基因位点j；b——交叉概率，取[0，1]区间的随机数。（3）变异运算的操作过程是仿照自然界中生物的随机变异。变异的核心是选择种群中的一个个体，根据变异概率随机更改个体编码串中的一个或多个码位（变异点），从而产生形成新个体。算法中对个体进行变异操作一方面能够防止多样性的丧失，另一方面执行算法能够表现出局部搜索的性能，防止算法进行选择、交叉运算后产成的个体出现丢失或不是最优解[58]。由于对编码使用的策略存在差异，导致后续实现变异操作有较大的区别。对于由二进制形式构成的个体，使用一点变异策略，只更改码串中任意一个码位的值；使用多点变异策略，则更改码串中任意多个码位的值；使用均匀变异策略，需通过人为指定的变异率对码串中的码位进行更改，即0变为1，而1变为0。变异率的选取区间为[0.001，0.1]。1.3遗传算法优化神经网络采用BP神经网络实现故障检测时，通过训练对权值阈值不断地进行更新，从而得到较好的结果，但是存在算法结果陷入局部极值的可能，单独使用此算法无法满足对检测结果要求，因此为了防止这种现象的产生，在检测过程中引入优化初始权值和阈值的环节，结合两种方法的优势，进而得到更好的训练结果。神经网络训练时对初始权值、初始阈值在范围内的选择规律是随机的，对初始值的确定将影响网络训练的速度。首先，用个体对应需要优化的数据，并对所有的个体进行二进制编码，之后对适应度函数的设置采用测试样本的网络输出值与期望输出构成的误差函数，将个体进行选择、交叉、变异产生新种群，经过多次迭代，对计算得到的个体适应度进行排序来寻求最优权值和最优阈值，随后对网络进行循环训练，令故障检测算法分类识别的结果与真实标签值的差距变小，直到达到网络性能要求[61]，对遗传算法的使用分为以下5步：将权值或阈值随机生成为一个初始种群，从而确定问题的解空间。编码策略，选择合适的群体大小及进化次数，开始训练神经网络。（2）将BP网络误差函数作为适应度函数，并获得全部个体的适应度。（3）对当前群体进行选择、交叉和变异操作，进行种群的更新。（4）对于通过进化后得到的个体，判别是否达到设定的进化次数或适应度满足要求，停止循环转入（5），否则转入（2）继续优化。（5）对筛选出的个体进行数据信息还原并将其作为神经网络的参数。本章对个体采用二进制编码，将同一个隐层节点所连接的权值和阈值级联为数组[78]，个体的长度n和网络结构有关，具体为：（5-5）式中：X——输入层节点个数；Y——输出层节点个数；H——隐层节点个数。利用计算公式可知，个体长度为163，遗传优化BP神经网络流程图如图5-4所示。图5-4遗传优化BP神经网络流程图Fig.5-4GeneticoptimizationBPneuralnetworkflowchart1.4实验数据分析以KZ-7型无人机作为研究对象，使用基于遗传算法优化BP神经网络的故障检测方法对KZ-7型无人机进行研究时，结合第四章的实验，利用获取的训练集和测试集对网络进行训练和测试。本章网络的输入为12种采集到的数据变量，BP神经网络设定为3层，其拓扑结构为N（12，8，3），因此在使用遗传算法时，本章采用了二进制编码的方式，将权值和阈值级联成串，由公式计算可得，个体编码串长度为163，设置阈值的范围为（-3，3），权值范围为（-1，1），通过反复实验对比所有经过优化的结果，选择最佳的算法参数，因此，本章对初始种群数的取值为30，交叉率取值为0.75，变异率取值为0.05，进化次数设定为1000。本章中设置无人机飞行的故障模式有2种，则正常的标签为；慢变故障的标签为；突变故障的标签为。BP神经网络通过遗传算法改进后对无人机故障的识别结果如图5-5所示。同时，在故障检测中，检测的准确性是衡量算法优劣最重要的指标，BP神经网络通过遗传算法改进后对无人机故障的检测率如表5-1所示。图5-5遗传算法优化BP网络识别结果Fig.5-5identificationresultsofBPnetworkoptimizedbygeneticalgorithm表5-1遗传算法优化BP神经网络的检测结果数据表Table5-1DatatableofdetectionresultsofBPneuralnetworkoptimizedbygeneticalgorithm测试样本识别正确数识别正确率平均识别率正常20019899%91.6%慢变故障20018592.5%突变故障20019191.5%在图5-5中，为了能够更加直观的显示期望输出与实际输出的对比，将无故障、慢变故障、突变故障的输出值表示为0，1，2，使得图中结果更加直观，便于观察。由表5-1中可以看出，慢变故障中有15例，突变故障中有9例未能正确识别，但总体识别率已达到91.6%，相比于4.4.2节中的识别，具有了非常好的辨识效果。由此可知遗传算法和神经网络相结合构成的无人机故障检测模型检测效果更佳且误差较小。如图5-6所示，曲线表示遗传算法结合融合小波去噪与BP网络故障检测方法的均方误差变化，其横轴为算法的迭代次数，纵轴表示训练误差精度。图中均方误差曲线的变化呈下降趋势，网络经过473次迭代之后，达到了预期的设计要求，则说明了优化权值和阈值后，加快了对故障的检测速度，提升了算法检测准确率，能更好的完成对故障的检测。因此，神经网络可适用于针对无人机飞行状态的检测,能较好地提高无人机故障的检