基于BA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)

李　卉

(中北大學(xué)理學(xué)院，山西 太原 030051)

?

基于BA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)

李卉

(中北大學(xué)理學(xué)院，山西 太原 030051)

摘要：結(jié)合光電防御系統(tǒng)的工作過程，對(duì)影響目標(biāo)威脅估計(jì)的各種因素進(jìn)行了分析，討論了國內(nèi)外常用威脅評(píng)估方法，并分析了缺點(diǎn)和不足，提出了基于Bat Algorithm(BA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)算法，該方法采用蝙蝠算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測輸出。結(jié)果表明,該方法的預(yù)測誤差明顯小于 BP神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：目標(biāo)威脅估計(jì)；蝙蝠算法；BP神經(jīng)網(wǎng)絡(luò)；智能算法

目標(biāo)威脅估計(jì)作為決策支持系統(tǒng)的一個(gè)核心功能，是在對(duì)目標(biāo)進(jìn)行識(shí)別的基礎(chǔ)上，通過分析目標(biāo)的多源信息進(jìn)行綜合評(píng)估，是指揮員進(jìn)行兵力部署和火力分配的前提。目前國內(nèi)外威脅估計(jì)的主要技術(shù)可以歸結(jié)為以下幾類：1) 決策理論；2) 模糊邏輯；3) 貝葉斯網(wǎng)絡(luò)；4) 人工神經(jīng)網(wǎng)絡(luò)。其中，由于人工神經(jīng)網(wǎng)絡(luò)具有良好的自適應(yīng)、自學(xué)習(xí)能力，被廣泛應(yīng)用于解決目標(biāo)威脅估計(jì)問題。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，據(jù)統(tǒng)計(jì)，80%左右的神經(jīng)網(wǎng)絡(luò)模型采用了BP神經(jīng)網(wǎng)絡(luò)或者它的變異形式。BP神經(jīng)網(wǎng)絡(luò)雖然是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的算法，但是也存在著一些缺陷，例如網(wǎng)絡(luò)結(jié)構(gòu)不易確定。另外，網(wǎng)絡(luò)結(jié)構(gòu)、初始連接權(quán)值和閾值的選擇對(duì)網(wǎng)絡(luò)性能的影響很大，但是又無法準(zhǔn)確獲得，針對(duì)這些問題可以采用蝙蝠算法(Bat Algorithm)對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化[1，2]解決目標(biāo)威脅估計(jì)問題。

1蝙蝠算法(BA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的原理

蝙蝠算法(BA)是一種來自大自然的靈感元啟發(fā)算法，Xin-She Yang在2010年提出。蝙蝠算法與無線電雷達(dá)探測和測距有功能相似之處。雷達(dá)的工作原理基于檢測從目標(biāo)反射回來信號(hào)。同樣，蝙蝠算法的基本思想是一種微型蝙蝠的回聲定位特性。蝙蝠算法基于微蝙蝠的回聲定位行為用發(fā)射不同的脈沖頻率和響度發(fā)出一些聲音，這些聲音信號(hào)反射從對(duì)象稱為回波信號(hào)。有了這些回波信號(hào)，蝙蝠可以確定目標(biāo)的大小、距離和速度，甚至他們的紋理在幾分之一秒內(nèi)也能確定，因?yàn)樗麄儚?fù)雜的聽覺。頻率調(diào)諧，自動(dòng)縮放和參數(shù)控制特性有助于蝙蝠算法高效、快速。蝙蝠算法也是簡單和靈活的[3，4]。

下面的偽代碼是基本蝙蝠算法的偽代碼：

1) 定義目標(biāo)函數(shù)f(x)；

2) 初始化蝙蝠種群X=x1，x2，…，xn；

3)for對(duì)種群中的每一只蝙蝠xido；

4) 初始化脈沖頻率ri，速度vi，響度Ai；

5) 對(duì)xi定義脈沖頻率fi；

6)end；

7)repeat；

8)for對(duì)種群中的每一只蝙蝠xido；

9) 通過公式1、2、3產(chǎn)生新解；

10)ifrand>rithen；

11) 在最好的解當(dāng)中選擇一個(gè)；

12) 在最好的解周圍產(chǎn)生一個(gè)局部最優(yōu)解；

13)end；

14)ifrand

15) 接受新解；

16) 增加ri和減少Ai；

17)end；

18)end；

19) 知道迭代次數(shù)沒有達(dá)到；

20) 對(duì)蝙蝠排序，返回當(dāng)前種群中最好的蝙蝠。

看看這個(gè)算法，我們會(huì)發(fā)現(xiàn)第一行至第六行對(duì)應(yīng)初始化過程。首先，定義目標(biāo)函數(shù)和初始種群初始化。我們假設(shè)種群中的每一個(gè)蝙蝠代表一個(gè)可能的解對(duì)于待解決的問題。然后，相關(guān)的所有參數(shù)開始初始化和定義。這些參數(shù)是速度vi、頻率fi、脈沖ri和響度Ai。

蝙蝠算法(BA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基本原理圖如圖1所示。

圖1　蝙蝠算法(BA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程圖

2基于BABP的目標(biāo)威脅估計(jì)模型

BABP目標(biāo)威脅估計(jì)模型即采用蝙蝠優(yōu)化算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，采用得到的最優(yōu)權(quán)值和閾值來構(gòu)造BABP目標(biāo)威脅估計(jì)模型；然后采用該模型對(duì)目標(biāo)威脅值進(jìn)行預(yù)測?；谏鲜鏊枷耄瑏順?gòu)造BABP目標(biāo)威脅估計(jì)模型，如圖2所示。

圖2　基于BABP的目標(biāo)威脅估計(jì)模型

3實(shí)驗(yàn)結(jié)果與分析

本文對(duì)影響光電防御系統(tǒng)目標(biāo)威脅估計(jì)的6個(gè)典型指標(biāo)(目標(biāo)類型、目標(biāo)的速度、目標(biāo)的航向角、目標(biāo)干擾能力、目標(biāo)高度及目標(biāo)的距離)進(jìn)行了研究，采集200組不同的態(tài)勢(shì)情況作為樣本數(shù)據(jù)，部分樣本目標(biāo)的各個(gè)屬性如表1所示。

表1　目標(biāo)威脅態(tài)勢(shì)數(shù)據(jù)

本文對(duì)目標(biāo)威脅屬性采用G.A.Miller的9級(jí)量化理論[6，7]進(jìn)行量化；對(duì)定量屬性采用區(qū)間量化，并對(duì)其進(jìn)行歸一化處理。定性屬性的量化值和定量屬性的量化區(qū)間通常要通過專家群組決策來確定。各屬性的量化準(zhǔn)則如下：

1) 目標(biāo)類型：按大型目標(biāo)、小型目標(biāo)、直升機(jī)依次量化為 3、5、8；

2) 目標(biāo)的速度：按0 m/s～1 800 m/s等間隔(200 m/s)依次量化為1～9；

3) 目標(biāo)的航向角：按0～36°等間隔(4°)依次量化為9～1；

4) 目標(biāo)干擾能力：如強(qiáng)、中、弱、無依次量化為 2、4、6、8；

5) 目標(biāo)高度：如超低、低、中、高分別量化為 2、4、6、8；

6) 目標(biāo)的航路捷徑：按0 km～450 km等間隔(50 km)依次量化為9～1。

另選其它100組態(tài)勢(shì)情況數(shù)據(jù)作為測試樣本，將測試樣本組預(yù)處理后，輸入已訓(xùn)練好的BABP神經(jīng)網(wǎng)絡(luò)。

對(duì)于BABP神經(jīng)網(wǎng)絡(luò)，有6個(gè)輸入?yún)?shù)、5個(gè)輸出參數(shù)，所以設(shè)置的BABP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6-11-5，即輸入層有6個(gè)節(jié)點(diǎn)，隱含層有11個(gè)節(jié)點(diǎn)，輸出層有5個(gè)節(jié)點(diǎn)，共有6×11+11×5=121個(gè)權(quán)值，11+5=16個(gè)閾值，所以蝙蝠算法個(gè)體編碼長度為121+16=137。

網(wǎng)絡(luò)的訓(xùn)練是一個(gè)不斷修正權(quán)值和閾值的過程，通過訓(xùn)練，使得網(wǎng)絡(luò)的輸出誤差越來越小。本算例中網(wǎng)絡(luò)的訓(xùn)練次數(shù)定為1 000，訓(xùn)練目標(biāo)定為0.000 1，學(xué)習(xí)速率定為0.1。

蝙蝠算法部分響度設(shè)為0.25，脈沖頻率設(shè)為0.5，進(jìn)化代數(shù)設(shè)為10，種群規(guī)模設(shè)為5。

本文將對(duì)提出的基于BABP的目標(biāo)威脅估計(jì)模型與算法進(jìn)行驗(yàn)證。采用MATLAB R2009a，在硬件為Intel(R)Core(TM)i3-3220CPU 3.30 GHz，4G內(nèi)存的機(jī)器上，實(shí)現(xiàn)了本文提出的基于BABP目標(biāo)威脅估計(jì)模型的算法，并將該網(wǎng)絡(luò)的預(yù)測結(jié)果與BP神經(jīng)網(wǎng)絡(luò)對(duì)比。

圖3　基于蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的進(jìn)化圖

圖4　基于蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)圖

圖5　基于蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)誤差圖

圖6　基于BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)等級(jí)圖

圖7　基于BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)誤差圖

從以上仿真實(shí)驗(yàn)結(jié)果可以看出，使用蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)準(zhǔn)確率為97%，未經(jīng)過優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)準(zhǔn)確率為91%。蝙蝠算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)目標(biāo)威脅估計(jì)算法明顯比基于BP神經(jīng)網(wǎng)的目標(biāo)威脅估計(jì)算法有效。

4結(jié)論

為了提高光電防御系統(tǒng)目標(biāo)威脅估計(jì)的準(zhǔn)確性，本文提出了采用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行預(yù)測，由于神經(jīng)網(wǎng)絡(luò)自身的不足，又提出采用蝙蝠算法(BA)來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。經(jīng)過仿真實(shí)驗(yàn)表明基于蝙蝠算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)算法估計(jì)準(zhǔn)確率明顯高于基于BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)算法。該算法是有效的，具有明顯的優(yōu)越性。

參考文獻(xiàn)

[1]Wang Ping,Huang Zhenyi,Zhang Mingya,et al.Mechani-

cal Property Prediction of Strip Model Based on PSO-BP Neural Network[J].Journal of Iron Andsteel Research,Intexnpltional,2008,15(3):87-91.

[2]Yang X S.A New Metaheuristic Bat-Inspired Algorithm[G].In:Nature Inspired Cooperative Strategies for Optimization (NISCO 2010),284,Studies in Computational Intelligence,Springer Berlin,2010:65-74.

[3]Yang X S.Anewmetaheuristicbat-inspiredalgorithm[G].In:NatureInspired Cooperative Strategiesfor Optimization.Springer,2010:65-74.

[4]Koffka Khan,Ashok Sahai.A Levy-filght Neuro-biosonar Algorithm for Improving the Design of Commerce Systems[J].Journal of Artificial Intelligence,2011,4(4):220-232.

[5]Parpinelli R S,Lopes H S.New Inspirations In Swarm Intelligence:a Survey[J].Int J Bio-Inspired Computation,2011,3(1):1-16.

[6]Genserik Reniers,Dioni Herdewel,Jean-Luc Wybo.A Threat Assessment Review Planning (TARP) Decision Flowchart Forcomplex Industrial Areas[J].Journal of Loss Prevention in the Process Industries，2013(26)：1662-1669.

[7]Yin Gaoyang,Zhou Shaolei,Zhang Wenguang.A Threat Assessment Algorithm Based on AHP and Principal Components Analysis[J].Procedia Engineering，2011(15)：4590-4596.

Target Threat Estimation Based on BP Neural Network Optimized by BA

Li Hui

(SchoolofScience,NorthUniversityofChina,TaiyuanShanxi030051,China)

Abstract:According to the working process of the photoelectric defense system, the various factors affecting target threat estimation are analyzed in the paper. It discusses the threat assessment methods commonly used at home and abroad, and analyzes the shortcomings and the insufficiency, proposes the target threat estimation algorithm based on BP neural network optimized by BA. The method adopts the bat algorithm to optimize the BP neural network's initial weights and threshold; the optimized BP neural network can better predict the output. Results show that the prediction error of method is much smaller than the BP neural network.

Key words:target threat estimation; bat algorithm (BA); BP neural network; intelligent algorithm

收稿日期：2016-01-21

作者簡介：李卉(1979- )，女，山西原平人，講師，博士，研究方向：智能優(yōu)化算法。

文章編號(hào)：1674- 4578(2016)03- 0007- 03

中圖分類號(hào)：TP183

文獻(xiàn)標(biāo)識(shí)碼：A