基于BFA-GRNN的飛行績效預測

劉文萌， 　錢　晨，　黃　丹

(上海交通大學，a.航空航天學院；b.電子信息與電氣工程學院，上?！?00240)

0　引言

航空人為因素對飛行安全有著重要的影響，而對飛行績效的評價和預測是最值得關注的人為因素研究方向之一[1]。飛行績效可以用飛行軌跡偏差來表示[2]，飛行績效值越大，代表飛行軌跡偏差越大。當飛行軌跡嚴重偏離安全范圍時，飛機將很容易導致人為飛行事故[3-4]。因此，研究飛行績效的預測手段，能夠有效地提升飛行品質(zhì)，從而降低人為飛行事故比例。

當前，對飛行員工作負荷的研究是評價飛行績效的重要內(nèi)容，預測飛行績效主要是通過對生理信號的處理，從而建立飛行績效預測模型。文獻[5]建立了

基于眼動信號的BP神經(jīng)網(wǎng)絡模型來預測飛行績效；文獻[6-7]提出飛行員工作負荷水平與飛行績效相關；文獻[8]通過研究飛行績效變化與生理信號相關性，發(fā)現(xiàn)當飛行績效較大時，飛行員工作負荷增高，同時也引起相關生理信號變化，因此，飛行績效與生理信號特征存在一定的相關性；文獻[9]分析了多維生理信號預測飛行績效的合理性。

但是，多維生理信號存在非線性、高維度及不穩(wěn)定的特點，想要通過處理多維生理信號準確預測飛行績效是一個很大的挑戰(zhàn)。為了解決以上問題，文獻[10]提出了利用廣義回歸神經(jīng)網(wǎng)絡(Generalized Regression Neural Network,GRNN)解決數(shù)據(jù)非線性及不穩(wěn)定的問題。因此，本文選擇利用GRNN建立飛行績效預測模型，由于GRNN光滑因子的選取，在很大程度上影響了預測模型的準確性和魯棒性，需要對GRNN光滑因子進行優(yōu)化。文獻[11]提出了利用細菌覓食算法(BFA)優(yōu)化Elman神經(jīng)網(wǎng)絡參數(shù)，實驗結(jié)果顯示該算法優(yōu)于傳統(tǒng)的遺傳算法。因此，本文選擇BFA對GRNN光滑因子進行優(yōu)化。

本文的研究目的是通過處理多維生理信號建立飛行績效預測模型，這些生理信號包括心率(HR)、呼吸深度(RD)、呼吸速率(RR)和注視時間(FT)。本文建立了基于BFA-GRNN的飛行績效預測模型，通過預測結(jié)果與真實飛行績效結(jié)果對比，以驗證該方法的有效性。

1　基于BFA-GRNN飛行績效預測模型

1.1　GRNN

GRNN在結(jié)構(gòu)上與RBF網(wǎng)絡較為相似，它由輸入層、模式層、求和層和輸出層[12]4層結(jié)構(gòu)組成，如圖1所示。

圖1　GRNN結(jié)構(gòu)Fig.1　Structure of GRNN

1) 輸入層。輸入層神經(jīng)元數(shù)量等于學習樣本的向量維數(shù)，作用是直接將輸入變量傳遞到模式層。

2) 模式層。模式層神經(jīng)元數(shù)目等于學習樣本的數(shù)目n，第i神經(jīng)元對應的傳遞函數(shù)為

(1)

式中：X是網(wǎng)絡輸入變量；Xi為第i神經(jīng)元對應的學習樣本；σ是光滑因子。

3) 求和層。在GRNN模型中，分別有以下兩類公式對求和層進行計算。

第1類公式(算術求和)：對所有模式層神經(jīng)元輸出進行算術求和，即

(2)

模式層與各神經(jīng)元的連接權(quán)值為1，傳遞函數(shù)SD為

(3)

第2類公式(加權(quán)求和)：模式層中第i個神經(jīng)元與求和層中第j個分子求和，即

(4)

式中，各神經(jīng)元之間的連接權(quán)值為第i個輸出樣本Yij中的第j個元素，傳遞函數(shù)SNj為

(5)

4) 輸出層。神經(jīng)元數(shù)目等于學習樣本中輸出向量的位數(shù)k，各神經(jīng)元將求和層的輸出相除，神經(jīng)元j的輸出對應估計結(jié)果Y(X)的第j個元素，即

(6)

1.2　基于BFA優(yōu)化的GRNN

在GRNN中，影響其網(wǎng)絡性能的關鍵因素是光滑因子σ，其默認值為1。光滑因子σ越大，函數(shù)擬合就越平滑。但σ過大說明需要非常多的神經(jīng)元以適應函數(shù)的快速變化；如果σ設定過小，則說明需要許多神經(jīng)元來適應函數(shù)的緩慢變化，設計的網(wǎng)絡魯棒性能會有所影響。因此，需引入細菌覓食優(yōu)化算法對光滑因子σ進行優(yōu)化。

細菌覓食優(yōu)化算法(Bacterial Foraging Algorithm,BFA)是由PASSINO K M提出的新型仿生類算法[13],也是一種全局隨機搜索算法。該算法是指細菌群體為了搜尋大量的食物，不斷地從環(huán)境差的地方向環(huán)境好的地方前進，其主要工作流程包括趨向性階段、繁殖性階段和遷徙性階段[14]3部分。

在趨向性階段，細菌在任意方向進行交替翻滾和前進搜尋食物，細菌翻滾或者前進搜尋過程可以認為是尋優(yōu)的過程。因此，該階段的趨向性算子可以表示為

Xi(j+1,k,l)=Xi(j,k,l)+R×sp×φ(i)

(7)

(8)

式中：Xi(j,k,l)代表第i細菌在第j次趨化行為、第k次繁殖行為及第l次遷徙行為時所處的位置；Xrand(j,k,l)為Xi(j,k,l)的領域范圍；sp為任意方向翻滾的步長；R為隨機數(shù)，取值范圍為[0,1]。

在繁殖性階段，當細菌達到最大趨化行為次數(shù)后，細菌進行繁殖行為。細菌的繁殖行為遵循自然界“優(yōu)勝劣汰，適者生存”的原則。

在遷徙性階段，不同于繁殖性階段，遷徙行為是按照一定的概率發(fā)生的，當某個細菌滿足條件時，該細菌將會在搜尋范圍內(nèi)任意位置產(chǎn)生新的細菌個體。

基于以上認識，利用BFA算法對GRNN光滑因子σ進行優(yōu)化。通過對比飛行績效預測值與飛行績效真值，選擇使預測值最逼近真值的光滑因子，即為最優(yōu)光

滑因子σ，其優(yōu)化過程如圖2所示。

圖2　BFA優(yōu)化GRNN流程圖Fig.2　Flow chart of GRNN optimization by BFA

2　實驗方法

2.1　實驗被試人員

本次飛行模擬實驗包括10名男性飛行員，年齡在31～50歲之間(平均年齡為40.12歲)，飛行時長在5273～7173 h之間，平均飛行時長為5893 h。

2.2　實驗設備

飛行模擬器：本次實驗中，采用6自由度全動ARJ-700飛行模擬器。在飛行模擬過程中，通過飛行記錄儀記錄飛行數(shù)據(jù)比如速度、高度及加速度等，飛行模擬器設備采樣率為30 Hz。

眼動記錄儀：本次實驗中，采用佩戴式Tobbi眼動儀采集被試眼動數(shù)據(jù)，主要包括瞳孔直徑、掃視頻率等信息，該設備的采樣頻率為30 Hz。

心電記錄儀：本次實驗中，采用Zephyr Bioharness胸帶式心電記錄設備采集被試生理數(shù)據(jù)，主要包括心率、呼吸速率等生理數(shù)據(jù)，該設備的采樣頻率為1 Hz。

2.3　實驗流程

由于飛機下降及著陸階段是飛行事故高峰期，在該階段，飛行員需要完成的操作最多且復雜，對該階段飛行績效的預測能夠保障飛行安全。因此，本次實驗為標準儀表進場模擬飛行任務。10名被試飛行員分為5個機組，每個機組包括主駕駛和副駕駛兩個職能，每個機組都將完成相同的標準儀表進場任務(本研究僅記錄和分析主駕飛行員數(shù)據(jù))，分別執(zhí)行3次標準儀表進場任務，總共飛行15次。

在實驗過程中，每個飛行機組在飛行約40 km后執(zhí)行CATILS進近報告的操作，當飛機平飛減速至250 kn(1 kn=0.5 m/s)，高度下降至1500 ft(457.2 m)時,飛機以145 kn速度穩(wěn)定進場，并進入著陸航線，飛行機組按照程序執(zhí)行CATILS進近。當飛機著陸任務結(jié)束后，表示一次飛行模擬實驗結(jié)束。

2.4　實驗數(shù)據(jù)分析

基于以上實驗流程對多路生理數(shù)據(jù)進行以下處理與分析。

1) 實驗數(shù)據(jù)預處理：由于實驗數(shù)據(jù)采樣頻率不同，需要對實驗數(shù)據(jù)統(tǒng)一采樣頻率，并且對實驗數(shù)據(jù)進行歸一化處理，算式為

(9)

式中：xnorm表示歸一化后的結(jié)果；x表示需要處理的生理信號；xmin表示該類生理信號數(shù)據(jù)集中最小值；xmax表示該類生理信號數(shù)據(jù)集中最大值。

2) 建立飛行績效預測模型：選擇心率(HR)，呼吸速率(RR),呼吸深度(RD)和注視時間(FT)4類生理信號作為GRNN輸入，飛行績效作為GRNN輸出，飛行績效真值通過飛行軌跡偏差[2]來表示。本文采用15次飛行實驗數(shù)據(jù)作為數(shù)據(jù)集，一次飛行實驗作為一組數(shù)據(jù)集，總共15組數(shù)據(jù)集。每組數(shù)據(jù)集中，前3/4數(shù)據(jù)作為訓練樣本，后1/4數(shù)據(jù)作為測試樣本(如表1所示)。然后，利用BFA優(yōu)化GRNN光滑因子,建立BFA-GRNN飛行績效預測模型。

表1　部分訓練和測試樣本

3) 模型有效性驗證：通過模型預測結(jié)果與飛行績效真值進行對比，用來評價該模型的預測精度。此外，還對比了未經(jīng)優(yōu)化的GRNN預測結(jié)果，用來驗證BFA-GRNN模型性能的優(yōu)越性。

3　結(jié)果與分析

首先，本文分析了15次飛行模擬實驗數(shù)據(jù)中，4種生理信號與真實飛行績效的相關性，通過相關性分析(如圖3所示)，可以用來驗證選擇這4種生理參數(shù)預測飛行績效的合理性。

圖3　生理參數(shù)與飛行績效相關性分析Fig.3　The correlation between physiological parameters and flight performance

由圖3可知，4種生理信號都與飛行績效有很好的相關性，選擇HR，RR，RD和FT預測飛行績效具有一定的合理性。

基于以上分析，圖4給出一次飛行模擬實驗部分測試樣本的飛行績效預測結(jié)果。通過模型預測值與飛行績效真值對比，分析了未經(jīng)優(yōu)化和基于BFA優(yōu)化的GRNN模型性能。

圖4　飛行績效預測結(jié)果比較Fig.4　Comparison of flight performance prediction results

為了更好地分析兩種網(wǎng)絡模型預測性能，通過平均絕對誤差指標(MAE)、均方誤差指標(MSE)及平均絕對百分誤差指標(MAPE)3個預測誤差指標對兩種網(wǎng)絡模型的性能進行評價(如圖5所示)，算式分別為

(10)

(11)

(12)

圖5　飛行績效預測誤差結(jié)果對比

如圖5所示，經(jīng)過BFA算法優(yōu)化的GRNN模型預測精度明顯優(yōu)于未經(jīng)優(yōu)化的GRNN模型預測精度。

在表2中，對15次飛行模擬實驗的飛行績效誤差作了進一步的分析。在MAE指標方面，BFA-GRNN模型比GRNN的MAE值降低了70.2%; 在MSE指標方面，BFA-GRNN模型比GRNN的MSE值降低了74.5%; 在MAPE指標方面，BFA-GRNN模型比GRNN的MAPE值降低了69.8%。綜上所述，基于BFA算法優(yōu)化的GRNN模型性能明顯好于未經(jīng)優(yōu)化的GRNN模型性能，驗證了BFA-GRNN模型的優(yōu)越性。

表2　兩種模型的誤差結(jié)果對比

在圖6中可以看出，基于BFA-GRNN預測模型對15次飛行模擬實驗的飛行績效預測準確率約為94%，表明該方法可以通過對多維生理信號處理而有效地預測飛行績效，從而驗證了模型的有效性。

圖6　基于BFA-GRNN的飛行績效預測精度Fig.6　Prediction accuracy of flight performance based on BFA-GRNN

4　結(jié)論

本文采用改進的GRNN模型對多維生理信號進行分析，從而實現(xiàn)飛行績效的準確預測，所采用的生理信號包括心率(HR)、呼吸速度(RR)、呼吸深度(RD)及注視時間(FT)。通過研究結(jié)果表明，這4類生理信號均與飛行績效呈現(xiàn)一定的相關性，從而驗證了生理信號選擇的合理性。同時，通過預測誤差指標分析結(jié)果顯示，基于BFA優(yōu)化的GRNN模型預測精度明顯優(yōu)于未經(jīng)優(yōu)化的GRNN模型精度，從而表明了BFA算法優(yōu)化的優(yōu)越性。最后，實驗對比了15次飛行模擬實驗的模型預測值與飛行績效真值，結(jié)果顯示飛行績效預測準確率約為94%，從而驗證了該方法的有效性。在未來，可以將GRNN預測理論與方法應用于飛行績效研究，能夠有利于改善飛行品質(zhì)，從而降低人為飛行事故的比例。

[1]白東博,吳奇,黃丹,等.飛行員多維生理信號主成分分析[J].電光與控制,2017,24(1):82-85.

[2]LEE Y H,LIU B S.Inflight workload assessment:compa-rison of subjective and physiology measurements[J].Aviation,Space and Environmental Medicine,2003,74(10):1078-1084.

[3]蔡正祥,吳奇,黃丹,等.基于FPA優(yōu)化的GP算法的飛行員認知狀態(tài)識別[J].電光與控制,2016,23(11):78-84.

[4]WANG J.Development of helicopter pilot’s working performance scale[J].Journal of Algorithms & Computational Technology,2015,9(2):199-214.

[5]柳忠起，袁修干，樊瑜波.基于BP神經(jīng)網(wǎng)絡的飛行績效評價模型[J].北京航空航天大學學報，2010,36(4):403- 406.

[6]魏嬋,陸燕玉,傅山.飛行員工作負荷多維客觀測量方法的誤差研究[J].電光與控制,2016,23(12):81-84.

[7]WU Q X,CHEN X,REN H,et al.A hybrid evaluation model for flight performance based on bacterial foraging and Elman network[J].Aerospace Science & Technology, 2016,55:392-399.

[8]WILSON G F.An analysis of mental workload in pilots during flight using multiple psychological measures[J].Journal of Aviation Psychology,2002,12(1):3-18.

[9]PASSINO K M.Biomimicry of bacterial foraging for distributed optimization and control[C]//IEEE Control Systems,2002,22(3):52-67.

[10]楊彬，賀正洪.一種GRNN神經(jīng)網(wǎng)絡的高超聲速飛行器軌跡預測方法[J].計算機應用與軟件,2015,32(7):239-243.

[11]MISHRA S.Maiden application of bacterial foraging-based optimization technique in multiarea automatic ge-neration control[C]//IEEE Power and Energy Society General Meeting,2012.doi:10.1109/PESGM.2012.6344568.

[12]關良華，曾志高，鮑海興，等.改進的細菌覓食算法在圖像分割中的應用[J].湖南工業(yè)大學學報，2016,30(6):34-38.

[13]章慧，龔聲蓉，嚴云洋.基于改進粒子群算法圖像的閉值分割方法[J].計算機科學，2012,39(9)：289-291,301.

[14]馬苗，梁建慧，郭敏.基于細菌覓食算法的 SAR圖像閾值分割[J].西安電子科技大學學報:自然科學版，2011,38(6)：152-158,178.