[发明专利]一种改进的RBF飞控系统故障诊断网络训练方法

摘要

本发明属于飞行器故障诊断技术领域，具体涉及一种改进的RBF飞控系统故障诊断网络训练方法。本发明采用基于训练样本初始化种群、基于差分进化算子和算术交叉算子对网络参数基因进行交叉操作：基于训练样本初始化种群：在种群初始化时，采用训练样本初始化RBF网络的神经元中心，网络隐层神经元数目和径向基扩展常数采用随机初始化的方法。基于差分进化算子和算术交叉算子的交叉操作：在交叉操作中，对网络参数基因部分的交叉操作在通常采用的算术交叉算子的基础上，以一定概率采用差分进化算子，使子代个体的参数基因获得更丰富的多样性。

主权项

1.一种改进的RBF飞控系统故障诊断网络训练方法，其特征在于，包括以下步骤：S1、初始化：在种群初始化时，采用训练样本初始化RBF网络的神经元中心，网络隐层神经元数目和径向基扩展常数采用随机初始化，具体方法为：S11、对递阶染色体进行编码，递阶染色体结构由控制基因及与其对应的参数基因构成，所述控制基因是对RBF网络结构的表达、参数基因是对RBF网络参数的表达；对控制基因采用二进制编码，对参数基因采用实数编码，其中控制基因1位置对应的基因为当前网络的神经元，其控制的参数基因为对应神经元的参数；S12、初始化种群，对控制基因以及参数基因的扩展常数部分采用随机初始化的方式，对参数基因的径向基神经元中心部分采用训练样本进行初始化；S2、RBF网络构造：S21、染色体解码构造隐含层，通过对递阶染色体解码，获得RBF网络的隐层神经元数目、神经元中心以及扩展常数；S22、通过解码获得的隐含层计算隐含层输出，进而利用最小二乘法计算RBF网络的隐含层与输出层的连接权值，获得完整的RBF网络；S3、通过如下公式计算RBF网络的适应度：其中，N表示样本数，n表示输入维数，M为隐含层神经元个数，a、b、d为常数控制着网络精度和网络结构复杂度的平衡，为第i个样本对应的网络输出，y_i为期望输出；根据设定的最大迭代次数、适应度函数目标值判定是否停止遗传进化，若是，则结束并输出RBF网络参数，若否，则进入步骤S4；S4、选择：采用轮盘赌算子对种群进行选择操作，获得新一代种群，具体方法为：S41、求种群中所有染色体的适应值总和Fsum；S42、随机产生一个0到Fsum之间的随机数k；S43、从1号染色体开始按序累加各染色体适应值，直到累加和大于或等于随机数k，最后用于累加的染色体即为选中的个体；S5、交叉：根据公式2计算种群的交叉概率：公式2中，fmax为种群的最大适应度值，favg为种群的平均适应度值，f'表示进行交叉操作两个体中较大的适应值，Pc1、Pc2为常数；以概率值ρ采用公式3所示的差分进化算子对参数基因进行交叉操作：公式3中，A代表差分交叉产生的新的个体，B、C、D表示进行差分交叉操作的三个个体，F为差分交叉因子，β取值区间为0.1到0.6的常数，gmax为最大迭代次数，g为当前迭代次数；其余个体按公式4进行算术交叉操作：公式4中，E、F为算术交叉算子中参与交叉操作的两个个体，E'、F'为新产生的个体；对控制基因部分采用单点交叉算子进行交叉操作，即在控制基因中随机选择一交叉位置，对参与交叉操作的两个个体交叉位置之后的基因进行；S6、变异：根据公式5计算种群的变异概率，对控制基因部分采用基本位变异，即随机选中一位，对其进行取反操作：公式5中，fmax为种群的最大适应度值，favg为种群的平均适应度值，f表示进行变异操作个体的适应度值，Pm1、Pm2为常数；对参数基因采用实数变异算子，如公式6所示：X'＝X±△    (6)公式6中，X为变异操作的对象，X'为变异后对象，△为随机变异步长，其取值范围与变量的取值范围有关；返回步骤S2。