利用遗传算法优化BP神经网络的方法及其在定位中的应用与流程

本发明涉及大数据分析技术领域，具体涉及一种利用遗传算法优化bp神经网络的方法、基于该方法的多点定位系统以及多点定位系统中目标物位置的确定方法。

背景技术：

多点定位系统作为一种先进的机场场面监视技术，其定位精度高、刷新速率快、覆盖范围广、站点配置灵活，特别是在低可见度的天气下，能大大提高管制能力，提升飞行保障安全等级，因此其在世界很多大型机场都被广泛应用，成为icao(国际民航组织)提出的先进场面活动引导和控制系统(a-smgcs)的核心技术。

多点定位系统中定位算法是其核心部分，算法的优劣直接关系到定位精度的高低。多点定位系统主要采用到达时间差(tdoa)原理对目标进行定位，即利用搭载了应答机(ads-b模式)的飞机或车辆向外不断地发射位置和状态信息，根据信号到达不同基站的时间差从而确定目标的具体位置，其原理如图1及图2所示。

其中，bs(basestation)代表多点定位系统中的基站，d代表目标与基站的距离，t0代表初始时间，toa代表信号到达基站的时间。

根据tdoa原理可知，目标定位就是求解下列非线性方程组：

其中，(x,y,z)表示目标位置，(xi,yi,zi)表示地面基站坐标。ri表示目标到第i个基站间的距离，ri,1表示飞机到达主站与第i个副站间的距离差。c表示无线电磁波传播速度，τi,1表示飞机发出的信号到达主站与第i副站间的时间差。

传统的求解多点定位系统中的目标位置的算法如taylor、chan氏算法等对信号强度要求较高，同时需要较高的时间同步，taylor算法还需要初始预测值。因此，传统的定位算法由于外部设备及算法自身的缺陷导致了定位精度的降低。ga-bp算法(遗传算法优化bp神经网络)将实验测得的大量数据进行训练，不断进行优化，通过设定误差值，从而得到满足要求的输出。ga-bp算法对信号强度要求较低，不需要设定初始值，只需要大量的实验数据，并且只需确定好网络结构将其嵌入到多点定位系统，就可以实现目标定位。这种算法不但可以提高定位精度，并且由于其结构经过了训练，定位速度较快。

遗传算法优化神经网络(ga-bp)目的是通过遗传算法得到更好的网络初始值和阈值，通过遗传算法的种群初始化、适应度函数、选择操作、交叉操作和变异操作优化bp神经网络的初始值和阈值，从而使bp神经网络更好地进行数据预测输出。

ga-bp算法实质是是通过ga(遗传算法)优化bp神经网络的权值和阈值。在ga-bp算法流程中，首先要确定bp网络的拟合空间，即利用遗传算法的全局寻优能力，在整个解空间中寻找一组较优的权值和阈值；然后将一部分较优的权值阀值赋予bp网络，作为bp网络中最优解的初始权值阀值，使得bp网络在较优初始权值阀值的周围寻找到预测误差最小时所对应的那一组最优权值阀值，作为bp网络的运算结果。

ga-bp算法无法从根本上避免bp网络陷入局部最优，加快bp神经网络的收敛速度，主要原因有：

一、在遗传算法的初始种群中，适应度越大的个体被选择的概率越大，但由于随机生成初始种群，在父代种群中，如果最符合条件的个体没有被选择，无法将其遗传，更无法进行交叉产生不了更优的个体，发生遗传退化，使遗传所得个体并非全局最优个体。

二、在遗传算法中，搜索空间的大小决定了全局寻优能力的强弱。由于遗传算法初始种群是确定的，种群个体的多样性也是既定的，只能很依赖于交叉和变异操作，而交叉和变异的随机性，导致遗传后期种群个体多样性越来越差，遗传算法搜索空间越来越小，削弱了遗传算法的全局寻优能力。

三、遗传算法优化bp网络，只是将bp神经网络中权值和阈值进行了“筛选”，为bp神经网络的训练提供了更好地选择，在权值和阈值方面提高了bp网络的计算效率，但没有从bp网络自身结构中进行优化改进，与单一的bp神经网络相比，其收敛速度有一定的提高，但提高效果不明显。

因此，需要提供一种新的利用遗传算法优化bp神经网络的方法，以进行目标物的定位。

技术实现要素：

为解决现有技术存在的不足，本发明提供了一种利用遗传算法优化bp神经网络的方法，包括如下步骤：

步骤s1：确定遗传算法和bp神经网络的结构；

步骤s2：从bp神经网络中随机确定权值和阈值，以筛选出初始种群；

步骤s3：通过交叉变异从初始种群中获得较优的权值和阈值；

步骤s4：根据较优的权值和阈值改进bp神经网络，输出结果；

其中，在步骤s2中，将从bp神经网络中随机确定的权值和阈值划分为多个组，进而形成多个种群，从多个种群中筛选最大适应度值的个体形成初始种群；

在所述步骤s3中，每个交叉变异周期结束后，检查种群是否发生遗传退化，并在发生遗传退化的时候淘汰劣质个体，补充其它的个体；

所述步骤s4中，采用弹性梯度下降法改进bp神经网络。

其中，所述步骤s2包括：

步骤s21：将全部的由bp神经网络中随机确定的权值和阈值分成若干组；

步骤s22：利用遗传算法对步骤s21得到的权值和阈值组进行初始值编码；

步骤s23：结合遗传算法的初始数据以及步骤s22编码的初始值，生成多个种群；

步骤s24：对步骤s23生成的多个种群进行bp网络训练，得到每个种群中每个个体的适应度值；

步骤s25：将每个种群中适应度值最大的个体筛选出来，组成一个新的种群，作为初始种群。

其中，所述步骤s3包括：

步骤s31：对初始种群中的个体进行选择、交叉及变异操作；

步骤s32：运行bp网络，得到初始种群的新的平均适应度值；

步骤s33：判断是否发生遗传退化，若发生，则进行步骤s34-步骤s35；若不发生，则进行步骤s35；

步骤s34：淘汰掉初始种群中适应度值低于种群平均适应度值的个体，并随机补充相应个数的个体，以组成新的初始群种，再次重复步骤s31-步骤s33，直到不再发生遗传退化；

步骤s35：判断是否得到了较优个体，如果得到了较优个体，即确定了bp网络的较优的权值和阈值，如果没有得到较优个体，则再次重复步骤s2，确定初始种群，并再次重复步骤s31-步骤s34，并再次判断，直到得到较优个体；

其中，所述步骤s33中，遗传退化的判断标准是：经过选择、交叉及变异操作后的群体中的个体最大适应度值小于操作前的群体中的个体最大适应度值。

其中，所述步骤s4包括：

步骤s41：结合步骤s3得到的较优的权值和阈值，利用弹性梯度下降法训练bp神经网络；

步骤s42：计算误差；

步骤s43：更新权值和阈值；

步骤s44：判断是否满足结束条件，若满足，则输出更新后的权值和阈值，若不满足，则重复步骤s41-步骤s43，并再次判断，直到满足结束条件；

步骤s45：根据更新后的权值和阈值，对遗传算法中输入的原始数据进行处理，以进行结果预测。

其中，弹性梯度下降法的操作步骤包括：

步骤s411：求解较优权值和阈值的偏导数；

步骤s412：确定一个独立的“更新值”；

步骤s413：在下一次迭代过程中，如果目标函数对某个权值的偏导数符号不变号，则增大相应的“更新值”，反之减小。

本发明另外提供了一种多点定位系统中目标物位置的确定方法，包括如下步骤：

步骤sa：利用多点定位方法，得到目标物到达主站与达到多个副站之间的时间差；

步骤sb：利用时间差优化预定bp神经网络的权值和阈值；

步骤sc：bp神经网络利用优化后的权值和阈值进行数据的预测输出；

其中，所述步骤sb中，对bp神经网络的权值和阈值的优化，采用如上所述的利用遗传算法优化bp神经网络的方法进行。

本发明还提供一种多点定位系统，包括：一个主站、多个副站及一个数据预测模块，其中，所述主站及多个副站均与数据预测模块连接，并用于接收目标物的信号，并将目标物的信号传递给数据预测模块进行数据预测，其中，

每个副站发送给数据预测模块的信号为目标物信号到达主站及各个副站的时间差；

所述数据预测模块通过如上所述的方法进行数据预测。

其中，所述目标物为连续变换位置的目标物。

本发明避免了现有技术中最符合条件、适应度最大的个体没有被选择的缺陷，解决了现有技术中种群个体多样性逐渐变差的问题，同时提高了bp神经网络在数据预测过程中的收敛速度。

附图说明

图1：多点定位系统的空间布置原理图；

图2：多点定位系统的数据分析原理图；

图3：本发明的利用遗传算法优化bp神经网络的方法的实现流程图；

图4：本发明的多点定位系统的结构示意图。

具体实施方式

为了对本发明的技术方案及有益效果有更进一步的了解，下面结合附图详细说明本发明的技术方案及其产生的有益效果。

本发明的核心发明构思在于：

一、针对最符合条件、适应度最大的个体没有被选择的问题，在将遗传算法随机生成初始种群前，将全部的由bp神经网络随机确定的权值和阈值分成若干组，即随机生成多个一定规模的种群，然后比较得出每组中适应度最大的个体，将这些个体作为初始种群。

二、针对种群个体多样性的问题，当经过一次选择、交叉变异操作后，如果发生遗传退化，即父代种群中最大的个体适应度值小于下一代种群中最大的个体适应度值，则淘汰掉低于种群平均适应度值的个体，再从最开始随机生成的多个一定规模的种群中随机生成同样数目的个体加入到种群中，这样既保留了优秀的个体，又提升了种群的多样性，扩大了搜索空间。

三、针对bp神经网络算法收敛速度慢的问题，采用弹性梯度下降法改进bp神经网络。bp神经网络的隐含层通常采用s型激励函数，其特点是：当输入很大时，斜率几乎为零，导致算法中的梯度幅值很小，可能使得对网络权值的修正过程几乎停滞下来。弹性bp算法只取偏导的符号，不考虑偏导的幅值。权值更新的方向由偏导的符号决定，其变化的大小由独立的“更新值”确定。如果权值的偏导数的符号不变，则增大相应的“更新值”；反之减小。实践证明，弹性bp算法计算简单，并且收敛速度得到了明显的提升。

图3为本发明的利用遗传算法优化bp神经网络的方法的实现流程图，如图3所示，基于本发明的上述三大技术构思，本发明改进后的利用遗传算法优化bp神经网络的方法，包括如下步骤：

1、确定遗传算法和bp神经网络的结构。

2、将全部的由bp神经网络中随机确定的权值和阈值分成若干组。

3、利用遗传算法对每组的权值和阈值组进行初始值编码。

4、结合遗传算法的初始数据以及第3步中编码的初始值，生成多个种群，这里的初始数据包括遗传算法的种群大小、种群的个数、交叉变异的概率、适应度函数以及待处理的数据，在本发明中，该待处理的数据为多点定位系统中的时间差。

5、对多个种群进行bp网络训练，得到每个种群中每个个体的适应度值。

6、将每个种群中适应度值最大的个体筛选出来，组成一个新的种群，作为初始种群。

7、对初始种群中的个体进行选择、交叉及变异操作。

8、运行bp网络，得到初始种群的新的平均适应度值。

9、判断是否发生遗传退化，若发生，则进行第10步后再进行第11步；若不发生，则直接进行第11步。

10、淘汰掉初始种群中适应度值低于种群平均适应度值的个体，并随机补充相应个数的个体，以组成新的初始群种，再次重复第7步-第9步，直到不再发生遗传退化。

11、判断是否得到了较优个体，如果得到了较优个体，即确定了bp网络的较优的权值和阈值，如果没有得到较优个体，则再次重复第5步-第10步，并再次判断，直到得到较优个体。

12、将较优个体对应的权值和阈值作为较优的权值和阈值，结合弹性梯度下降法改进bp神经网络。

13、训练bp神经网络。

14、计算误差。

15、更新权值和阈值。

16、判断是否满足结束条件(也即，所设定的神经网络期望输出与实际输出的误差是否满足设定的误差)，若满足，则输出更新后的权值和阈值，若不满足，则重复第13步-第15步，并再次判断，直到满足结束条件。

17、根据更新后的权值和阈值，对遗传算法中输入的原始数据进行处理，以进行结果预测。

本发明提供的利用遗传算法优化bp神经网络的方法，可用于多种目标数据的预测，尤其适用于多点定位系统中目标物位置的确定，通过输入目标物信号达到多个副站及主站之间的时间差，可精确得到目标物的位置信息。

如图4所示，为本发明的多点定位系统的结构示意图，如图4所示，本发明另外提供了一种多点定位系统，包括一个主站(图未视)、多个副站10及一个数据预测模块20，其中，每个副站10接收目标物30的信号，并将目标物30的信号传递给数据预测模块20进行数据预测，所述的数据预测模块20即采用本发明提供的利用遗传算法优化bp神经网络的方法进行目标物30的预测，目标物多为可移动的，即随着时间不断变换位置的，在本发明中，目标物30为飞机。在本发明的多点定位系统中，将实验得到的tdoa测量值进行处理，并作为改进ga-bp算法的样本进行训练，得到最优的权值和阈值，并将其封装后嵌入到计算机中，如图4所示。由于其经过网络训练，因此，在实际应用中，处理速度较快，定位精度也得到了提高。

本发明的有益效果如下：

1、通过将bp神经网络中全部的随机确定的权值和阈值生成多个种群，进而产生初始种群的技术方案，避免了现有技术中最符合条件、适应度最大的个体没有被选择的缺陷，多个种群同时避免了陷入局部最优的缺陷，加快了寻优速度。

2、通过遗传退化算法的监控，解决了现有技术中种群个体多样性逐渐变差的问题。

3、通过采用弹性梯度下降法改进bp神经网络，提高了bp神经网络在数据预测过程中的收敛速度。

虽然本发明已利用上述较佳实施例进行说明，然其并非用以限定本发明的保护范围，任何本领域技术人员在不脱离本发明的精神和范围之内，相对上述实施例进行各种变动与修改仍属本发明所保护的范围，因此本发明的保护范围以权利要求书所界定的为准。