基于BA优化BP神经网络的目标威胁估计

李　卉

(中北大学理学院，山西 太原 030051)



基于BA优化BP神经网络的目标威胁估计

李卉

(中北大学理学院，山西 太原 030051)

摘要：结合光电防御系统的工作过程，对影响目标威胁估计的各种因素进行了分析，讨论了国内外常用威胁评估方法，并分析了缺点和不足，提出了基于Bat Algorithm(BA)优化BP神经网络的目标威胁估计算法，该方法采用蝙蝠算法优化 BP 神经网络的初始权值和阈值，优化后的BP 神经网络能够更好地预测输出。结果表明,该方法的预测误差明显小于 BP神经网络。

关键词：目标威胁估计；蝙蝠算法；BP神经网络；智能算法

目标威胁估计作为决策支持系统的一个核心功能，是在对目标进行识别的基础上，通过分析目标的多源信息进行综合评估，是指挥员进行兵力部署和火力分配的前提。目前国内外威胁估计的主要技术可以归结为以下几类：1) 决策理论；2) 模糊逻辑；3) 贝叶斯网络；4) 人工神经网络。其中，由于人工神经网络具有良好的自适应、自学习能力，被广泛应用于解决目标威胁估计问题。

BP神经网络是一种多层前馈神经网络，据统计，80%左右的神经网络模型采用了BP神经网络或者它的变异形式。BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如网络结构不易确定。另外，网络结构、初始连接权值和阈值的选择对网络性能的影响很大，但是又无法准确获得，针对这些问题可以采用蝙蝠算法(Bat Algorithm)对BP神经网络的权值和阈值进行优化[1，2]解决目标威胁估计问题。

1蝙蝠算法(BA)优化BP神经网络的原理

蝙蝠算法(BA)是一种来自大自然的灵感元启发算法，Xin-She Yang在2010年提出。蝙蝠算法与无线电雷达探测和测距有功能相似之处。雷达的工作原理基于检测从目标反射回来信号。同样，蝙蝠算法的基本思想是一种微型蝙蝠的回声定位特性。蝙蝠算法基于微蝙蝠的回声定位行为用发射不同的脉冲频率和响度发出一些声音，这些声音信号反射从对象称为回波信号。有了这些回波信号，蝙蝠可以确定目标的大小、距离和速度，甚至他们的纹理在几分之一秒内也能确定，因为他们复杂的听觉。频率调谐，自动缩放和参数控制特性有助于蝙蝠算法高效、快速。蝙蝠算法也是简单和灵活的[3，4]。

下面的伪代码是基本蝙蝠算法的伪代码：

1) 定义目标函数f(x)；

2) 初始化蝙蝠种群X=x1，x2，…，xn；

3)for对种群中的每一只蝙蝠xido；

4) 初始化脉冲频率ri，速度vi，响度Ai；

5) 对xi定义脉冲频率fi；

6)end；

7)repeat；

8)for对种群中的每一只蝙蝠xido；

9) 通过公式1、2、3产生新解；

10)ifrand>rithen；

11) 在最好的解当中选择一个；

12) 在最好的解周围产生一个局部最优解；

13)end；

14)ifrand

15) 接受新解；

16) 增加ri和减少Ai；

17)end；

18)end；

19) 知道迭代次数没有达到；

20) 对蝙蝠排序，返回当前种群中最好的蝙蝠。

看看这个算法，我们会发现第一行至第六行对应初始化过程。首先，定义目标函数和初始种群初始化。我们假设种群中的每一个蝙蝠代表一个可能的解对于待解决的问题。然后，相关的所有参数开始初始化和定义。这些参数是速度vi、频率fi、脉冲ri和响度Ai。

蝙蝠算法(BA)优化BP神经网络的基本原理图如图1所示。

图1　蝙蝠算法(BA)优化BP神经网络的算法流程图

2基于BABP的目标威胁估计模型

BABP目标威胁估计模型即采用蝙蝠优化算法来优化BP神经网络的初始权值和阈值，采用得到的最优权值和阈值来构造BABP目标威胁估计模型；然后采用该模型对目标威胁值进行预测。基于上述思想，来构造BABP目标威胁估计模型，如图2所示。

图2　基于BABP的目标威胁估计模型

3实验结果与分析

本文对影响光电防御系统目标威胁估计的6个典型指标(目标类型、目标的速度、目标的航向角、目标干扰能力、目标高度及目标的距离)进行了研究，采集200组不同的态势情况作为样本数据，部分样本目标的各个属性如表1所示。

表1　目标威胁态势数据

本文对目标威胁属性采用G.A.Miller的9级量化理论[6，7]进行量化；对定量属性采用区间量化，并对其进行归一化处理。定性属性的量化值和定量属性的量化区间通常要通过专家群组决策来确定。各属性的量化准则如下：

1) 目标类型：按大型目标、小型目标、直升机依次量化为 3、5、8；

2) 目标的速度：按0 m/s～1 800 m/s等间隔(200 m/s)依次量化为1～9；

3) 目标的航向角：按0～36°等间隔(4°)依次量化为9～1；

4) 目标干扰能力：如强、中、弱、无依次量化为 2、4、6、8；

5) 目标高度：如超低、低、中、高分别量化为 2、4、6、8；

6) 目标的航路捷径：按0 km～450 km等间隔(50 km)依次量化为9～1。

另选其它100组态势情况数据作为测试样本，将测试样本组预处理后，输入已训练好的BABP神经网络。

对于BABP神经网络，有6个输入参数、5个输出参数，所以设置的BABP神经网络结构为6-11-5，即输入层有6个节点，隐含层有11个节点，输出层有5个节点，共有6×11+11×5=121个权值，11+5=16个阈值，所以蝙蝠算法个体编码长度为121+16=137。

网络的训练是一个不断修正权值和阈值的过程，通过训练，使得网络的输出误差越来越小。本算例中网络的训练次数定为1 000，训练目标定为0.000 1，学习速率定为0.1。

蝙蝠算法部分响度设为0.25，脉冲频率设为0.5，进化代数设为10，种群规模设为5。

本文将对提出的基于BABP的目标威胁估计模型与算法进行验证。采用MATLAB R2009a，在硬件为Intel(R)Core(TM)i3-3220CPU 3.30 GHz，4G内存的机器上，实现了本文提出的基于BABP目标威胁估计模型的算法，并将该网络的预测结果与BP神经网络对比。

图3　基于蝙蝠算法优化BP神经网络的进化图

图4　基于蝙蝠算法优化BP神经网络的目标威胁估计图

图5　基于蝙蝠算法优化BP神经网络的目标威胁估计误差图

图6　基于BP神经网络的目标威胁估计等级图

图7　基于BP神经网络的目标威胁估计误差图

从以上仿真实验结果可以看出，使用蝙蝠算法优化BP神经网络的目标威胁估计准确率为97%，未经过优化的BP神经网络的目标威胁估计准确率为91%。蝙蝠算法优化的BP神经网络目标威胁估计算法明显比基于BP神经网的目标威胁估计算法有效。

4结论

为了提高光电防御系统目标威胁估计的准确性，本文提出了采用BP神经网络来进行预测，由于神经网络自身的不足，又提出采用蝙蝠算法(BA)来优化BP神经网络的结构。经过仿真实验表明基于蝙蝠算法优化的BP神经网络的目标威胁估计算法估计准确率明显高于基于BP神经网络的目标威胁估计算法。该算法是有效的，具有明显的优越性。

参考文献

[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

作者简介：李卉(1979- )，女，山西原平人，讲师，博士，研究方向：智能优化算法。

文章编号：1674- 4578(2016)03- 0007- 03

中图分类号：TP183

文献标识码：A