基于BFA-GRNN的飞行绩效预测

刘文萌， 　钱　晨，　黄　丹

(上海交通大学，a.航空航天学院；b.电子信息与电气工程学院，上海　200240)

0　引言

航空人为因素对飞行安全有着重要的影响，而对飞行绩效的评价和预测是最值得关注的人为因素研究方向之一[1]。飞行绩效可以用飞行轨迹偏差来表示[2]，飞行绩效值越大，代表飞行轨迹偏差越大。当飞行轨迹严重偏离安全范围时，飞机将很容易导致人为飞行事故[3-4]。因此，研究飞行绩效的预测手段，能够有效地提升飞行品质，从而降低人为飞行事故比例。

当前，对飞行员工作负荷的研究是评价飞行绩效的重要内容，预测飞行绩效主要是通过对生理信号的处理，从而建立飞行绩效预测模型。文献[5]建立了

基于眼动信号的BP神经网络模型来预测飞行绩效；文献[6-7]提出飞行员工作负荷水平与飞行绩效相关；文献[8]通过研究飞行绩效变化与生理信号相关性，发现当飞行绩效较大时，飞行员工作负荷增高，同时也引起相关生理信号变化，因此，飞行绩效与生理信号特征存在一定的相关性；文献[9]分析了多维生理信号预测飞行绩效的合理性。

但是，多维生理信号存在非线性、高维度及不稳定的特点，想要通过处理多维生理信号准确预测飞行绩效是一个很大的挑战。为了解决以上问题，文献[10]提出了利用广义回归神经网络(Generalized Regression Neural Network,GRNN)解决数据非线性及不稳定的问题。因此，本文选择利用GRNN建立飞行绩效预测模型，由于GRNN光滑因子的选取，在很大程度上影响了预测模型的准确性和鲁棒性，需要对GRNN光滑因子进行优化。文献[11]提出了利用细菌觅食算法(BFA)优化Elman神经网络参数，实验结果显示该算法优于传统的遗传算法。因此，本文选择BFA对GRNN光滑因子进行优化。

本文的研究目的是通过处理多维生理信号建立飞行绩效预测模型，这些生理信号包括心率(HR)、呼吸深度(RD)、呼吸速率(RR)和注视时间(FT)。本文建立了基于BFA-GRNN的飞行绩效预测模型，通过预测结果与真实飞行绩效结果对比，以验证该方法的有效性。

1　基于BFA-GRNN飞行绩效预测模型

1.1　GRNN

GRNN在结构上与RBF网络较为相似，它由输入层、模式层、求和层和输出层[12]4层结构组成，如图1所示。

图1　GRNN结构Fig.1　Structure of GRNN

1) 输入层。输入层神经元数量等于学习样本的向量维数，作用是直接将输入变量传递到模式层。

2) 模式层。模式层神经元数目等于学习样本的数目n，第i神经元对应的传递函数为

(1)

式中：X是网络输入变量；Xi为第i神经元对应的学习样本；σ是光滑因子。

3) 求和层。在GRNN模型中，分别有以下两类公式对求和层进行计算。

第1类公式(算术求和)：对所有模式层神经元输出进行算术求和，即

(2)

模式层与各神经元的连接权值为1，传递函数SD为

(3)

第2类公式(加权求和)：模式层中第i个神经元与求和层中第j个分子求和，即

(4)

式中，各神经元之间的连接权值为第i个输出样本Yij中的第j个元素，传递函数SNj为

(5)

4) 输出层。神经元数目等于学习样本中输出向量的位数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果Y(X)的第j个元素，即

(6)

1.2　基于BFA优化的GRNN

在GRNN中，影响其网络性能的关键因素是光滑因子σ，其默认值为1。光滑因子σ越大，函数拟合就越平滑。但σ过大说明需要非常多的神经元以适应函数的快速变化；如果σ设定过小，则说明需要许多神经元来适应函数的缓慢变化，设计的网络鲁棒性能会有所影响。因此，需引入细菌觅食优化算法对光滑因子σ进行优化。

细菌觅食优化算法(Bacterial Foraging Algorithm,BFA)是由PASSINO K M提出的新型仿生类算法[13],也是一种全局随机搜索算法。该算法是指细菌群体为了搜寻大量的食物，不断地从环境差的地方向环境好的地方前进，其主要工作流程包括趋向性阶段、繁殖性阶段和迁徙性阶段[14]3部分。

在趋向性阶段，细菌在任意方向进行交替翻滚和前进搜寻食物，细菌翻滚或者前进搜寻过程可以认为是寻优的过程。因此，该阶段的趋向性算子可以表示为

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细菌在第j次趋化行为、第k次繁殖行为及第l次迁徙行为时所处的位置；Xrand(j,k,l)为Xi(j,k,l)的领域范围；sp为任意方向翻滚的步长；R为随机数，取值范围为[0,1]。

在繁殖性阶段，当细菌达到最大趋化行为次数后，细菌进行繁殖行为。细菌的繁殖行为遵循自然界“优胜劣汰，适者生存”的原则。

在迁徙性阶段，不同于繁殖性阶段，迁徙行为是按照一定的概率发生的，当某个细菌满足条件时，该细菌将会在搜寻范围内任意位置产生新的细菌个体。

基于以上认识，利用BFA算法对GRNN光滑因子σ进行优化。通过对比飞行绩效预测值与飞行绩效真值，选择使预测值最逼近真值的光滑因子，即为最优光

滑因子σ，其优化过程如图2所示。

图2　BFA优化GRNN流程图Fig.2　Flow chart of GRNN optimization by BFA

2　实验方法

2.1　实验被试人员

本次飞行模拟实验包括10名男性飞行员，年龄在31～50岁之间(平均年龄为40.12岁)，飞行时长在5273～7173 h之间，平均飞行时长为5893 h。

2.2　实验设备

飞行模拟器：本次实验中，采用6自由度全动ARJ-700飞行模拟器。在飞行模拟过程中，通过飞行记录仪记录飞行数据比如速度、高度及加速度等，飞行模拟器设备采样率为30 Hz。

眼动记录仪：本次实验中，采用佩戴式Tobbi眼动仪采集被试眼动数据，主要包括瞳孔直径、扫视频率等信息，该设备的采样频率为30 Hz。

心电记录仪：本次实验中，采用Zephyr Bioharness胸带式心电记录设备采集被试生理数据，主要包括心率、呼吸速率等生理数据，该设备的采样频率为1 Hz。

2.3　实验流程

由于飞机下降及着陆阶段是飞行事故高峰期，在该阶段，飞行员需要完成的操作最多且复杂，对该阶段飞行绩效的预测能够保障飞行安全。因此，本次实验为标准仪表进场模拟飞行任务。10名被试飞行员分为5个机组，每个机组包括主驾驶和副驾驶两个职能，每个机组都将完成相同的标准仪表进场任务(本研究仅记录和分析主驾飞行员数据)，分别执行3次标准仪表进场任务，总共飞行15次。

在实验过程中，每个飞行机组在飞行约40 km后执行CATILS进近报告的操作，当飞机平飞减速至250 kn(1 kn=0.5 m/s)，高度下降至1500 ft(457.2 m)时,飞机以145 kn速度稳定进场，并进入着陆航线，飞行机组按照程序执行CATILS进近。当飞机着陆任务结束后，表示一次飞行模拟实验结束。

2.4　实验数据分析

基于以上实验流程对多路生理数据进行以下处理与分析。

1) 实验数据预处理：由于实验数据采样频率不同，需要对实验数据统一采样频率，并且对实验数据进行归一化处理，算式为

(9)

式中：xnorm表示归一化后的结果；x表示需要处理的生理信号；xmin表示该类生理信号数据集中最小值；xmax表示该类生理信号数据集中最大值。

2) 建立飞行绩效预测模型：选择心率(HR)，呼吸速率(RR),呼吸深度(RD)和注视时间(FT)4类生理信号作为GRNN输入，飞行绩效作为GRNN输出，飞行绩效真值通过飞行轨迹偏差[2]来表示。本文采用15次飞行实验数据作为数据集，一次飞行实验作为一组数据集，总共15组数据集。每组数据集中，前3/4数据作为训练样本，后1/4数据作为测试样本(如表1所示)。然后，利用BFA优化GRNN光滑因子,建立BFA-GRNN飞行绩效预测模型。

表1　部分训练和测试样本

3) 模型有效性验证：通过模型预测结果与飞行绩效真值进行对比，用来评价该模型的预测精度。此外，还对比了未经优化的GRNN预测结果，用来验证BFA-GRNN模型性能的优越性。

3　结果与分析

首先，本文分析了15次飞行模拟实验数据中，4种生理信号与真实飞行绩效的相关性，通过相关性分析(如图3所示)，可以用来验证选择这4种生理参数预测飞行绩效的合理性。

图3　生理参数与飞行绩效相关性分析Fig.3　The correlation between physiological parameters and flight performance

由图3可知，4种生理信号都与飞行绩效有很好的相关性，选择HR，RR，RD和FT预测飞行绩效具有一定的合理性。

基于以上分析，图4给出一次飞行模拟实验部分测试样本的飞行绩效预测结果。通过模型预测值与飞行绩效真值对比，分析了未经优化和基于BFA优化的GRNN模型性能。

图4　飞行绩效预测结果比较Fig.4　Comparison of flight performance prediction results

为了更好地分析两种网络模型预测性能，通过平均绝对误差指标(MAE)、均方误差指标(MSE)及平均绝对百分误差指标(MAPE)3个预测误差指标对两种网络模型的性能进行评价(如图5所示)，算式分别为

(10)

(11)

(12)

图5　飞行绩效预测误差结果对比

如图5所示，经过BFA算法优化的GRNN模型预测精度明显优于未经优化的GRNN模型预测精度。

在表2中，对15次飞行模拟实验的飞行绩效误差作了进一步的分析。在MAE指标方面，BFA-GRNN模型比GRNN的MAE值降低了70.2%; 在MSE指标方面，BFA-GRNN模型比GRNN的MSE值降低了74.5%; 在MAPE指标方面，BFA-GRNN模型比GRNN的MAPE值降低了69.8%。综上所述，基于BFA算法优化的GRNN模型性能明显好于未经优化的GRNN模型性能，验证了BFA-GRNN模型的优越性。

表2　两种模型的误差结果对比

在图6中可以看出，基于BFA-GRNN预测模型对15次飞行模拟实验的飞行绩效预测准确率约为94%，表明该方法可以通过对多维生理信号处理而有效地预测飞行绩效，从而验证了模型的有效性。

图6　基于BFA-GRNN的飞行绩效预测精度Fig.6　Prediction accuracy of flight performance based on BFA-GRNN

4　结论

本文采用改进的GRNN模型对多维生理信号进行分析，从而实现飞行绩效的准确预测，所采用的生理信号包括心率(HR)、呼吸速度(RR)、呼吸深度(RD)及注视时间(FT)。通过研究结果表明，这4类生理信号均与飞行绩效呈现一定的相关性，从而验证了生理信号选择的合理性。同时，通过预测误差指标分析结果显示，基于BFA优化的GRNN模型预测精度明显优于未经优化的GRNN模型精度，从而表明了BFA算法优化的优越性。最后，实验对比了15次飞行模拟实验的模型预测值与飞行绩效真值，结果显示飞行绩效预测准确率约为94%，从而验证了该方法的有效性。在未来，可以将GRNN预测理论与方法应用于飞行绩效研究，能够有利于改善飞行品质，从而降低人为飞行事故的比例。

[1]白东博,吴奇,黄丹,等.飞行员多维生理信号主成分分析[J].电光与控制,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,吴奇,黄丹,等.基于FPA优化的GP算法的飞行员认知状态识别[J].电光与控制,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神经网络的飞行绩效评价模型[J].北京航空航天大学学报，2010,36(4):403- 406.

[6]魏婵,陆燕玉,傅山.飞行员工作负荷多维客观测量方法的误差研究[J].电光与控制,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]杨彬，贺正洪.一种GRNN神经网络的高超声速飞行器轨迹预测方法[J].计算机应用与软件,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]关良华，曾志高，鲍海兴，等.改进的细菌觅食算法在图像分割中的应用[J].湖南工业大学学报，2016,30(6):34-38.

[13]章慧，龚声蓉，严云洋.基于改进粒子群算法图像的闭值分割方法[J].计算机科学，2012,39(9)：289-291,301.

[14]马苗，梁建慧，郭敏.基于细菌觅食算法的 SAR图像阈值分割[J].西安电子科技大学学报:自然科学版，2011,38(6)：152-158,178.