基于PSO-BP的应急通信感知装备效能评价方法

石宸睿, 田 露, 徐 湛, 职如昕, 陈晋辉

(北京信息科技大学信息与通信工程学院, 北京 100101)

0 引 言

应急通信感知装备的效能是指应急感知装备体系面对突发事故灾难时,满足实际需求程度的度量,与各装备单元的效能及其形成的整体功能结构有关。应急通信感知装备效能评价对应急通信感知装备发展战略研究中的发展方案设计具有重要的支撑作用,而且应急通信感知装备效能评价是支撑应急通信感知装备体制论证与建设规划论证的重要手段。此外,效能评价与重大装备系统发展论证也有紧密的联系。

针对装备的综合评价,文献[2]提出了一种基于加权与评价相结合的二维评价模型,该模型由静态评价模型和动态评价模型组成,对装备的性能进行评价。文献[3]提出了一种主客观混合的一级配电网设备评价方法,将主成分分析法和层次分析法(analytic hierarchy process, AHP)相结合,利用相对熵原理对主客观评价结果进行权重分配。上述模型在评价时主观性较强且不具备自适应性。国内外学者针对其他的评价对象也建立了多种综合评价模型,如AHP、模糊评价法、证据理论、粒子群优化算法(particle swarm optimization, PSO)、神经网络等。其中,传统反向传播(back propagation，BP)神经网络是一种基于误差BP的多层前馈训练网络,可自动提取输入的指标数据与输出的效能值之间的关系,并且将其自适应地储存于网络的权值中,随着样本的增加,还可不断自适应地完善评价模型。与现有效能评价方法相比,具有高度自学习和自适应的能力,因此被广泛应用于综合评价。然而BP神经网络模型易陷入局部最优,因此BP神经网络模型在使用过程中常结合遗传算法、包络分析和Bootstrap法、PSO算法等。本文提出基于PSO-BP的应急通信感知装备评价方法,不仅可以利用BP神经网络克服通信感知装备评价时的主观性,还利用粒子群算法克服陷入局部最小值的问题,该模型旨在构建一种有效的应急通信感知装备效能评价模型,对应急通信感知装备体系的优化发展具有现实意义。

1 应急通信感知装备效能评价指标体系

《应急指挥信息化与通信保障能力建设规范》标准将应急通信装备类型分为4类,包括信息采集类装备、信息传输类装备、现场指挥类装备和配套保障类装备。本文综合考虑应急通信感知装备在实战中执行任务时所面临的挑战,以及应急感知通信装备智能化的发展趋势,将机动平台能力作为其中一项指标。对于标准中的现场指挥类装备,其关键能力是对所采集信息的处理。故将对应急通信感知装备的评价主要分为信息采集能力、信息处理能力、信息传输能力、辅助保障能力和机动平台能力,以此建立起的基本应急通信感知装备评价指标体系框架图如图1所示,评价指标体系包含5个一级评价指标和16个二级评价指标。

图1 基本应急通信感知装备评价指标体系框架图Fig.1 Framework diagram of evaluation index system for basic emergency communication and sensing equipment

其中,信息采集能力主要提供灾后救援工作中用于探测感知受灾人群与受灾环境的功能,具体包括温度感知能力、湿度感知能力、气压感知能力、有毒气体感知能力、生命体征感知能力和三维地物场景感知能力,信息采集模块一般装备于无人机动平台或救援人员,为救援人员深入灾区救援提供基础信息。信息处理能力主要包括在信息采集装备处信息的处理能力以及在指挥中心信息融合处理的能力,所采集的信息经过处理后为应急救援决策提供参考。信息传输能力体现在通信装备的性能上,具体包括有效性、可靠性及设备性能,通信装备可在战时为应急救援指挥中心传递灾情现场所采集到的信息。辅助保障能力主要包括辅助定位能力等,通过携带的定位装备,为应急装备和救援人员提供辅助手段。机动平台能力主要体现在应急救援中无人机动平台的性能,主要包括伴随式无人车性能、自主式无人车性能、微型无人机性能及单兵可穿戴装备性能,用于灾情发生后先于救援人员深入灾区探测灾区情况。

2 基于BP神经网络的评价模型

2.1 综合评价算法流程

本文主要采用神经网络算法实现应急通信感知装备的效能评价。数据处理时首先通过主成分分析法将多维样本数据映射到低维空间,通过几个保留有效信息较多的综合因子代替样本各维度样本数据,再通过训练BP神经网络得到最终的应急通信感知装备BP神经网络评价模型，如图2所示。

图2 基于BP神经网络的评价模型结构流程图Fig.2 Flow chart of evaluation model structure based on BP neural network

2.2 数据预处理

2.3 基于BP神经网络的应急通信感知装备评价模型

BP神经网络的结构越复杂,样本数据越多,其精度越高、处理非线性问题的能力越强。通过应急通信感知装备评价数据样本训练BP神经网络模型,构建应急通信感知装备BP神经网络评价模型。由于三层BP神经网络模型就具有很好的非线性映射能力,因此隐藏层选择一层,输入层输入为主成分分析法得到的综合因子,输出层输出为应急通信感知装备效能评分。应急通信感知装备的BP神经网络评价模型结构如图3所示。

图3 应急通信感知装备BP神经网络评价模型结构Fig.3 BP neural network evaluation model structure of emergency communication and sensing equipment

BP神经网络的隐藏层节点数也会对BP神经网络最终的评价精度造成较大的影响。如果节点数过少,则神经网络很难完成对学习样本的学习要求,从而不能准确评价;节点数过多,网络又容易造成过拟合现象,导致网络泛化能力变差。BP神经网络的最佳隐藏层节点数选择所下所示：

(1)

式中:为隐藏层节点数;为输入层节点数;为输出层节点数;为0～10之间的常数。隐藏层节点数的选择首先通过式(1)来确定节点数的大概范围,然后通过试凑的方法来确定最佳的节点数。

最终模型的性能可以使用均方误差(mean square error, MSE)衡量。MSE是指参数估计值与参数值之差平方的期望值,是衡量误差的一种较简单方便的评价方法,可评价数据的变化程度,其值越小,说明该评价模型所得到评价值更为精确。

当增加新的评价数据样本时,只需在原模型的基础上进行训练,无需从头开始训练。随着应急救援效果评估研究的不断发展与政策的调整,本模型可适应模型变化。当评价指标体系中新增一项指标时,只需增加一个输入神经元,再进行模型训练即可。而面对相同情况,在传统的AHP中,需要重新进行专家打分来构造判断矩阵。故相较于传统的模型,BP神经网络模型具备更强的适应性。

3 基于PSO-BP的评价模型

BP神经网络模型在其多个神经元的综合作用后,使网络具有很强的非线性拟合能力,而且BP神经网络具有很强的理论性并在实际问题中被广泛应用,决定了其在人工神经网络中具有重要的意义,但是其算法本身仍然存在一些不足。BP神经网络是一种前馈型的神经网络,其最终实际输出值取决于网络的输入值和权重矩阵构成的网络误差。BP神经网络的误差曲面有以下特点:① 网络误差的全局最小点可能有多个;② 网络误差存在一些平坦的区域,在此区域内误差变化量较小,因此神经网络对此区域的映射能力有些不足;③ 误差曲面存在多处局部极小点。

面对局部极小点的问题,可采用结合PSO算法的方式来解决,PSO算法是进化算法的一种,基本原理是：首先从随机解出发,通过靠近当前搜索到的最优解,经多次迭代以寻找全局最优解。以下是具体解决方法。

首先，对BP神经网络的全部权值和阈值进行编码处理,然后随机产生一组具有个粒子的粒子群,粒子群中每个粒子代表一个神经网络的全部初始权值和阈值分布,每个粒子中的一个维度表示一个神经网络的一个权值或者一个阈值,则每个粒子的维度为神经网络的全体权值个数和阈值个数,即

=+++

(2)

式中:为输入层神经元个数;为隐藏层神经元个数;为输出层神经元个数。

粒子数量对最终优化结果有较大影响。若值太小,则搜索范围有限,不能很好地对全局寻优,且粒子多样性较差,容易“早熟”,过早终止算法。若值太大,则算法复杂度太高,降低优化效率。一般情况下,值取50～100。

误差函数可以设置为实际输出值与期望值之间的MSE,MSE越小则表示该网络性能好。因此，适应度函数可以设置为

(3)

结合PSO算法时,首先随机初始化每个粒子的速度向量=(1,2,…,)和空间位置向量=(1,2,…,),通过每次迭代搜索将产生第个粒子的个体最优解=(1,2,…,)和整个粒子群当前最优解=(1,2,…,)。粒子更新速度和位置的公式如下所示:

(4)

(5)

粒子的速度决定了粒子在空间中的探索能力,最大速度取值即为粒子在每次更新中可能的最大移动距离,取值越大,粒子的搜索能力越强,但容易造成粒子跳过较好的解;取值越小,容易使粒子陷入局部最优。通常设置为位置取值的10%～20%。

惯性因子体现了当前粒子的搜索速度对于进化后粒子速度的影响程度,从而控制PSO算法全局和局部搜索的性能。一般情况下,在算法进化前期,主要对全局进行搜索以尽快达到较优区域,取较大的值。算法进化后期主要对较优区域进行搜索以尽快找到最优解,此时取较小值。然而在进化后期,粒子逐渐趋于集中,若一直采用较小的惯性因子,容易发生早熟的现象,无法跳出局部极值。

在此,使用动态自适应惯性权重以满足在进化后期粒子相对集中时,粒子群仍具有一定的全局搜索能力,可以对较优区域进行搜索,以避免陷入局部极值。

为描述粒子群的离散程度,将第代粒子群与第-1代粒子群适应度的标准差之比定义为进化离散度():

(6)

式中:Std为标准差，Fit()为求第代的适应度。

联合进化离散度()与Sigmoid函数,设置动态自适应惯性权重因子为

()=+(-)·()

(7)

(8)

式中:为当前迭代次数;为最大迭代次数;和为最大、最小惯性权重,一般情况下,=09,=04;为阻尼因子,一般取值为[0,1]。

PSO算法优化BP神经网络的基本流程如图4所示。

图4 基于PSO算法的BP神经网络Fig.4 BP neural network based on PSO algorithm

4 实例分析

在应急通信感知中,对于环境温度的感知尤为重要,关乎到救援人员的安全以及救援方案的选取。而在实战中,温度传感能力主要由温度传感器实现。针对基本应急通信感知评价指标体系中的温度感知能力,细化评价指标体系,如图5所示。实例中具体的样本数据由AHP导出。

图5 温度感知能力评价指标体系Fig.5 Evaluation index system of temperature sensing ability

AHP的基本原理是将位于同一层次的每个要素相较于上一层准则的相对重要性进行两两比较,从而建立起判断矩阵,然后依据判断矩阵计算各要素相较于上一层准则的相对权重。而且判断矩阵建立后需要进行一致性检验计算。最后,计算所有最底层要素相对于研究问题的合成权重,并最终得出所研究问题的计算模型。

构建应急通信感知装备效能评价模型时,首先将各项评价指标分为1～10共10个等级,对应急通信感知装备的各项指标分别进行评分,并将其与通过AHP得到的权重向量相乘,得到效能评分值,构成样本数据。

针对温度传感能力的性能指标及结构指标,分别构造判断矩阵后得出各指标权值,如表1和表2所示。设定性能指标权重为0.65,结构指标权重为0.35。故组合权重如表2所示。

表1 性能指标判断矩阵Table 1 Matrix of performance index

表2 结构指标判断矩阵Table 2 Judgment matrix of structural index

随机抽取30种不同的温度传感器,由专家对其评分,将评分结果组成的分值矩阵,乘以表3中各指标的权值构成的权值矩阵,得到最终的效能分值,结果如表4所示。

表3 组合权重Table 3 Combination weight

表4 温度传感器指标评分情况Table 4 Temperature sensor index score

将上述数据通过主成分分析法降维后,可以得到3个综合因子,并以此作为学习样本集合,从而建立神经网络评价模型。分析BP神经网络模型及PSO-BP模型的评价效果间的差异。神经网络训练时,可采用交叉验证法,首先将数据按层次划分为10个互斥的子集,以保证每个子集数据间差异性较小。训练时,每次任意选择其中9个子集作为训练集,余下的子集作为测试集。从而可以进行10次网络训练与测试,最终返回10次测试的MSE和。

具体仿真条件如下:输入层神经元个数为3,输出层神经元个数为1,根据式(1),隐藏层神经元个数的取值范围为2～12,建立BP的神经网络模型,在每个不同的神经元个数取值下,进行10次测试,最终的MSE如表5和图6所示。

表5 不同隐藏层节点数下BP神经网络的MSETable 5 MSE of BP neural network under different hidden layer nodes

图6 不同隐藏层节点数下BP神经网络的MSEFig.6 MSE of BP neural network under different hidden layer nodes

经过试凑可知隐藏节点数取值为5时,MSE最小,故取隐藏层神经元个数为5,学习速率取0.05,训练目标取0.000 01。PSO-BP模型中,粒子群中粒子个数为50,粒子维度为=+++=3×5+5×1+5+1=26。由图7可知,50代之后,MSE减小已不再明显,综合考虑结果精度与时间复杂度,此实例中迭代次数选取50即可,个体学习因子为2.8,群体学习因子为1.3,速度取值范围是-0.15～0.15。神经网络中初始权值阈值均为-1与1之间的随机数,隐藏层和输出层神经元的传递函数分别为tansig与purelin,网络训练采用traingd函数,使用上述两种模型分别进行10次评价后,模型的评价结果如表6所示,并将其绘制为图8的折线图。

图7 不同迭代次数MSEFig.7 MSE of different iteration times

表6 BP神经网络与PSO-BP神经网络仿真结果Table 6 Simulation results of BP neural network and PSO-BP neural network

图8 BP神经网络与PSO-BP模型的MSEFig.8 MSE of BP neural network and PSO-BP model

通过图8可以看出,即使由于权值与阈值设置时的随机性,PSO-BP神经网络与BP神经网络得到的结果均有波动,但PSO-BP神经网络相比于BP神经网络,均方误差降低约28.18%,结果表明,PSO-BP神经网络评价更准确。

在此仅以温度感知能力这一项二级指标为例,进行评价。实际面向应急通信感知装备效能评估指标体系时,须将体系中所有最底层指标的训练数据代入输入层,输出为相应装备体系的效能评分,以此来训练PSO-BP神经网络,得到最终效能评价模型。

5 结 论

BP神经网络评价方法是一种基于非线性系统的预测方法,可以自动提取输入指标数据与输出评价结果间的“合理规则”,并自适应地将所学习内容记忆于网络的权值中,还可随着样本的增加不断自适应的修改完善效能评价模型,具有高度自学习和自适应的能力,可用于效能评价问题,但存在局部极小值问题等。本文分析了BP神经网络及其存在的不足后,采用粒子群算法以解决BP数据网络中的局部最小值问题。从实际问题的对比分析结果来看,PSO-BP模型在评价准确性上优于标准BP神经网络模型,因此,可作为应急通信感知装备评价的一个新的方法。