本發(fā)明屬于飛機(jī)剎車控制技術(shù)領(lǐng)域，具體涉及一種基于螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最佳滑移率識別方法。

背景技術(shù)：
飛機(jī)剎車系統(tǒng)的性能好壞對飛機(jī)運(yùn)行安全起到至關(guān)重要的作用。如何有效地提高飛機(jī)的剎車效率，縮短滑跑距離，提高飛機(jī)對各種載荷狀況、跑道狀況、氣候條件的適應(yīng)能力，成為飛機(jī)剎車系統(tǒng)研究的主要目標(biāo)。最佳滑移率識別器是飛機(jī)剎車系統(tǒng)中的重要組成部分，最佳滑移率識別器通過分析飛機(jī)剎車過程中不斷變化的結(jié)合系數(shù)μ和滑移率s識別出最佳滑移率sp?，F(xiàn)有技術(shù)中，最佳滑移率識別器主要采用BP神經(jīng)網(wǎng)絡(luò)模型。然而，采用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測最佳滑移率sp時(shí)，主要存在以下不足：BP神經(jīng)網(wǎng)絡(luò)模型在運(yùn)算過程中易陷入局部極小，從而出現(xiàn)短時(shí)間內(nèi)無法準(zhǔn)確預(yù)測出最佳滑移率sp的問題，進(jìn)而造成飛機(jī)打滑，影響飛機(jī)著陸的可靠性和安全性。

技術(shù)實(shí)現(xiàn)要素：
針對現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提供一種基于螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最佳滑移率識別方法，可有效解決上述問題。本發(fā)明采用的技術(shù)方案如下：本發(fā)明提供一種基于螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最佳滑移率識別方法，包括以下步驟：步驟1，將BP神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)訓(xùn)練誤差E轉(zhuǎn)化為螢火蟲個(gè)體的適應(yīng)度，采用螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值和初始閾值，得到最優(yōu)權(quán)值和最優(yōu)閾值；步驟2，采用所述最優(yōu)權(quán)值和所述最優(yōu)閾值構(gòu)造初始的IFA-BP最佳滑移率識別模型；步驟3，采用訓(xùn)練樣本數(shù)據(jù)對初始的IFA-BP最佳滑移率識別模型進(jìn)行訓(xùn)練，進(jìn)一步優(yōu)化IFA-BP最佳滑移率識別模型的權(quán)值和閾值，直至滿足訓(xùn)練要求，迭代終止，得到最終的IFA-BP最佳滑移率識別模型；步驟4，采用最終的IFA-BP最佳滑移率識別模型對飛機(jī)剎車過程中的最佳滑移率進(jìn)行預(yù)測。優(yōu)選的，步驟1具體包括以下步驟：步驟1.1，確定用于預(yù)測最佳滑移率的BP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)；所述BP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層；其中，輸入層包括兩個(gè)結(jié)點(diǎn)，分別為結(jié)合系數(shù)μ和實(shí)際滑移率s；輸出層包括1個(gè)結(jié)點(diǎn)，為最佳滑移率sp；步驟1.2，初始化BP神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù)，包括：訓(xùn)練次數(shù)N、學(xué)習(xí)率η、網(wǎng)絡(luò)訓(xùn)練誤差E；步驟1.3，對所述BP神經(jīng)網(wǎng)絡(luò)模型的輸出層與隱含層的權(quán)值、隱含層與輸入層的權(quán)值、輸出層的閾值和隱含層的閾值分別進(jìn)行編碼，形成螢火蟲個(gè)體；初始化螢火蟲算法基本參數(shù)，包括：設(shè)置種群規(guī)模n、最大吸引度因子β0、光吸收系數(shù)γ、初始隨機(jī)步長α0以及最大迭代次數(shù)max；步驟1.4，隨機(jī)初始化各螢火蟲個(gè)體的位置，即初始化每個(gè)螢火蟲個(gè)體的解；對于每個(gè)螢火蟲個(gè)體，采用以下方法計(jì)算螢火蟲個(gè)體的適應(yīng)度：步驟1.4.1，將每個(gè)螢火蟲個(gè)體的解賦值給步驟1.1中確定的BP神經(jīng)網(wǎng)絡(luò)模型的對應(yīng)權(quán)值和閾值，構(gòu)建得到BP神經(jīng)網(wǎng)絡(luò)模型；步驟1.4.2，獲取訓(xùn)練樣本數(shù)據(jù)；其中，所述訓(xùn)練樣本數(shù)據(jù)為三維數(shù)據(jù)，包括：結(jié)合系數(shù)μ、實(shí)際滑移率s和最佳滑移率sp；采用所述訓(xùn)練樣本數(shù)據(jù)，基于步驟1.2中的初始化BP神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù)，對所述BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到網(wǎng)絡(luò)訓(xùn)練誤差E；步驟1.4.3，所述網(wǎng)絡(luò)訓(xùn)練誤差E轉(zhuǎn)化為螢火蟲個(gè)體的適應(yīng)度；步驟1.5，根據(jù)螢火蟲個(gè)體的適應(yīng)度進(jìn)行排序，查找到適應(yīng)度最高的螢火蟲個(gè)體；判斷當(dāng)前迭代次數(shù)是否達(dá)到設(shè)定的最大迭代次數(shù)max，如果達(dá)到，則轉(zhuǎn)向步驟1.8，否則轉(zhuǎn)向步驟1.6；步驟1.6，根據(jù)當(dāng)前迭代次數(shù)，通過公式(1)計(jì)算各螢火蟲個(gè)體的發(fā)光強(qiáng)度，比較各螢火蟲個(gè)體的亮度大小；其中，I為螢火蟲個(gè)體的發(fā)光強(qiáng)度，γ為光吸收系數(shù)，r為兩個(gè)螢火蟲間的距離，I0為螢火蟲個(gè)體的最大發(fā)光亮度，即r＝0處螢火蟲自身的發(fā)光亮度；根據(jù)公式(2)計(jì)算兩個(gè)螢火蟲個(gè)體的相互吸引度β：其中，β0為最大吸引度，即螢火蟲自身的吸引度；如果螢火蟲j的亮度高于螢火蟲i的亮度，則螢火蟲i被螢火蟲j吸引，螢火蟲i將會向螢火蟲j移動，根據(jù)公式(3)更新螢火蟲i的位置：其中：hi(t)是第i個(gè)螢火蟲前兩次的迭代信息；fpi(t-1)是獲得最優(yōu)解的第i個(gè)螢火蟲在第t-1次迭代時(shí)的適應(yīng)度值；fpi(t-2))是獲得最優(yōu)解的第i個(gè)螢火蟲在第t-2次迭代時(shí)的適應(yīng)度值；xi代表螢火蟲移動前所在的位置；xj代表螢火蟲j所在的位置；xi′代表螢火蟲移動后所在的位置；fbest是到當(dāng)前迭代為止獲得最優(yōu)解的螢火蟲的適應(yīng)度值；fi(t)是第i個(gè)螢火蟲在第t次迭代時(shí)的適應(yīng)度值；ε是均勻的隨機(jī)向量，其值分布在0和1之間；然后轉(zhuǎn)到步驟1.7；步驟1.7，每個(gè)螢火蟲個(gè)體進(jìn)行位置更新后，采用步驟1.4.1-步驟1.4.3的方法，計(jì)算得到每個(gè)螢火蟲個(gè)體的適應(yīng)度；根據(jù)螢火蟲個(gè)體的適應(yīng)度進(jìn)行排序，查找到適應(yīng)度最高的螢火蟲個(gè)體；然后，判斷當(dāng)前迭代次數(shù)是否達(dá)到設(shè)定的最大迭代次數(shù)max，如果達(dá)到，則轉(zhuǎn)向步驟1.8，否則轉(zhuǎn)向步驟1.6；步驟1.8，適應(yīng)度最高的螢火蟲個(gè)體的解即為最優(yōu)解，最優(yōu)解即為BP神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)權(quán)值和最優(yōu)閾值。優(yōu)選的，步驟2具體為：將步驟1.8得到的最優(yōu)解賦給步驟1.1確定的BP神經(jīng)網(wǎng)絡(luò)模型的相應(yīng)的權(quán)值和閾值，所得到的BP神經(jīng)網(wǎng)絡(luò)模型即為初始的IFA-BP最佳滑移率識別模型。優(yōu)選的，步驟4具體為：在飛機(jī)剎車過程中，安裝在前輪和后輪的速度傳感器實(shí)時(shí)采集到前輪速度va和后輪速度vw；實(shí)時(shí)基于前輪速度va和后輪速度vw，計(jì)算得到結(jié)合系數(shù)μ和當(dāng)前實(shí)際滑移率s；將所述結(jié)合系數(shù)μ和當(dāng)前實(shí)際滑移率s實(shí)時(shí)輸入到步驟4得到的IFA-BP最佳滑移率識別模型中，所述IFA-BP最佳滑移率識別模型輸出最佳滑移率sp，并傳遞給下級...