论文部分内容阅读
摘 要 在航空通信、导航及监视的基础之上,空中交通管理系统得以有效运行,而其管理运行情况则成为航空交通安全运输的重要技术保障。分析和研究空中交通运行情况,对于我国航空事业来说,将具有十分重要的现实意义。因此文章以空中交通管理运行为研究对象,以BP网络的空中交通管理运行分析为研究目标,首先对BP网络进行了简单介绍;其次,从BP网络的拓扑结构出发,重点探究了空中交通管理运行的具体情况。希望本次研究能够为我国相关部门带来一定的帮助作用。
关键词 BP网络;空中交通管理
中图分类号 TP183 文献标识码 A 文章编号 2095-6363(2016)02-0084-01
作为一项促进我国航空业发展的重要工作内容,空中交通管理运行对航空事业的发展起着直接影响。尤其是对于航空事业的国际化程度来说,空中交通管理运行在其中具有非常关键的影响作用。因此本研究基于BP网络的角度来探究空中交通管理运行对于我国航空事业未来的发展具有十分重要的现实意义。
1 BP网络的基本原理
BP网络属于人工神经网络模型的一种,同时也是其中应用最为广泛的一种。BP网络对于输入-输出模式映射关系能够进行大量学习和存储,且对于其映射关系数学方程无需进行提前揭示和描述。BP网络不仅能够实现自学习,而且还具备大规模并行处理的功能,其已经在模糊识别和分类以及函数逼近等这些方面得到了最广泛的应用。另外,BP网络的信息分布存储功能还在数据压缩问题上实现了广泛应用。输入层、隐含层和输出层是BP网络拓扑结构(如图1所示),而信息正向和误差反向传播则构成了学习算法的两种传播方式。其中,信息正向传播过程主要是外界信息由输入层的各个节点来负责收集;然后再将收集到的信息传递给隐含层的各个节点,而这一层的主要作用就是对信息进行变换,进而将其设计为单层或者多层;最后由隐含层将变换的信息传递到输出层的各个节点,而输出层对其进行进一步的处理之后再向外界输出。整个过程完成之后,如果实际输出与期望输出不一致,则就会开启误差反向传播。与信息正向传播相反,误差反向传播指的是误差信息基于其梯度下降方式来修正各层的数值,然后通过输出层向隐含层和输入层逐层反传。这种对各层权值和阙值进行不断修正的过程,实质上就是这信息正向和误差反向的传播过程,同时也是神经网络学习的过程,而且只有当各层的权值和阙值修正到可以接受的程度,这一过程才能够停止。
2 基于BP网络的空中交通管理运行分析
2.1 建立空中交通管理运行的样本集
建立样本集必须要采集足够的样本,而且空中交通管理运行时段的每一项指标都必须由某一个样本与之相对应。样本可以是空中交通管理运行的安全性能、空中交通流的密度以及运行效率性能等。如对空中交通管理运行某一时段的录音录像进行调取并建立样本。然后由相关专家对这一时段的录音录像进行听取和查看,进而将其当时管理运行情景进行复现。最后根据经验以及样本指标数据来分类评价其采集的样本。另外,对于各个样本的综合评价分值,还可以采用主成分分析法来进行计算和分析。如果专家对某个样本形成了一致的分类意见,而且在评价分值水平上基本相符,那么就可以确定对该时段空中交通管理运行的分析较为科学,而该样本也可以作为典型样本;如果专家在样本分类意见上存在一定的差异,那么对该时段空中交通管理运行样本的采取就属于非典型样本。因此,对于样本集的建立必须采取典型的样本,另外要建立两个样本集,即训练样本集和测试样本集,且都要由M类相同数量的样本组成。
2.2 BP网络训练和测试
2.2.1 空中交通管理运行的输入层数据分析
为了使得各个评价指标之间的量纲差异得以消除,要对训练样本集的原始数据,利用比例压缩法进行预处理。首先,将训练样本集的样本数量设为I个,那么原始数据矩阵则为,其中第个样本的第项指标数据用来表示,而第个样本的数据向量则用来表示。将训练样本集数据矩阵设为,那么输入层数据则为:
(1)
其中代表了第个样本的数据向量。
2.2.2 空中交通管理运行的隐含层和输出层数据分析
采用附加动量因子的自适应学习速率梯度下降算法来提高样本的收敛精度并减少其迭代次数。网络训练要针对于每一个可能的隐含层节点数来进行,然后通过网络训练来调整各层的指标,一直到训练步长结束为止。设学习速率为,而第次的学习速率则为。将设为输入层到隐含层的权值矩阵,其中代表隐含层中第个节点的权值是由输入层第个节点所输入的,而则表示隐含层第个节点的阙值。
是隐含层到输出层的权值矩阵公式,其中就表示输出层的第个节点权值是由隐含层的第个节点所输入,而则表示为输出层的第个节点的阙值。这样当输入训练样本的数据向量时,输出层的期望值就能够根据专家的分类结果而生成,即为。若设为隐含层输出向量,则就表示为输出层输出向量。
通过上述公式能够将空中交通管理系统各个层次的权值和阙值计算出来,然后通过权值、阙值和预期值的对比,能够很明确的分析出其空中交通管理系统的具体运行情况。
2.2.3 仿真分析
处于空域状态识别模块中的空中交通管理运行,其主要是通过预测流量来实现对空中交通管理运行的分析。而对流量的预测则主要决定于空域容量是否小于空中交通流的流量,并且还要分析空中交通的复杂性和随机性,这一分析的实现主要是利用模糊网络技术来实现的。首先要建立数据仿真模型以及方法数据库、模型库系统,然后利用模糊预测来实现对空中交通管理系统输入和输出的分析;最后根据前后空中交通的需求情况,统计分析其得到的相关数据,从而最终将这些数据通过相关的规则进行转化,以实现对空中交通流量的仿真
预测。
3 结论
本研究基于BP网络原理,针对空中交通管理运行进行了分析和探究,并以某样本为例,提出了BP网络模型的空中交通管理运行评价方式,通过这一评价方式能够较为科学的分析出某一时段空中交通管理运行的具体情景和状况。通过对典型样本的选取以及对其进行的网络训练测试,能够根据上述公式计算出BP网络拓扑结构三个层次,即输入层、隐含层以及输出层的具体权值和阙值,然后能够将这些值与预期值进行对比,从而得出该网络模型的分析结果是否有效,最终实现对空中交通管理运行情况的分析。
参考文献
[1]袁珍珍.基于BP神经网络的空中交通管理员岗位匹配测算研究—以武汉为例[D].武汉:武汉理工大学,2011.
[2]黄晓华.基于BP网络的空中交通管理运行品质框架思路[J].硅谷,2014(2).
[3]董雪挺.空中交通管制运行中的差错管理探析[J].科技资讯,2014(21).
[4]贾贵娟,汪洪蛟,陈高明.空中交通安全风险管理系统的构成及运行流程[J].武汉理工大学学报(信息与管理工程版),2008(5).
关键词 BP网络;空中交通管理
中图分类号 TP183 文献标识码 A 文章编号 2095-6363(2016)02-0084-01
作为一项促进我国航空业发展的重要工作内容,空中交通管理运行对航空事业的发展起着直接影响。尤其是对于航空事业的国际化程度来说,空中交通管理运行在其中具有非常关键的影响作用。因此本研究基于BP网络的角度来探究空中交通管理运行对于我国航空事业未来的发展具有十分重要的现实意义。
1 BP网络的基本原理
BP网络属于人工神经网络模型的一种,同时也是其中应用最为广泛的一种。BP网络对于输入-输出模式映射关系能够进行大量学习和存储,且对于其映射关系数学方程无需进行提前揭示和描述。BP网络不仅能够实现自学习,而且还具备大规模并行处理的功能,其已经在模糊识别和分类以及函数逼近等这些方面得到了最广泛的应用。另外,BP网络的信息分布存储功能还在数据压缩问题上实现了广泛应用。输入层、隐含层和输出层是BP网络拓扑结构(如图1所示),而信息正向和误差反向传播则构成了学习算法的两种传播方式。其中,信息正向传播过程主要是外界信息由输入层的各个节点来负责收集;然后再将收集到的信息传递给隐含层的各个节点,而这一层的主要作用就是对信息进行变换,进而将其设计为单层或者多层;最后由隐含层将变换的信息传递到输出层的各个节点,而输出层对其进行进一步的处理之后再向外界输出。整个过程完成之后,如果实际输出与期望输出不一致,则就会开启误差反向传播。与信息正向传播相反,误差反向传播指的是误差信息基于其梯度下降方式来修正各层的数值,然后通过输出层向隐含层和输入层逐层反传。这种对各层权值和阙值进行不断修正的过程,实质上就是这信息正向和误差反向的传播过程,同时也是神经网络学习的过程,而且只有当各层的权值和阙值修正到可以接受的程度,这一过程才能够停止。
2 基于BP网络的空中交通管理运行分析
2.1 建立空中交通管理运行的样本集
建立样本集必须要采集足够的样本,而且空中交通管理运行时段的每一项指标都必须由某一个样本与之相对应。样本可以是空中交通管理运行的安全性能、空中交通流的密度以及运行效率性能等。如对空中交通管理运行某一时段的录音录像进行调取并建立样本。然后由相关专家对这一时段的录音录像进行听取和查看,进而将其当时管理运行情景进行复现。最后根据经验以及样本指标数据来分类评价其采集的样本。另外,对于各个样本的综合评价分值,还可以采用主成分分析法来进行计算和分析。如果专家对某个样本形成了一致的分类意见,而且在评价分值水平上基本相符,那么就可以确定对该时段空中交通管理运行的分析较为科学,而该样本也可以作为典型样本;如果专家在样本分类意见上存在一定的差异,那么对该时段空中交通管理运行样本的采取就属于非典型样本。因此,对于样本集的建立必须采取典型的样本,另外要建立两个样本集,即训练样本集和测试样本集,且都要由M类相同数量的样本组成。
2.2 BP网络训练和测试
2.2.1 空中交通管理运行的输入层数据分析
为了使得各个评价指标之间的量纲差异得以消除,要对训练样本集的原始数据,利用比例压缩法进行预处理。首先,将训练样本集的样本数量设为I个,那么原始数据矩阵则为,其中第个样本的第项指标数据用来表示,而第个样本的数据向量则用来表示。将训练样本集数据矩阵设为,那么输入层数据则为:
(1)
其中代表了第个样本的数据向量。
2.2.2 空中交通管理运行的隐含层和输出层数据分析
采用附加动量因子的自适应学习速率梯度下降算法来提高样本的收敛精度并减少其迭代次数。网络训练要针对于每一个可能的隐含层节点数来进行,然后通过网络训练来调整各层的指标,一直到训练步长结束为止。设学习速率为,而第次的学习速率则为。将设为输入层到隐含层的权值矩阵,其中代表隐含层中第个节点的权值是由输入层第个节点所输入的,而则表示隐含层第个节点的阙值。
是隐含层到输出层的权值矩阵公式,其中就表示输出层的第个节点权值是由隐含层的第个节点所输入,而则表示为输出层的第个节点的阙值。这样当输入训练样本的数据向量时,输出层的期望值就能够根据专家的分类结果而生成,即为。若设为隐含层输出向量,则就表示为输出层输出向量。
通过上述公式能够将空中交通管理系统各个层次的权值和阙值计算出来,然后通过权值、阙值和预期值的对比,能够很明确的分析出其空中交通管理系统的具体运行情况。
2.2.3 仿真分析
处于空域状态识别模块中的空中交通管理运行,其主要是通过预测流量来实现对空中交通管理运行的分析。而对流量的预测则主要决定于空域容量是否小于空中交通流的流量,并且还要分析空中交通的复杂性和随机性,这一分析的实现主要是利用模糊网络技术来实现的。首先要建立数据仿真模型以及方法数据库、模型库系统,然后利用模糊预测来实现对空中交通管理系统输入和输出的分析;最后根据前后空中交通的需求情况,统计分析其得到的相关数据,从而最终将这些数据通过相关的规则进行转化,以实现对空中交通流量的仿真
预测。
3 结论
本研究基于BP网络原理,针对空中交通管理运行进行了分析和探究,并以某样本为例,提出了BP网络模型的空中交通管理运行评价方式,通过这一评价方式能够较为科学的分析出某一时段空中交通管理运行的具体情景和状况。通过对典型样本的选取以及对其进行的网络训练测试,能够根据上述公式计算出BP网络拓扑结构三个层次,即输入层、隐含层以及输出层的具体权值和阙值,然后能够将这些值与预期值进行对比,从而得出该网络模型的分析结果是否有效,最终实现对空中交通管理运行情况的分析。
参考文献
[1]袁珍珍.基于BP神经网络的空中交通管理员岗位匹配测算研究—以武汉为例[D].武汉:武汉理工大学,2011.
[2]黄晓华.基于BP网络的空中交通管理运行品质框架思路[J].硅谷,2014(2).
[3]董雪挺.空中交通管制运行中的差错管理探析[J].科技资讯,2014(21).
[4]贾贵娟,汪洪蛟,陈高明.空中交通安全风险管理系统的构成及运行流程[J].武汉理工大学学报(信息与管理工程版),2008(5).