一种基于GA修正神经网络的航空事故实时预警方法技术

本发明专利技术公开了一种基于GA修正神经网络的航空事故实时预警方法。该方法包括：依据历史数据建立数据清洗规范；结合航空运行业务全流程，梳理相关特征属性的数据和路径特点，采用遗传算法(GA)对神经网络的输入层‑隐含层以及隐含层‑输出层之间的连接参数进行优化，以期目标网络的计算性能最优；根据学习率和梯度靠近特性设计激活函数，实现任意的凸函数都可以由该函数以任意精度拟合；误差反向修正以及性能评价方法。该方法解决了目前航空业缺乏专业高性能的事故预警方法模型的问题，可实时预警并指导相关人员采取措施，降低航空事故的发生概率，具有专业、高效和高可靠性的有益效果。

An aviation accident real time warning method based on GA modified neural network

The invention discloses an aviation accident real time warning method based on GA modified neural network. The method includes: according to the data of cleaning for establishment of historical data; with the whole process of aviation operation business, data and related attributes of path characteristics, using genetic algorithm (GA) to the neural network input layer hidden layer and output layer between the hidden layer connection parameters, calculation of optimal performance to the target network; according to the learning rate and the gradient near the characteristic design of activation function, realize the arbitrary convex function can be determined by the function with arbitrary precision fitting; error correction and performance evaluation methods of reverse. This method solves the problem of the aviation industry's lack of professional and high-performance accident early warning model. It can real-time alert and guide relevant personnel to take measures to reduce the probability of aviation accidents, and has the beneficial effect of professional, efficient and reliable.

【技术实现步骤摘要】
一种基于GA修正神经网络的航空事故实时预警方法
本专利技术属于航空安全大数据挖掘领域，具体涉及一种基于GA修正神经网络的航空事故实时预警方法。
技术介绍
在航空领域，安全是一切工作开展的基础和前提。而因为行业特性和管理方面的原因，目前航空业界的信息化相对较为封闭，航空安全数据处于孤岛状态。近年来，随着机器学习、大数据挖掘乃至人工智能技术的飞速发展，大数据的重要价值已是业内共识，各个孤立的航空运行和安全相关的数据呈现出了开放互联的趋势。目前机器学习特别是神经网络和各种优化技术在金融、营销以及商业领域的发展突出，但在航空安全领域却缺乏专业的、可靠适用并且高效的学习模型，人们对航空安全的掌控仍然处于人为管理层面。
技术实现思路
为了上述问题，本专利技术提供了一种基于GA修正神经网络的航空事故实时预警方法，可在技术层面为航空事故提供实时预警的高效手段。本专利技术的技术方案为：一种基于GA修正神经网络的航空事故实时预警方法，其特征在于：包括以下步骤：A.根据历史数据，建立数据清洗规范；B.采用GA算法优化网络连接参数；C.设计前层激活函数；D.误差的反向修正。所述步骤A的建立思路为：数据分域-计算各特征域的正域和依赖度-计算各特征项对论域Z的重要度-建立清洗规则，其具体方式为：(1)将历史数据划分为论域向量Y，其属性集合记为M和特征域矩阵F＝(f1，f2，...，fn)，其属性集合记为N，并划分出各自的值域；构建决策系统记为D：则有D＝(Y，M∪N)；(2)根据Y，M，N，进行集合运算可得到Z/M和Z/N，进而算得N的M正域：PosN(M)＝N·M；将特征域F＝(f1，f2，...，fn)依次去掉某一个特征fi∈(f1，f2，...，fn)得到特征集合F1，F2，...，Fn；对上述特征集合进行粗糙分类：Z/F1，Z/F2，...，Z/Fn；进而可算得论域Z关于Fi(i＝1，2，...，n)的依赖度：(3)建立数据清洗规范：设定重要度阈值记为依据得到的γF(Z)和，计算各特征属性fi的重要度，记为：建立规则：若则表明特征属性fi对于预警结果是重要的；若则属性fi对于预警结果非重要，可以直接清洗掉该属性。所述步骤B的具体方式为：(1)网络拓扑结构和优化参数的确定：首先假设目标神经网络的拓扑结构如下：输入层神经元个数记为r；隐含层神经元个数记为h；输出层神经元个数记为o；拓扑结构确定后，计算GA编码长度，即上述拓扑结构的连接参数和，记为S：S＝r·h+h·o+h+o；另外，迭代次数记为：g；输入-隐含层的计算值为：A1；隐含-输出层的计算值为：A2；样本数据中实际结论记为：T；(2)解码方式根据GA编码S的构成，可将优化目标划分为4部分，输入-隐含层连接权值矩阵记为W1，隐含-输出层连接权值矩阵记为W2，隐含层神经元阈值向量记为输出层神经元阈值向量记为每次GA迭代后的结果记为X，则上述目标参数按如下方式解码：(3)适应度函数Fit(x)的确定：为使得误差尽可能小，即求解最小值优化问题，故可设适应度函数为误差平方和的倒数：误差的平方和函数为：Ti为第i次迭代对应的样本实际输出值，A2i为第i次迭代的计算值；故，适应度函数可根据Fit(x)计算出每次迭代后样本的适应值，以选择本次最优解集进入下一次迭代，直至计算出最优解，记为W1O，W2O，B1O，B2O。所述步骤C的具体方式为：为解决″欠训练″问题，防止计算陷入局部最优，对整个模型的输出造成影响，前层激活函数使用Hi(x)＝maxj∈(1，h)XiTWij+Bij＝maxj∈(1，h)XiTW1o(i，j)+B1o(i，j)从函数属性可看到，上式的拟合能力非常好，该式采用了分段线性的特点，可以以任意精度拟合，并且取了h个隐含层节点输出的最大值，所以在任意输入范围内，经该层激活函数输出后，最大值也变成了分段线性。所述步骤D的具体方式为：设定输入向量Xi经过连接权值W和阈值B后，结果记为算子则有：经过输入层第j个神经元激活函数后，记为：误差的反向修正过程为：一次迭代完成后，计算输出Y：设论域的采集样本真实值记为s，则本次迭代后的计算误差εj(j∈[1，h]∪j跟随Y)：εj＝sj-Y＝sj-maxj∈[1，h]，i∈[1，o]{maxk∈[1，r](xki)TWi2XiT+B1o(i)}+B2o(j)；反推该次迭代的二次计算误差：由二次计算误差修正连接参数W1，W2，得到修正参数W′1，W′2：多次循环达到GA最优条件后，得到最优连接参数和神经网络预警模型。本专利技术的有益效果为：该专利技术所述的方法解决了目前航空业缺乏专业高性能的事故预警方法模型的问题，可实时预警并指导相关人员采取措施，降低航空事故的发生概率，具有专业、高效和高可靠性的有益效果。附图说明图1为基于GA修正神经网络的航空事故实时预警方法流程图。图2为连接参数的反向修正过程图。具体实施方式如图1，基于GA修正神经网络的航空事故实时预警方法流程图所示，A.根据历史数据，建立数据清洗规范：在航空业务运行中，与航空安全或事故相关的样本特征来源具有多样化的特点，具体表现在：(1)特征数据不局限于本单位的数据，比如航空器的飞行阶段，需要机组成员的数据和地面区调、站调、塔台等空中交通管制单位的相关数据，这些数据来源于多个协同单位，呈现多样化。(2)本单位的数据来源具有多样性，例如标记航空器运行的FPL报数据来源于航空报文系统，起降阶段密切关注的气象报文METAR和TAF报来自本单位的观测系统地面站坪信息又来自于地面AOC的FIMS和OMMS系统。除了样本特征来源的多样化外，数据的采集方式和实时性也复杂多变。因此，要完成航空事故的实时预警，首先需要建立一套符合航空业行业特性的数据清洗规范，后续的步骤才有意义。数据清洗规范的建立思路采用：数据分域-计算各特征域的正域和依赖度-计算各特征项对论域Z的重要度-建立清洗规则。具体方式如下：(1)将历史数据划分为论域向量Y，其属性集合记为M和特征域矩阵F＝(f1，f2，...，fn)，其属性集合记为N，并划分出各自的值域；构建决策系统记为D：则有D＝(Y，M∪N)；(2)根据Y，M，N，进行集合运算可得到Z/M和Z/N，进而算得N的M正域：PosN(M)＝N·M(即M关于N的下逼近)；将特征域F＝(f1，f2，...，fn)依次去掉某一个特征fi∈(f1，f2，...，fn)得到特征集合F1，F2，...，Fn；对上述特征集合进行粗糙分类：Z/F1，Z/F2，...，Z/Fn；进而可算得论域Z关于Fi(i＝1，2，...，n)的依赖度：(3)建立数据清洗规范：设定重要度阈值记为，在本专利技术应用案例中，为确保实施的可靠性，建议依据得到的γF(Z)和，计算各特征属性fi的重要度，记为：建立规则：若则表明特征属性fi对于预警结果是重要的；若则属性fi对于预警结果非重要，可以直接清洗掉该属性。B.采用GA算法优化网络连接参数：(1)网络拓扑结构和优化参数的确定：首先假设目标神经网络的拓扑结构如下(本陈述采用基本结构——单隐含层神经网络，对于多隐含层的深度学习神经网络同理)：输入层神经元个数记为r；隐含层神经元个数记为h；输出层神经元个数记为o；拓扑结构确定后，计算GA编码长度，即上述拓扑结构的连接参数本文档来自技高网...

【技术保护点】
一种基于GA修正神经网络的航空事故实时预警方法，其特征在于：包括以下步骤：A.根据历史数据，建立数据清洗规范；B.采用GA算法优化网络连接参数；C.设计前层激活函数；D.误差的反向修正。

【技术特征摘要】
1.一种基于GA修正神经网络的航空事故实时预警方法，其特征在于：包括以下步骤：A.根据历史数据，建立数据清洗规范；B.采用GA算法优化网络连接参数；C.设计前层激活函数；D.误差的反向修正。2.如权利要求1所述的基于GA修正神经网络的航空事故实时预警方法，其特征在于：所述步骤A的建立思路为：数据分域-计算各特征域的正域和依赖度-计算各特征项对论域Z的重要度-建立清洗规则，其具体方式为：(1)将历史数据划分为论域向量Y，其属性集合记为M和特征域矩阵F＝(f1，f2，...，fn)，其属性集合记为N，并划分出各自的值域；构建决策系统记为D：则有D＝(Y，M∪N)；(2)根据Y，M，N，进行集合运算可得到Z/M和Z/N，进而算得N的M正域：PosN(M)＝N·M；将特征域F＝(f1，f2，...，fn)依次去掉某一个特征fi∈(f1，f2，...，fn)得到特征集合F1，F2，...，Fn，对上述特征集合进行粗糙分类：Z/F1，Z/F2，...，Z/Fn；进而可算得论域Z关于Fi(i＝1，2，...，n)的依赖度：(3)建立数据清洗规范：设定重要度阈值记为θ0，θ0∈[0.01，0.05]，依据得到的γF(Z)和计算各特征属性fi的重要度，记为：建立规则：若θFZ(fi)≥θ0，则表明特征属性fi对于预警结果是重要的；若θFZ(fi)＜θ0，则属性fi对于预警结果非重要，可以直接清洗掉该属性。3.如权利要求2所述的基于GA修正神经网络的航空事故实时预警方法，其特征在于：所述步骤B的具体方式为：(1)网络拓扑结构和优化参数的确定：首先假设目标神经网络的拓扑结构如下：输入层神经元个数记为r；隐含层神经元个数记为h；输出层神经元个数记为o；然后计算GA编码长度，即上述拓扑结构的连接参数和，记为S：S＝r·h+h·o+h+o；另外，迭代次数记为g，输入-隐含层的计算值为：A1，隐含-输出层的计算值为A2，样本数据中实际结论记为T；(2)解码方式根据GA编码S的构成，可将优化目标划分为4部分，输入-隐含层连接权值矩阵记为W1，隐含-输出层连接权值矩阵记为W2，隐含层神经元阈值向量记为输出层神经元阈值向量记为每次GA迭代后的结果记为X，则上述目标参数按如下方式解码：

【专利技术属性】
技术研发人员：盛和超，仲颖慧，刘雪，
申请(专利权)人：山东衡昊信息技术有限公司，
类型：发明
国别省市：山东,37