基于遗传算法优化Elman神经网络的气象参数预测方法技术

本发明专利技术公开了一种对飞机结冰气象参数MVD和LWC的预测方法，包括根据结冰计算的结冰冰形，获取测点位置的结冰厚度和结冰速率，建立有效结冰冰厚和结冰速率的数据库；将飞行速度、环境温度、机翼攻角、结冰有效厚度以及结冰速率作为输入参数，利用遗传算法优化初始权值和阈值的Elman神经网络进行训练，预测输出气象参数平均有效水滴直径MVD和液态水含量LWC。本发明专利技术基于遗传算法优化Elman神经网络预测结冰气象参数MVD和LWC的方法精度提高，误差减小，可进行实时预测，为为防除冰系统的完善和结冰适航认证提供有效可靠的技术支持，应用前景可观。景可观。景可观。

【技术实现步骤摘要】
基于遗传算法优化Elman神经网络的气象参数预测方法


[0001]本专利技术涉及飞机防除冰领域，尤其涉及一种遗传算法优化Elman神经网络的飞机结冰气象参数MVD和LWC预测方法。

技术介绍

[0002]飞机结冰一直是航空安全的主要威胁之一，飞机机翼结冰，会引起飞机气动外形的改变，导致飞机气动性能和操作性能的下降，严重威胁飞机的飞行安全。对结冰气象参数进行实时准确的探测，能够为飞机防除冰系统的开启和关闭以及机身能源的合理分配提供准确的指导。此外，在飞机结冰适航认证中，对于大气结冰测试环境有一定的要求，大气环境的多变性往往为适航认证造成了很大的困难，不易产生相应的测试环境，对大气结冰环境的气象参数进行实时有效的探测，能为飞机结冰的适航认证提供一定的技术支持。

技术实现思路

[0003]为解决上述
技术介绍
中的问题，提供基于遗传算法优化Elman神经网络的飞机结冰气象参数平均有效水滴直径MVD和液态水含量LWCLWC预测方法。
[0004]技术方案：本专利技术基于遗传算法优化Elman神经网络的飞机结冰气象参数MVD和LWC预测方法如下：
[0005]首先计算不同结冰条件下的机翼结冰冰形，获取有效冰厚和结冰速率的数据，建立结冰数据库，根据所建立的结冰数据库对遗传算法优化的Elman神经网络进行训练，以飞行速度、环境温度、机翼攻角、结冰有效厚度以及上下时刻的结冰速率作为输入参数，训练的网络模型对气象参数平均有效水滴直径MVD和液态水含量LWC进行实时预测输出。训练和预测步骤如下：
[0006]进一步的，根据《中国运输类飞机适航标准[CCAR
‑
25
‑
R4]》附录C列出的LWC、MVD与T的关系，结合其他飞行参数，随机取值设置不同结冰条件；
[0007]进一步的，根据上述条件计算大量不同结冰条件下的机翼结冰冰形，根据结冰冰形的不同，选择测点位置，获取机翼上测量点处的有效结冰厚度和上下时间间隔的结冰速率，建立结冰冰厚与结冰速率数据库；
[0008]进一步的，神经网络输入条件为结冰数据库中的飞行速度、环境温度、机翼攻角、结冰厚度以及结冰速率等参数，气象参数MVD和LWC作为神经网络输出条件，对基于遗传算法优化的Elman神经网络进行训练；
[0009]进一步的，训练过程中，遗传算法针对Elman神经网络的初始权值和阈值进行优化，经过设置遗传算法进化次数，满足迭代次数停止训练；
[0010]进一步的，在获取上述的算法优化的最优权值和阈值后，将权值和阈值赋值给的Elman神经网络进行训练，将训练完成后的网络模型对新的数据进行预测，即可实现实时结冰气象参数MVD和LWC的预测。
[0011]本专利技术有益效果：本专利技术根据二维翼型的数值计算得到的结冰外形获取结冰冰厚
和结冰速率，并建立结冰冰厚与结冰速率数据库，以飞行速度、环境温度、机翼攻角、结冰有效厚度以及结冰速率作为输入参数，针对单纯的Elman神经在训练时，初始权值和阈值难以确定，而随机的初始权值和阈值可能会导致网络在训练过程中局部收敛，陷入局部最优的情况。遗传算法优化Elman神经网络的初始权值和阈值，经过若干组初始权值和阈值组成种群的迭代进化，选择满足迭代进化次数的最终的新种群中的最优个体，即种群中最优的一组的初始权值和阈值，再将算法优化的最优权值和阈值导入Elman神经网络,进行训练以及预测气象参数平均有效水滴直径MVD和液态水含量LWC，本专利技术提出的方法预测精度提高，误差减小，可实现实时测量，为防除冰系统的完善和结冰适航认证提供有效可靠的技术支持。
附图说明
[0012]图1是[CCAR
‑
25
‑
R4]附录C中间断最大结冰状态的LWC与温度T、MVD三者的关系图；
[0013]图2是五点测量结冰冰形有效冰厚的示意图；
[0014]图3是遗传算法优化Elman神经网络流程图；
[0015]图4是神经网络模型构建拓扑结构图；
[0016]图5是Elman神经网络结构示意图；
[0017]图6是隐含层不同神经元个数的均方误差对比图；
[0018]图7是MVD预测输出与期望输出对比图；
[0019]图8是LWC预测输出与期望输出对比图。
具体实施方式
[0020]下面结合附图对本专利技术的技术方案做进一步的详细说明：
[0021]根据《中国运输类飞机适航标准[CCAR
‑
25
‑
R4]》附录C中间断最大结冰状态的LWC、MVD与温度T的关系，以及飞行参数，设置不同的结冰条件。
[0022]机翼的结冰主要集中在机翼的前缘，在二维机翼的前缘驻点以及上下翼面沿弦长0.5％和1％位置处设置结冰冰厚的测点。本专利技术以NACA0012二维翼型为例，结冰厚度测量点为上缘弦长和下缘弦长的1％、0.5％处以及前缘驻点处，共5个测量点，弦长c＝0.303m，飞行高度为2km，总结冰时间为240s，单步结冰时间30s，设置的结冰条件如下表1：
[0023]表1结冰条件表
[0024][0025]根据《中国运输类飞机适航标准[CCAR
‑
25
‑
R4]》附录C中的间断最大结冰状态的LWC、MVD与温度T三者的关系，如图1所示，LWC可由温度T与MVD查图得出，其余参数在所设范围内随机取值。
[0026]本专利技术一共计算188组结冰条件下的冰形，对每一组计算的冰形进行五个测点的冰厚取值以及计算测点位置的结冰速率，建立气象参数MVD、LWC、机翼攻角、环境温度、飞行速度与结冰冰厚和结冰速率对应的数据库，其中165组数据用于神经网络模型的训练，23组数据用于模型训练完成后的验证。
[0027]在数据训练和预测之前要进行归一化和反归一化处理，减小因为不同数据的数量级差异过大，导致网络性能不佳。图为遗传算法优化Elman神经网络的基本流程示意图如图3所示，主要为两部分，一是遗传算法优化初始权值和阈值；二是将最优的初始权值和阈值导入神经网络进行训练和预测。其中，遗传算法优化Elman神经网络的初始权值和阈值的步骤主要包括种群的初始化、确定适应度函数、选择操作、交叉操作和变异操作。(1)种群的初始化：将神经网络的一组输入层与隐含层链接权值、隐含层阈值、隐含层与输出层链接权值以及输出层阈值四个部分实数编码为一个个体，即个体包含了神经网络全部权值和阈值，再由多个个体组成一个种群，这里选择种群个体的规模为25。(2)确定适应度函数：为实现种群中优良的个体代替低劣的个体，将训练后的Elman神经网络预测输出和期望输出的绝对误差之和作为判断个体优劣的适应度准则F，其计算公式如下：
[0028][0029]式中：n为网络输出的节点数，在这里指的是上文的23组测试样本的总个数；P
i
为神经网络第i个节点的预测输出，这里是指测试样本中第i个数据通过神经网络模型预测得到的气象参数MVD、LWC的值；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于遗传算法优化Elman神经网络的气象参数预测方法，其特征在于，包括：获取不同结冰条件下机翼结冰冰形数据，将所述机翼结冰冰形数据输入到训练好的Elman神经网络模型得到气象参数的预测结果；所述Elman神经网络模型以飞行速度、环境温度、机翼攻角、结冰有效厚度以及结冰速率作为输入参数，气象参数平均有效水滴直径MVD和液态水含量LWC为输出；所述Elman神经网络模型基于遗传算法优化权值和阈值赋值神经网络进行训练。2.根据权利要求1所述的基于遗传算法优化Elman神经网络的气象参数预测方法，其特征在于，所述机翼结冰冰形数据通过以下过程得到：根据《中国运输类飞机适航标准[CCAR
‑
25
‑
R4]》附录C列出的LWC、MVD与温度T的关系，结合飞行参数，随机取值设置不同结冰条件，进行数值计算结冰冰形，得到机翼结冰冰形数据。3.根据权利要求1所述的基于遗传算法优化Elman神经网络的气象参数预测方法，其特征在于，设定机翼结冰冰形数据的测点，在所选的测点位置处获取每个测点的冰厚数据；通过二维翼型的结冰冰厚数值计算获取机翼积冰随时间步长而增长的结冰外形，在二维翼型的靠近...

【专利技术属性】
技术研发人员：王逸斌，朱春玲，赵宁，朱程香，田琳琳，李扬，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：