[发明专利]利用遗传算法优化BP神经网络的方法及其在定位中的应用

说明书

本发明涉及利用遗传算法优化BP神经网络的方法，基于该方法的多点定位系统以及多点定位系统中目标物位置的确定方法，本发明的优化BP神经网络的方法包括：确定遗传算法和BP神经网络的结构；将从BP神经网络中随机确定的权值和阈值划分为多个组，进而形成多个种群，从中筛选最大适应度值的个体形成初始种群；从初始种群经过选择、交叉、变异操作获得较优权值和阈值，在每个交叉变异周期结束后，检查种群是否发生遗传退化，在退化时淘汰劣质个体，补充其它个体；改进BP神经网络，输出结果。本发明避免了现有技术中最符合条件、适应度最大的个体没有被选择的缺陷，解决了现有技术中种群个体多样性逐渐变差的问题，提高了BP神经网络在数据预测过程中的收敛速度。

技术领域

本发明涉及大数据分析技术领域，具体涉及一种利用遗传算法优化BP神经网络的方法、基于该方法的多点定位系统以及多点定位系统中目标物位置的确定方法。

背景技术

多点定位系统作为一种先进的机场场面监视技术，其定位精度高、刷新速率快、覆盖范围广、站点配置灵活，特别是在低可见度的天气下，能大大提高管制能力，提升飞行保障安全等级，因此其在世界很多大型机场都被广泛应用，成为ICAO(国际民航组织)提出的先进场面活动引导和控制系统(A-SMGCS)的核心技术。

多点定位系统中定位算法是其核心部分，算法的优劣直接关系到定位精度的高低。多点定位系统主要采用到达时间差(TDOA)原理对目标进行定位，即利用搭载了应答机(ADS-B模式)的飞机或车辆向外不断地发射位置和状态信息，根据信号到达不同基站的时间差从而确定目标的具体位置，其原理如图1及图2所示。

其中，BS(base station)代表多点定位系统中的基站，d代表目标与基站的距离，T₀代表初始时间，TOA代表信号到达基站的时间。

根据TDOA原理可知，目标定位就是求解下列非线性方程组：

其中，(x,y,z)表示目标位置，(x_i,y_i,z_i)表示地面基站坐标。R_i表示目标到第i个基站间的距离，R_i,1表示飞机到达主站与第i个副站间的距离差。c表示无线电磁波传播速度，τ_i,1表示飞机发出的信号到达主站与第i副站间的时间差。

传统的求解多点定位系统中的目标位置的算法如Taylor、Chan氏算法等对信号强度要求较高，同时需要较高的时间同步，Taylor算法还需要初始预测值。因此，传统的定位算法由于外部设备及算法自身的缺陷导致了定位精度的降低。GA-BP算法(遗传算法优化BP神经网络)将实验测得的大量数据进行训练，不断进行优化，通过设定误差值，从而得到满足要求的输出。GA-BP算法对信号强度要求较低，不需要设定初始值，只需要大量的实验数据，并且只需确定好网络结构将其嵌入到多点定位系统，就可以实现目标定位。这种算法不但可以提高定位精度，并且由于其结构经过了训练，定位速度较快。

遗传算法优化神经网络(GA-BP)目的是通过遗传算法得到更好的网络初始值和阈值，通过遗传算法的种群初始化、适应度函数、选择操作、交叉操作和变异操作优化BP神经网络的初始值和阈值，从而使BP神经网络更好地进行数据预测输出。

GA-BP算法实质是是通过GA(遗传算法)优化BP神经网络的权值和阈值。在GA-BP算法流程中，首先要确定BP网络的拟合空间，即利用遗传算法的全局寻优能力，在整个解空间中寻找一组较优的权值和阈值；然后将一部分较优的权值阀值赋予BP网络，作为BP网络中最优解的初始权值阀值，使得BP网络在较优初始权值阀值的周围寻找到预测误差最小时所对应的那一组最优权值阀值，作为BP网络的运算结果。

GA-BP算法无法从根本上避免BP网络陷入局部最优，加快BP神经网络的收敛速度，主要原因有：