姜　琴， 王　林

(1.青島工學(xué)院 信息工程學(xué)院， 山東 青島 266300； 2.中國(guó)人民解放軍92886部隊(duì)， 山東 青島 266300)

?

BAM神經(jīng)網(wǎng)絡(luò)在鳥情預(yù)測(cè)中的應(yīng)用

姜琴1， 王林2

(1.青島工學(xué)院 信息工程學(xué)院， 山東 青島 266300； 2.中國(guó)人民解放軍92886部隊(duì)， 山東 青島 266300)

摘要：通過(guò)對(duì)某機(jī)場(chǎng)環(huán)境因素、鳥類活動(dòng)等數(shù)據(jù)進(jìn)行綜合分析，在收集、規(guī)范、完善鳥情數(shù)據(jù)集的基礎(chǔ)上，給出了鳥情數(shù)據(jù)預(yù)處理方法，提出了基于BAM(雙向聯(lián)想記憶)神經(jīng)網(wǎng)絡(luò)算法的鳥情預(yù)測(cè)模型，確定了鳥情預(yù)測(cè)模型輸入、輸出參數(shù).通過(guò)機(jī)場(chǎng)實(shí)際鳥情數(shù)據(jù)對(duì)鳥撞模型做仿真預(yù)測(cè)，仿真結(jié)果證明BAM神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的前饋型神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差更小，預(yù)測(cè)效果更好.

關(guān)鍵詞：雙向聯(lián)想記憶； 鳥情預(yù)測(cè)； 數(shù)學(xué)模型

鳥類因無(wú)法躲避空中飛行的飛機(jī)，造成與飛機(jī)相撞的事故，民航專業(yè)術(shù)語(yǔ)稱之為鳥撞[1].鳥撞是威脅飛行安全的一個(gè)重要因素，已經(jīng)被航空界確定為最嚴(yán)重的“A”類航空安全災(zāi)難[2].就目前而言，對(duì)于鳥撞問(wèn)題的現(xiàn)有研究和應(yīng)用大部分都圍繞著鳥撞的生態(tài)防治展開，雖然已經(jīng)初步嘗試與信息技術(shù)結(jié)合進(jìn)行鳥情的采集軟件與鳥類識(shí)別軟件的開發(fā)[3]，但是缺乏對(duì)鳥情問(wèn)題的定量研究及鳥情的預(yù)測(cè)研究，而鳥情的預(yù)測(cè)對(duì)鳥撞的預(yù)防有非常重要的意義.傳統(tǒng)的預(yù)測(cè)方法有統(tǒng)計(jì)法、實(shí)驗(yàn)法和觀察法等，存在著不具備聯(lián)想和自學(xué)習(xí)功能等問(wèn)題.隨著人工智能的發(fā)展，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)建模的研究應(yīng)用已經(jīng)在多個(gè)領(lǐng)域開展并取得了一定成果[4]，由此可以得知，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于鳥情預(yù)測(cè)具有可行性和可操作性.在鳥情的預(yù)測(cè)中，日照時(shí)間，溫度，氣壓，風(fēng)力，風(fēng)向是影響鳥類活動(dòng)的最主要的因素，然而這些因素的未來(lái)數(shù)據(jù)都較難獲取，因此，它們都需要依靠其他的預(yù)測(cè)方法來(lái)得到，但是預(yù)測(cè)值的誤差必然傳入鳥情的預(yù)測(cè)模型中，這樣就會(huì)給預(yù)測(cè)結(jié)果帶來(lái)更大的誤差.為了減小鳥情預(yù)測(cè)誤差問(wèn)題，本文首次提出了應(yīng)用BAM神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)鳥情，通過(guò)對(duì)鳥情、棲息地生態(tài)環(huán)境的一系列調(diào)查研究，將所得資料結(jié)合天氣情況與驅(qū)鳥干擾活動(dòng)狀況等進(jìn)行綜合分析、判斷[5]，對(duì)未來(lái)一段時(shí)間內(nèi)的鳥情做出判斷.實(shí)驗(yàn)中通過(guò)對(duì)歷史數(shù)據(jù)的測(cè)試，發(fā)現(xiàn)其對(duì)于鳥情活動(dòng)的預(yù)測(cè)相比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)精度上有一定程度的提高.

1BAM神經(jīng)網(wǎng)絡(luò)概述

BAM雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)是一種反饋型的神經(jīng)網(wǎng)絡(luò)[6]，通過(guò)多次反饋訓(xùn)練的模式來(lái)進(jìn)行鳥情預(yù)測(cè)，它具有聯(lián)想記憶，自適應(yīng)性能力強(qiáng)，參數(shù)自動(dòng)提取等優(yōu)點(diǎn)，并且預(yù)測(cè)誤差較小，自1987年出現(xiàn)以來(lái)便得到廣泛應(yīng)用.BAM雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示.

圖1 BAM神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

(1)

(2)

2BAM神經(jīng)網(wǎng)絡(luò)對(duì)鳥情預(yù)測(cè)建模

2.1鳥情預(yù)測(cè)的數(shù)據(jù)處理

把影響鳥類出現(xiàn)的因素?cái)?shù)據(jù)U={x1,x2，…，xn}作為所需分類研究的對(duì)象，而每個(gè)對(duì)象又由m個(gè)指標(biāo)表示其性質(zhì)狀態(tài)，即xi={xi1,xi2，…，xim}(i=1,2,…,n)，由于在實(shí)際問(wèn)題中影響鳥情出現(xiàn)的因素可能有不同的性質(zhì)和不同的量綱，所以可以對(duì)原始的因素?cái)?shù)據(jù)進(jìn)行平移(標(biāo)準(zhǔn)差變換)，以此來(lái)消除不同因素量綱之間的差異，即令

(3)

式中：

這樣，對(duì)每一組輸入數(shù)據(jù)所包含的所有環(huán)境因素都進(jìn)行平移標(biāo)準(zhǔn)差變換后再作為輸入層的輸入，經(jīng)過(guò)加權(quán)后，在輸出層得到輸出值作為預(yù)測(cè)鳥的數(shù)量，輸出層的輸出值反饋到輸入層和下一層的輸入總體來(lái)作為輸入，再次加權(quán)后，得到第二次的輸出，如此反復(fù)，把最后一次的輸出作為預(yù)測(cè)鳥的數(shù)量，以達(dá)到精確預(yù)測(cè)鳥類活動(dòng)的目的.

2.2基于BAM神經(jīng)網(wǎng)絡(luò)的鳥情預(yù)測(cè)模型

(5)

(6)

又假設(shè)用于設(shè)計(jì)網(wǎng)絡(luò)的M組模式對(duì)是相互正交的，則一定存在：

(7)

(8)

現(xiàn)取影響鳥類出現(xiàn)的因素輸入，其輸出節(jié)點(diǎn)的傳輸函數(shù)為符號(hào)函數(shù)，則對(duì)于任一影響鳥情出現(xiàn)的因素輸入矢量xl∈{xm,m=1,2,…，M}，可推導(dǎo)當(dāng)前時(shí)刻的鳥情輸出，見式(9).

(9)

即由環(huán)境因素xl很自然的聯(lián)想到鳥情的數(shù)量yl，同樣，對(duì)于任一輸入yl∈{ym,m=1,2，…，M},由yl也能很自然地能聯(lián)想到xl.

如果網(wǎng)絡(luò)同步更新單元的激活值，則其方程式(10)為：

(10)

(11)

式中:yi(t)為t時(shí)刻輸出端B層單元i的激活值，即為預(yù)測(cè)的鳥情數(shù)量.同理可得到B層單元激活值的更新方程，則總體的單元激活值預(yù)測(cè)方程見式(12).

(12)

BAM神經(jīng)網(wǎng)絡(luò)具體算法如下：

(1)給A層或B層提供一個(gè)輸入模式；

(2)將A層單元的激活值同步(或異步的)通過(guò)連接權(quán)矩陣W送到B層單元中；

(3)計(jì)算B層單元的實(shí)際激活值；

(4)然后將B層單元的實(shí)際激活值通過(guò)WT反饋到A層中；

(5)計(jì)算A層單元中的激活值；

(6)重復(fù)步驟(2)至(5)，直到所有A層與B層單元的激活狀態(tài)達(dá)到穩(wěn)定為止，這時(shí)就可使網(wǎng)絡(luò)達(dá)到平衡狀態(tài).

3實(shí)驗(yàn)與分析

以某機(jī)場(chǎng)一年的麻雀活動(dòng)日值記錄數(shù)據(jù)為例，麻雀的出現(xiàn)隨機(jī)性較強(qiáng)，本研究采用基于BAM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型來(lái)進(jìn)行預(yù)測(cè)，通過(guò)MATLAB仿真，將預(yù)測(cè)結(jié)果與較成熟的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值作效果對(duì)比，其對(duì)比圖如圖2所示.

圖2　BAM與BP對(duì)鳥情預(yù)測(cè)的對(duì)比圖

如圖2所示預(yù)測(cè)的結(jié)果，基于 BAM 神經(jīng)網(wǎng)絡(luò)的鳥情預(yù)測(cè)模型對(duì)于鳥情擬合效果更好，較BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值更加接近真實(shí)值.

BAM神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)鳥情預(yù)測(cè)的絕對(duì)誤差率的對(duì)比圖如圖3所示.

圖3　BAM與BP預(yù)測(cè)誤差對(duì)比圖

實(shí)驗(yàn)表明，應(yīng)用BAM神經(jīng)網(wǎng)絡(luò)進(jìn)行鳥情預(yù)測(cè)的誤差為8.53%，較BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差18.97%小，預(yù)測(cè)效果較好.

4結(jié)束語(yǔ)

本文對(duì)BAM神經(jīng)網(wǎng)路應(yīng)用于鳥情預(yù)測(cè)問(wèn)題進(jìn)行了初步嘗試，并給出了基于BAM神經(jīng)網(wǎng)絡(luò)的鳥情預(yù)測(cè)模型的實(shí)現(xiàn)步驟和方法，以某機(jī)場(chǎng)的鳥情數(shù)據(jù)驗(yàn)證，證明了BAM神經(jīng)網(wǎng)絡(luò)具有良好的預(yù)測(cè)效果，它不僅解決了BP 網(wǎng)絡(luò)的收斂速度較慢的問(wèn)題，而且預(yù)測(cè)結(jié)果更加準(zhǔn)確.BAM神經(jīng)

網(wǎng)絡(luò)的自穩(wěn)定性較好，收斂速度較快，可以不斷地動(dòng)態(tài)更新預(yù)測(cè)的數(shù)據(jù)，其預(yù)測(cè)誤差較小，可以廣泛用于機(jī)場(chǎng)的鳥情預(yù)測(cè)，為機(jī)場(chǎng)區(qū)域航空安全提供準(zhǔn)確有效的科學(xué)支持.

參考文獻(xiàn)：

[1]謝騰.基于ZigBee技術(shù)的機(jī)場(chǎng)鳥情防撞系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].濟(jì)南：山東師范大學(xué)，2012.

[2]趙媛.機(jī)場(chǎng)鳥害的生態(tài)防治方法研究[J].科技風(fēng)，2013(8)：276.

[3]牛家洋，王洪國(guó)，邵增珍，等. BP人工神經(jīng)網(wǎng)絡(luò)算法在鳥情時(shí)間序列預(yù)測(cè)的應(yīng)用[J].信息技術(shù)與信息化，2013(3)：93-97.

[4]呂克，徐夫田，舒文迪.基于神經(jīng)網(wǎng)絡(luò)的鳥撞預(yù)測(cè)模型應(yīng)用研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2012，5(22)：90-93.

[5] 張亮，陳泳任， 李 杰.基于多Agent的機(jī)場(chǎng)鳥情預(yù)測(cè)預(yù)報(bào)系統(tǒng)研究[J].內(nèi)江科技，2013(3)：161-162.

[6] 魏雪蕊,柯云泉.隨機(jī)Cohen-Grossberg-type BAM神經(jīng)網(wǎng)絡(luò)的均方指數(shù)穩(wěn)定性[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2012,42(17):199-205.

(編輯：姚佳良)

Application of BAM neural network in the avian information prediction

JIANG Qin1, WANG Lin2

(1.School of Information Engineering, Qingdao University of Technology, Qingdao 266300, China；2.92886 Troops, The Chinese People′s Liberation Army, Qingdao 266300, China)

Abstract:By means of synthetical analyzing data on the factors of airport atmosphere and bird activities,the bird prediction model based on the BAM (bidirectional association memory) neural network algorithm has been proposed on the base of collecting, normalizing,improving the dataset of bird information,while the pretreatment for bird information data is given and the inputting and outputting parameters of bird information prediction model is determined.By simulating and predicting the model that has trained through the practical bird information data at an airport,the simulation results prove that the prediction model of BAM neutral network has smaller prediction error and better prediction effect than the tradition feedforward neural network.

Key words:BAM; avian information prediction; mathematical model

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-6197(2016)03-0050-03

作者簡(jiǎn)介：姜琴,女, ritajq@126.com

基金項(xiàng)目：青島工學(xué)院2014年度董事長(zhǎng)基金項(xiàng)目(2014KY003)

收稿日期：2015-06-17