第 28 卷 第 12 期
Vol. 28 No. 12
控 制 与 决 策
Control and Decision
2013 年 12 月
Dec. 2013
基于 EPSO-BP 的 Elman 网络及其在飞行轨迹预测中的应用
文章编号: 1001-0920 (2013) 12-1884-05
王俭臣
a
, 齐晓慧
a
, 单甘霖
b
(军械工程学院 a. 无人机工程系，b. 电子与光学工程系，石家庄 050003)
摘 要: 针对 BP 训练方式采用梯度法易导致局部收敛的不足, 提出一种融合进食粒子群算法 (EPSO) 和梯度法
的 Elman 网络优化方法. 首先, 通过模拟鸟群进食行为得到一种 EPSO 算法, 以改善标准 PSO 的全局性能; 然后, 将
EPSO 用于 Elman 网络权值的全局优化, 同时将梯度法用于 EPSO 的进食过程局部搜索, 以提高解的局部收敛性能;
最后, 将该网络优化方法用于飞行轨迹预测实验, 仿真结果表明了其有效性.
关键词: Elman 网络；融合方法；进食过程；轨迹预测
中图分类号: TP18 文献标志码: A
Elman network based on EPSO-BP and its application in flight trajectory
prediction
WANG Jian-chen
a
, QI Xiao-hui
a
, SHAN Gan-lin
b
(a. Department of Unmanned Plane Engineering，b. Department of Electronics and Optics Engineering，Ordnance
Engineering College，Shijiazhuang 050003，China．Correspondent：WANG Jian-chen，E-mail：lichen197@163.com)
Abstract：：：To overcome the local convergence shortcoming of the gradient method used by the BP approach in the Elman
network training process, a combined training method of the exhaustion particle swarm optimization(EPSO) and gradient
method is built. An enhanced PSO algorithm(EPSO), which has better global property, is proposed by simulating feeding
behavior of birds. Then, the EPSO algorithm is applied to optimizing Elman network weights across the whole solution space,
and the gradient method is used in the exhaustion process of EPSO to improve the local convergence property. Finally, the
proposed training method is applied to flight trajectory prediction experiment, and simulation results show the effectiveness
of this method.
Key words：：：Elman network；combined method；exhaustion process；trajectory prediction
0 引引引 言言言
非线性系统辨识是控制理论研究的一个重要分
支, 特别适用于不确定性、高度复杂的动态系统. 神经
网络具有很强的非线性拟合能力, 是解决非线性、时
变等复杂系统辨识问题的有力工具
[1-2]
. 但是, 神经网
络应用的一个难点是缺乏工程化的设计原则, 其网络
结构和权值的优化问题一直备受关注. 针对网络权值
的优化问题, 传统基于梯度法的 BP 算法虽然搜索效
率高, 但对初始值依赖大且不具备全局搜索能力
[3]
.
近年来, 由于粒子群算法 (PSO) 具有全局性好并且操
作简单等优点, 在神经网络权值优化问题中得到了广
泛应用
[4-5]
, 但 PSO 也存在易陷入局部最优和后期搜
索速度慢等缺陷.
为避免陷入局部最优, 文献 [5-7] 分别利用变异、
克隆以及多种群竞争来改善粒子种群多样性, 但算
法后期收敛速度慢的问题仍没有得到改善. 针对算法
后期收敛速度慢的不足, 文献 [8] 将单纯形法作为局
部搜索器用于 PSO 后期收敛过程, 提高了后期收敛速
度和精度, 但对于复杂多极值问题仍不能保证获得全
局最优. 为兼顾全局收敛性和局部搜索性能, 本文首
先通过模拟鸟群进食行为, 提出一种全局性的进食粒
子群算法 (EPSO), 并将传统梯度法作为局部搜索器
用于 EPSO 的进食过程, 从而得到一种混合优化方法;
然后给出利用该方法的 Elman 网络权值优化过程; 最
后, 将所提出的方法用于无人机飞行轨迹预测实验,
其结果表明了所提出方法的有效性.
1 引引引入入入进进进食食食过过过程程程的的的 EPSO 算算算法法法
粒子群算法 (PSO) 是由 Eberhart 等
[9]
提出的一种
收稿日期: 2012-08-28；修回日期: 2013-01-31.
基金项目: 国防预研基金项目(513270203)；武器装备预研重点基金项目(9140A27020211JB3402).
作者简介: 王俭臣(1987−), 男, 博士生, 从事系统辨识、故障诊断的研究；齐晓慧(1962−), 女, 教授, 博士生导师, 从事
最优化理论、智能控制等研究.
资源评论
