文摘
空中交通管制是一个重要的工具,确保民航的安全。的部门做空中交通管制工作,减少不安全事件的百分比是安全管理的核心任务。如果不安全事件的百分比之间的关系及其影响因素可以有效地澄清,然后不安全事件的概率在一些控制部门可以预测。因此,重视提高安全管理水平。定量估计的概率不安全事件,介绍了一个三层BP神经网络模型。首先,不安全事件的概率表示与空中交通管制部门,然后,不同类别的概率的不安全事件和安全事件作为BP神经网络的输出,不安全事件的发生影响因素与空中交通管制作为输入,和乙状结肠函数选为隐层的激活函数。基于神经网络的误差函数,证明一般BP神经网络有两个缺点,用于培训的小概率事件,如下:该模式并不能保证所有事件的概率之和等于1和实际输出与期望输出之间的相对误差是很大的训练后的神经网络。证明本文的原因是不安全事件的发生率比这小得多的安全事件,导致每个重量在隐藏层受到的期望输出网络的安全事件当使用梯度下降方法培训。为了解决这个问题,提出了一个新的映射方法减少所需的输出之间的差异大的安全事件和不安全的事件。这是理论上证明本文提出的映射方法不仅可以提高训练精度,还保证概率的总和等于1。 Finally, a numeric example is given to demonstrate that the method proposed in this paper is effective and feasible.
1。介绍
中国有庞大的人口,巨大的地理区域,和自然资源的分布不均。促进经济发展和改善人民生活,不同地区之间的人员和货物的交换是非常频繁的。交通工具实现人员和商品的交换,和不同的运输方式有不同的特点。由于人口众多和不均匀分布的人口在中国,运输需求多样化,并满足不同的人的需求,中国政府一直致力于建立一个多元化的综合运输体系,建立一个综合交通网络整合铁路、公路、水路、民航(1- - - - - -5]。
中国民航的推广高端旅客,民用航空在中国变得越来越重要的综合交通系统。2019年,中国民航完成货物周转量1292.7亿吨公里,旅客6.6亿人次,7.526亿吨货物和邮件,增长率为7.1%,7.9%,和1.9%同比分别。speedability,安全的优点和方便,民用航空正在赢得越来越多的人的选择,和民航旅客运输的份额达到32.8%,较上年同期增长1.5%。航班的数量稳步上升,中国运输航空公司完成了4966200起飞,比上年增长5.8% (6]。
安全是主要的关心每一种运输方式。随着数量的增加航班,航线和机场变得越来越拥挤,和控制器的工作量不断增加,这为民航的安全带来了严峻的挑战。空中交通管理是确保民用航空安全的一个重要组成部分,和空中交通管理安全的先决条件是空中交通管制(ATC)的安全,使飞机的操作高效、有序,安全。ATC是服务提供的地面控制器直接飞机在地面上,通过管制空域,为飞机提供咨询服务在无控领空7]。ATC控制器部门变得越来越难以直接飞机,和航班数量的增加导致越来越不安全事件的可能性和风险增加空中交通管制部门的操作。
安全运行一直是民用航空所追求的目标,也是整个社会的焦点(8]。有许多因素影响空中交通管制部门的安全。空中交通管制员和飞行员在实现高水平的安全是至关重要的空中交通操作(9]。航班和扩大航线网络的增长导致了空中交通管理的工作量急剧增加,并逐步增加数量的ATC不安全事件对中国的发展有严重影响的民用航空10]。空中交通管理系统通常是高度互动、高度分散、复杂系统(11]。客观条件的变化导致的不确定性,和ATC安全出现的问题与各种不确定性在民航运输的过程中(10]。航班的增加导致需求大幅增加领空,这也各种不安全因素增加(12]。航空运输服务能力之间的矛盾,对运输的需求越来越突出。这是空中交通的安全风险控制操作(13]。有限的空域、人力和设备资源增加了空中交通管制员的压力和不安全事件的概率在航空运输增加了14]。由于动态和实时ATC控制操作过程的性质,其风险水平高于其他系统,控制因素更可能导致不安全事件(15]。组织和管理的风险因素在空中交通控制系统有一个复杂的对飞行安全的影响(16]。
为了提高空中交通管制的安全水平,以各种方式采取了不同的方法。安全完整性系统是现代化管理具有重要意义,它有助于建立一个安全完整性ATC系统(17]。全球网络的卫星通信、导航和监视是长期解决空中交通管理(18]。自动化删除现有的一些人为错误的来源,它可以避免一些事故(19]。安全文化建设在空中交通管制可以保护空中交通管制员20.]。在众多方法,空中交通管制的安全评估是常用的(19,21,22]。
中国政府高度重视民航安全。根据“安全管理规则的民航空中交通管理操作部门”发布的中国民用航空局,操作民航空中交通管制部门应当建立安全评估机制。然而,本文没有提出具体的实施计划或评估方法。原因是没有统一的风险评估方法,可以适用于任何情况。所以,在“规定民航空中交通管理安全评价”发布的中国民用航空局,民航局鼓励和支持研究和创新安全评估的方法和技术安全评估科学和规范。本文还指出,安全评估应选择合理的方法,基于条件、特点、和实际情况的需求。
因此,空中交通管制的安全评价一直是一个重要的研究课题在民用航空中,许多专家和学者在这一领域做出突出贡献。例如,小王和姚23)提出了一个模糊Petri网的方法来评估空中交通管制的风险。广域网和张24)处理的确定性和不确定性评估系统作为一个整体,建立基于博弈理论的风险评估模型和集对分析(SPA)。元等。25)认为,有很多的不确定性在空中交通控制安全评估,如随机性、不精确和模糊。他们介绍了法官的组合规则,改进并提出一个基于证据理论的ATC安全评估方法。姚明et al。(26)采用模糊Petri网和引入了风险水平阈值和层次分析法来减少模糊Petri网的复杂性用于ATC安全评估。小王和太阳27)用系统理论过程分析(STPA)来识别潜在的不安全行为的ATC操作系统,然后使用一阶线性时序逻辑(LTL)规范化识别不安全的行为。最后,他们提出了一个安全评价方法不安全的行为。廖et al。28),从概率论的角度,提出了概率安全评价方法对基于贝叶斯分析空中交通管制。
通过综合分析对这些文献的研究,可以发现,大多数当前的研究不安全事件在空中交通管制部门专注于安全评价或风险评估。ATC安全评价是综合评价的基础上,也就是说,在整个ATC安全为研究对象,建立相应的评价指标,设置每个评价指标的权重,每个评价指标得分,判断安全水平ATC安全状态属于通过每个指标的权重和索引的分数在给定的前提下安全水平。目前,大多数ATC安全评估的方法是定性评估的安全水平在空中交通管制部门,和很少有定量评估的概率不安全事件对一些空中交通管制部门。然而,地面运输领域的定量方法的应用非常广泛。例如,林等人使用混合深度学习模型和生成对抗网络交通事件检测(29日,30.]。地面交通事件检测领域的各种定量研究方法的使用是非常普遍的31日- - - - - -33]。的部门做空中交通管制工作,减少不安全事件的百分比在他们部门是安全管理的核心任务。如果不安全事件的百分比之间的关系及其影响因素可以有效地澄清,然后,不安全事件的概率在一些控制部门可以预测。为了定量估计的概率不安全事件,介绍了三层反向传播神经网络模型。考虑BP神经网络的训练精度不好当输出是小概率事件,介绍了相应的模型来改进它。
2。材料和方法
2.1。人工神经网络
一个人工神经网络(ANN)是模仿大脑神经元连接在复杂的模式从感官来处理数据,建立记忆,和控制身体。人工神经网络(ann)过程数据,并表现出一些情报。这是块计算系统用来模拟人类大脑的方式分析和处理信息34]。它是人工智能(AI)的基础和根本不可能解决问题或困难的由人类或统计标准。人工神经网络具有自学习能力,使他们能产生更好的结果,随着越来越多的数据变得可用。沃伦•麦克洛克和沃尔特·皮特提出第一个简单的系统,它们的起源人工神经网络(ann)在1940年代。他们证明了一个安可以学习任何算术或逻辑函数(35]。人工神经网络已被广泛应用于各个行业和取得了良好的结果36,37]。
2.2。一般的反向传播神经网络
有两种类型的人工神经网络,浅神经网络和神经网络。浅神经网络只有一个隐层的神经元处理输入并生成输出。深神经网络具有两个或两个以上的隐藏层神经元的输入过程。据专家(38),同样浅神经网络能解决复杂的问题。所以,我们使用浅神经网络来解决预测问题的概率不安全事件的空中交通管制部门。
反向传播算法,backpropagates输出节点的错误输入节点。神经网络训练的本质。的方法调整神经网络的权重根据获得的错误率在前面的迭代。它是一种标准的训练人工神经网络方法。这种方法有助于计算损失函数的梯度对网络中所有的重量。BP神经网络描述如下(39- - - - - -41]。给定一个浅神经网络具有三层神经元过程输入并生成输出。这种神经网络米输入的输入层,N在输出层输出,K隐层神经元(或节点)。输入层的输入向量 ,隐藏层的输入向量 ,在隐层输出向量 ,输出层的输入向量 ,输出层的输出向量 ,期望的输出向量 ,连接的重量米输入层的节点k在隐层节点 ,和连接的重量k在隐藏层节点n输出层的节点 。隐层中的每个神经元的偏见 ,输出层中的每个神经元的偏见 ,隐层的激活函数 ,和输出层的激活函数 。
BP神经网络使用反向传播算法训练网络。反向传播算法是常用的人工神经网络的训练。反向传播算法的基本思想是,学习过程包括两个过程:信号的正向传播和误差的反向传播。正向传播过程中,输入信号从输入层到输出层通过处理后的隐藏层。如果实际的输出不匹配所需的输出,然后,会变成误差的反向传播过程。BP神经网络的模型与一个隐藏层如图1。
的输入kth神经元隐层如下:
的输出kth神经元隐层如下:
的输入nth神经元的输出层如下:
的输出nth神经元的输出层如下:
的损失函数之间的网络输出和期望输出如下:
在网络训练一次,在每一层的变化值是通过梯度下降算法如下: 在哪里代表了体重的变化值米输入层的节点k在隐层节点。代表了体重的变化值k在隐藏层节点n在输出层节点。代表学习速率。
在网络训练,获得的偏差的变化值梯度下降算法如下: 在哪里代表的变化值n输出层中的偏见。代表的变化值k偏见在隐藏层。
BP神经网络广泛应用于各行各业的因为它的适应性强,包括非线性映射能力、自学习能力、自适应能力、泛化能力、容错能力、和其他优势(39,42,43]。与此同时,许多学者已经改善了BP神经网络在考虑其缺点和不足,使模型的准确性(44- - - - - -46]。本文介绍了BP神经网络的概率预测不安全事件在空中交通管制部门。不足的问题一般BP神经网络的预测精度,本文提出了一种改进方法。
2.3。基于反向传播神经网络建模
三个问题需要解决在计算ATC的概率不安全事件,利用BP神经网络:确定输入,输出,和激活函数。
2.3.1。ATC的概率表示事件
根据中国民用航空空中交通管理规则,ATC不安全事件可以分为五个层次对他们的严重性:事故、严重事故,一般事故,严重的错误,和一般的错误。每个类的不安全事件是严格的在这个文件中定义。
本文根据概率理论,定义了基本事件如下。首先,最基本的活动被定义为安全事件,是意外事件,代表事件的严重事件,代表通用事件的事件,代表严重的错误事件代表一般错误事件。基本事件的概率空间由 。 代表所有的子集的集合 ,有总元素,是一个域,每个子集在集合是一个事件。的概率是 ,然后,ATC事件的概率空间可以表示为 。定义单值的函数 (是一个整数形式的0到6站在概率空间不同的ATC事件) ,然后,随机变量是ATC事件。众所周知,是一个离散随机变量,可以看到的价值吗 。不同的值的概率可以表达的分布规律。在本文中定义的基本事件的集合,是一种特殊的基本事件 ,代表安全的事件。概率的一个重要特征是概率的归一化,这意味着所有事件的概率之和等于1。如果我们不考虑安全事件 ,正常化的概率不会满意,这将有一个坏影响预测的准确性。
2.3.2。反向传播神经网络的输出
输出通常是模型建造者关心的数据。从前面提到的分析,我们关心的是一个不安全的事件发生的概率在一个空中交通管制部门。因此,应该使用不安全事件的概率作为网络的输出。此外,如前所述,保证概率的归一化可以提高预测精度,所以安全事件的概率也包含在输出中。因此,使用基本事件的集合 作为网络的输出是最直接的方法。当然,也可以根据需要调整输出的研究目的。例如,如果我们只想知道所有不安全事件的总体概率和不关心这类不安全事件的发生,我们可以定义事件作为 。网络的输出事件的概率一个和安全事件的概率 。也就是说,根据研究问题的实际需要,网络的输出可以是任何集合的子集 。应该注意的是,为了满足概率的归一化,网络的输出事件必须分区设置 。
2.3.3。反向传播神经网络的输入
BP神经网络的输入,通常是一些影响因素,对空中交通管制的安全产生影响,包括控制器的技术水平,在管制空域数量的矛盾点,等等。确定输入的本质是建立指标体系影响空中交通管制部门的安全。输入指标体系的建立是相对灵活的,通常需要满足以下原则:指标的quantifiability,适度数量的指标,和方便的数据收集。有许多因素影响空中交通管制部门的安全,和各种影响因素之间的关系错综复杂,所以很难找到相同的影响因素适用于所有不同的空中交通管制部门。在ATC的安全管理,分析方法最常用的和公认的专家推荐的替代高能激光模型ICAO [23,47),描述了9859年医生称为安全管理手册。在这种方法中,ATC安全影响因素分为四个要素:硬件、人件、环境和管理。SHEL模型提供了一个全面的概述影响空中交通管制部门的影响因素。因此,在本文中,硬件,人件、环境和管理在SHEL模型作为神经网络的输入。接下来的问题是如何量化这四个输入。毫无疑问,人的不安全行为、设备故障、管理漏洞、客观环境的问题都可能导致不安全事件。所以,人的不安全行为的数量在空中交通管制部门人件可以用作输入数据。空中交通管制部门的设备故障的数量可以作为输入数据的硬件。空中交通管制部门的管理问题的数量可以作为输入数据的管理。空中交通管制部门的许多问题环境对环境可以作为输入数据。 Of course, the previously mentioned four inputs can be divided in depth according to the needs of the research. For example, the environment can be divided into the number of hazardous weather and the volume of flights. In short, the inputs of the neural network can be subdivided based on the previously mentioned four indicators in combination with the practical problems.
2.3.4。反向传播神经网络的激活函数
BP神经网络用于本文是一个三层结构,需要两个激活功能。在正常情况下,激活函数的选择需要由实际问题。当用于概率预测,它有其特殊性;即输出层的输出必须间隔(0,1)。因此,输出层选择不对称乙状结肠函数作为激活函数,如下所示,其范围也在区间(0,1):
考虑到输入域的输出层可能包含负数,如果隐层的激活函数选择不对称乙状结肠函数,输出层的输出作为输入不会覆盖域。因此,对称乙状结肠函数应该是一个更好的选择隐层如下,在区间的范围是(−1,1):
2.4。改进的BP神经网络
BP神经网络具有良好的容错能力和广泛应用于各行各业。不安全事件的概率在空中交通管制部门有其特殊性;如果我们直接将BP神经网络应用于概率预测,它会有很大的误差精度。所以,这需要改善。
2.4.1。一般的反向传播神经网络的问题
有几个问题直接使用普通BP神经网络来预测空中交通管制部门的不安全事件的概率。
在网络的训练过程中,输出不满足概率的归一化,即所有网络输出的概率之和不等于1。用于训练网络时预测,预测精度可能会受到影响。
有多个原因前面提到的问题。例如,输入不能完全覆盖所有的影响因素,量化的输入不足,缺乏和训练数据的数量。一些训练集的数据是不准确的,等等。简而言之,BP神经网络只能近似一个特定的函数,和错误是不可避免的。介绍了所以,如果一个约束,确保输出的总和等于1在每个培训的时代,这个问题可以得到解决。
ATC不安全事件是小概率事件。也就是说,空中交通管制部门的不安全事件的概率很低而安全事件的概率。当BP神经网络的连接权重调整,体重的变化主要是受安全事件的概率。这将导致整个网络的培训是由错误的安全事件,使不安全事件的相对误差很大。接下来,我们证实了这一点,从BP神经网络的原则。
为方便证据,案件被认为是,只有两个输出是BP神经网络。用于表示输出, 代表安全事件, 代表不安全事件。因为不安全事件是一个小概率事件,这意味着所需的不安全事件的概率远小于所需的安全事件的概率。例如,2020年,不安全事件是0.0056在中国民用航空10000次航班。2019年,不安全事件的速度是0.0043每10000中国民用航空的航班。结果显示如下: 在哪里代表所需的不安全事件和概率代表所需的安全事件的概率。
下面是来自(5):
在培训过程中,当BP神经网络的实际输出接近目标吗 ,有 ,以下可以证明,像(16):
以下显然适用:
从(22)和(23),很容易发现重量的变化从输入层到隐层主要是由安全事件的概率。因此,当体重变化是基于错误,安全事件的结果更好,但是对于不安全与小概率事件是更糟。
这种情况是正常的一般处理方法的输入和输出,输入和输出映射到相同的时间间隔通过一个函数。这种方法可以减少输入和输出之间的差异,减少错误,提高准确性。预测后,可以将输出概率虽然反向正常化。然而,这种方法仍有以下问题。(1)它仍然不能保证概率的归一化,和所有输出的总和可能不等于1。(2)不同的归一化函数将产生不同的结果。很难说哪个归一化函数更好。选择不同的归一化函数相同的模型。这可能会导致一些准确性差。所以,目前尚不清楚归一化函数可以被信任。(3)归一化破坏了原来的输入和输出之间的映射关系。即使网络训练结果都很好,可能会有一些损失的精度在面对新的输入。
针对这些问题,本文提出了一种改进的BP神经网络方法,这不仅可以满足概率的归一化,而且提高BP神经网络的训练精度。
2.4.2。改进的反向传播神经网络
对于一个特定的输入向量,它是假定问th神经网络的输出 。因为有一些错误在输出中,假设的误差问th输出 。然后,真正的价值问th输出 。根据随机效用理论(48- - - - - -50),的概率问属于输出问th类的事件如下: 在哪里代表了zth神经网络的输出代表的错误zth网络输出。
假设错误遵循一个独立耿贝尔分布,其分布函数如下所示:
然后,它的联合分布 如下:
找到的偏导数问th随机变量如下:
用(24)(27找到自己的定积分,可以获得以下(51- - - - - -53]:
根据随机效用理论问th期望输出值对应于我th输入向量可以作为理想的ATC的概率事件。所以,以下是有效的:
如果有N那么,输出N方程(29日),这一组方程形式。可以通过求解方程。被替换为用于所需的输出在BP神经网络的训练。在预测,网络输出带进(29日),然后,ATC的概率事件。
考虑到任何两个网络输出和对应于我输入向量。根据(29日),可以获得以下:
转换后,得到如下:
最后,我们得到了以下几点:
根据对数函数的性质,当之间的区别和大,也就是说,的价值吗 非常大或非常小,的价值 不会改变太多,和的区别将会变得更小。例如,如果 ,然后 。因此,根据分析部分2.4。1,替换与在网络的训练会更加合理。
网络的训练完成后,我th送入神经网络和示例pth输出是获得。在将到(29日),实际的输出我th获得的输入如下:
总结所有的方程(35)收益率如下:
因此,模型可以满足概率的归一化。
总之,神经网络的输出包含所有事件概率空间的分区,(36没有问题)。
方程设置由(29日)有一个冗余方程,可以从(36)和(37)。N不能解决的,未知的变量N−1方程。让一个是零,这个问题可以得到解决。
很难解决方程设置由(29日直接)。元素的方法改变了。让 ,然后,(29日)转化为以下:
如果让 ,所以 。方程(38)转换为以下:
方程设置由(39)是解决线性方程组。它是非常简单的。在获得方程的解集,可以通过以下:
2.4.3。改进的反向传播神经网络结构的调整
自从网络改进的BP神经网络的输出值不需要限制在这个区间(0,1),输出层的激活函数可以使用简化问题的线性传递函数如下:
然后,体重的变化值在输出和隐藏层是通过梯度下降算法如下:
同样,在网络训练,偏差的变化值在输出和隐藏层通过梯度下降算法如下:
2.5。模型的适用范围
之一,在民用航空空中交通管制的核心任务是确保飞机的安全,避免不安全事件。不幸的是,墨菲定律告诉我们,绝对的安全是不存在的。也就是说,它很难成功地完全避免不安全的事件。因为它不能完全避免,必须科学地面对。部门执行空中交通管制工作,是很有意义的空中交通安全管理,如果可以预测一些不安全事件发生的可能性。本文引入概率预测的BP神经网络模型在空中交通管制部门的不安全事件。至少有三个实际应用:(1)本文改进的模型提供了一种理论方法量化在空中交通管制部门不安全事件的概率。如前所述,专家评价方法主要是用于空中交通控制安全研究目前在中国。在这类安全评价方法中,专家评估空中交通管制部门的安全状况根据自己的知识和经验。毫无疑问,这种评估方法发挥了积极作用在空中交通管制的安全管理。然而,这种评价方法主要是基于专家的定性评价,而是没有足够的定量分析。同时,它是基于专家的主观评价,没有足够的客观性。本文介绍了神经网络模型的预测不安全事件在空中交通管制部门。使用历史数据为基础,使评价结果更客观。神经网络也是一个定量的数学模型,这是比定性评价更客观。(2),它可用于ATC安全发展的趋势分析。空中交通管制部门,其风险的发展趋势对空中交通安全管理产生重大影响。如果安全风险增加,空中交通管制部门需要投入更多的人力,材料,为安全管理和金融资源。如果降低安全风险,投资安全管理根据实际情况可以适当减少减少成本。的不安全事件的变化趋势反映了安全风险在一定程度上的发展趋势。在未来预测的概率不安全事件后,结合过去和现在的不安全事件,空中交通管制部门的安全风险趋势可以判断,和空中交通管制部门的安全管理的决策。(3)它提供了一个计算概率风险评估的方法。风险评估是一种常见的民用航空安全管理的方法。《安全管理手册》编制和公布的国际民航组织显然将风险定义为产品的概率不安全事件和不安全事件的后果。的空中交通管理局中国民用航空局包括该方法在“安全管理规则民航空中交通管理的操作部门,”然而,无论是《安全管理手册》颁发的国际民航组织和“安全管理规则民航空中交通管理的操作部门,“中国民用航空局颁发的,给出具体计算方法不安全事件的概率。本文提出的模型提供了一个概率计算方法为空中交通管制部门风险评估。
3所示。数值例子
下面是一个数值例子来说明的优点相比,本文提出的改进的BP神经网络与其他网络中神经网络训练对空中交通管制部门的不安全事件。
3.1。数据
假设一个空中交通管制部门想知道明年不安全事件发生的概率。在分析部分2.3。3人件,四项指标的硬件环境,管理相关替代高能激光模型作为BP神经网络的输入。以不安全事件和安全事件为输出,空中交通管制部门的许多问题管理是用来量化管理指标。空中交通管制部门的环境问题的数量是用来量化环境指标。人的不安全行为的数量在空中交通管制部门用于量化人件指标。空中交通管制部门的设备故障的数量是用来量化的硬件指标。发生的不安全事件是用来量化所需的输出的不安全事件。发生的安全事件是用来量化所需的输出安全的事件。历史数据如表所示1,在这代表了安全事件,安全事件的期望输出值,代表不安全事件,不安全事件的期望输出值。数值示例的历史数据表所示1。
3.2。建模
证明本文提出的模型能够提高预测精度,应用BP神经网络的三种类型,被称为基准模型和改进的BP神经网络。基准模型包括一般BP神经网络和标准化的BP神经网络。如果改进的神经网络的精度高于用于比较的基准模型的准确性,这意味着改进的神经网络是有意义的。因此,我们需要培养三种不同的神经网络分别和比较训练结果的准确性。
3.2.1之上。基准模型
(1)一般BP神经网络。的原则一般BP神经网络部分所示2。2输入和输出直接用于网络训练没有任何处理一般BP神经网络。表达清晰,一般BP神经网络的结构描述如下。不安全事件的概率的预测控制部门基本上是数据拟合,通过找出内在的和不透明的通过历史数据的输入和输出之间的联系。有一个共识,即三层神经网络可以适合大多数的问题,所以这个模型使用三层神经网络,其中包含输入,隐藏起来,和输出层:(1)输入层任何安全的影响可以作为神经网络的输入,但这些影响必须能够被量化,这意味着在实践中可以收集这些输入数据。为一个特定的空中交通管制部门,详细部分2.3。3神经网络的输入可以从设备的角度来看,发现环境、人员和管理根据替代高能激光模型。同时,考虑到数据的值得收藏,在这种情况下,以下四个指标作为神经网络的输入,这是空中交通管制部门的设备故障,空中交通管制部门的设备故障,空中交通管制部门的管理问题,和人的不安全行为的数量在空中交通管制部门。需要再次强调,为了比较,直接使用输入和输出数据网络训练没有任何预处理。(2)隐藏层隐藏层需要解决两个问题:一是确定激活函数,另一是确定隐层节点的数目。考虑到输入域的输出层可能包含负数,如果隐层的激活函数选择不对称s形的函数,其输出也作为输出层的输入不会覆盖域。因此,对称乙状结肠函数应该是一个更好的选择隐层如下,在区间的范围是(−1,1): 没有方法,每个人都同意确定隐层节点的数量。一些专家已经引入了一个经验公式如下54]: 在哪里代表在隐藏层数,代表输入层中的数字,代表输出层中的数字, 。(3)输出层为输出层,需要解决两个问题:一是确定输出指示器,另一个是需要确定激活函数。有一些限制输出。首先,每个输出的范围是在区间[0,1]。第二,输出概率空间的分区。为了符合前面提到的条件,并考虑实际环境的这种情况下,有两个输出,不安全事件和安全事件的概率。因为它是不可能知道的概率不安全事件,发生的历史事件的概率可以用作ATC事件网络培训。输出层选择不对称乙状结肠以下函数作为激活函数,其范围也在区间(0,1),这也是概率的区间:
(2)标准化的神经网络。输入、输出和隐层的节点数的标准化的神经网络是相同的神经网络。换句话说,两个网络的结构都是一样的;所不同的是,归一化神经网络训练之前需要进行预处理输入和输出数据。
归一化神经网络使用规范化后的输入和输出时间间隔(−1,+ 1)基于一般BP神经网络: 在哪里代表归一化后的数据用于训练,代表一个输入或输出向量的最大价值,和代表一个输入或输出向量的最小值。规范化输入和期望的输出数据如表所示2。
因为输出规范化区间(−1,+ 1),输出层的激活函数的归一化神经网络不能使用乙状结肠函数在区间的范围(0,1)。所以,线性函数用于输出层的激活函数如下:
在归一化神经网络模型中,数据用于训练规范化和反向正常化时需要做预测精度或测试培训。反归一化公式如下所示:
3.2.2。改进的BP神经网络
的原则,改进的BP神经网络部分所示2.4。3。为了使改进的神经网络更清楚的使用,改善神经网络的特点总结如下:(1)定义网络结构定义网络结构的目的主要是确定数量的输入,输出,和隐藏层的网络。对于这种情况,网络结构的三个模型定义相同的比较结果更公平。网络结构中可以找到的细节部分3.2。1。(2)输出数据预处理首先,让 。根据(38)- (40),可以计算。看到第三列数据表3。网络是训练有素的和神经网络的目标输出。当然,提高网络训练的速度,我们也可以正常的输入和输出网络再次改进的BP神经网络。(3)网络训练网络训练包括调整重量和偏见。调整重量和偏见的改进的神经网络所示(42)(45)。(4)获得输出的概率在网络的训练过程中,不使用原始输出数据。网络训练完成后,进行预测或计算培训结果的准确性,需要转换为网络输出概率,和转换公式所示(29日)。
3.2.3。模型计算过程
原始数据可以分为训练集,验证集和测试集的神经网络的训练。训练集用于网络培训,验证集是用于检查如果过度拟合训练过程,测试集是用来比较。在本文中,由于样本并不多,所有的样品用于培训。同时,也训练集用于比较哪种模式更好。
有问题为什么不收集更多的样品。原因在于影响因素的定量数据不安全事件对公众保密空中交通管制部门。例如,没有人会公开的不安全行为造成的ATC控制器在他们的部门。原因是这样简单的事情并不光荣。所以,很难得到许多操作数据。考虑到实际情况前面所提到的,使用的数据在这个数值的例子不是很多。因此,所有样本训练集。
另一个问题是如何验证网络和网络相比,如果没有验证集和测试集吗?测试集是用来比较不同神经网络的准确性,在网络训练。在缺乏一个测试集,训练集可以用来计算网络的准确性,实际使用中可能会有一些影响,但本文的目的是比较不同网络的准确性和确定哪些神经网络模型更准确。我们只需要关心不同的网络精度的顺序,不要太多关于网络的确切的准确性,所以这样做不会有多大影响。验证设置主要用于避免过度拟合;当检测到过度拟合,网络将停止训练。除了过度拟合,停止训练网络的条件可以时期训练的最大数量,性能目标,最小梯度,最长时间来训练,等等。所以,网络可以训练没有验证集。当然,过度拟合是不容忽视的。避免对模型过度拟合的效果比较,本文在部分详细解释3所示。3和3所示。4。
整个过程分为四个阶段:步骤1。训练集是带进不同的模型作为网络训练所需的输入和输出。步骤2。培训完成后,所有的输入都纳入培训网络计算网络输出。归一化神经网络,使用标准化的输入数据作为输入。步骤3。网络输出是一般BP神经网络的实际输出,因为输入和输出不以任何方式改变了神经网络。归一化得到神经网络的实际输出,网络输出处理后的反向正常化。改进后的BP神经网络的实际输出是通过引入网络输出(29日)。步骤4。最后,之间的绝对误差和相对误差计算实际输出与期望的输出。的优点和缺点可以通过比较不同的BP神经网络的错误。归一化神经网络,使用标准化的输入数据作为输入。
公平的比较,不同模型的计算参数将是相同的。即迭代的最大数量是1000,学习速率为0.01,隐层的节点数K据(= 1047),考虑米= 4,N= 2,α= 7。
3.3。结果和分析
3.3.1。通过一个训练结果详细分析
表3- - - - - -5显示不同的BP神经网络的结果,的概率是不同的事件,也是神经网络的实际输出。它通过喂养输入到训练网络,然后改变了在改进的BP神经网络和逆规范化标准化的BP神经网络。代表之间的绝对误差的实际输出和期望输出,和代表实际输出与期望输出之间的相对误差。是不同的事件的概率的总和,用于检查是否正常化概率是满意。表中每个参数的计算公式如下: 在哪里代表安全事件,代表不安全事件。
一般BP神经网络的分析结果如表所示4。归一化BP神经网络的分析结果如表所示5。改进后的BP神经网络的分析结果如表所示3:(1)从表3,很容易看到的和实际的输出还用作ATC事件的概率等于1的改进的BP神经网络。从表4和5可以看出,输出或输入是否规范化,一般BP神经网络和归一化BP神经网络不能保证实际输出的总和等于1。(2)通过比较三个模型的错误,很容易看到,一般BP神经网络模型的最糟糕的训练精度,尤其是不安全事件的精度很差,还有一些相对误差达到数十或数百次。很显然,这种模型不能用于应用程序。很容易看到,改进模型的精度最好在比较不同模型的错误。(3)为了定量比较不同模型的准确性对整个,均方误差是用来计算绝对总误差和相对总误差不同的模型计算如下(计算结果如表所示6):
不难看到表6改进的神经网络模型的精度最高,因为绝对的总误差和相对总这个模型的误差很小。
3.3.2。综合分析100年训练
前面提到的分析是基于每个神经网络的训练结果,我们可以想象不同神经网络的训练精度的差异从数值计算的角度来看。众所周知,神经网络的训练过程是一个最优的优化过程,输出误差的最小化目标函数和网络权重和偏见是决策变量。防止神经网络陷入局部最优,当初始化权重和偏见,使用随机初始化和多个培训将采取最好的一个实际的应用程序。因此,一次性训练结果不能完全证明本文提出的改进模型的优点的训练精度。为了解决这个问题,我们做了100个训练为每个网络和计算从1到100倍,其平均误差如图2。黑人的平均误差曲线的变化改进的神经网络训练。红色曲线是规范化的平均误差的变化与训练神经网络。蓝色曲线是平均误差的变化一般神经网络的训练。从图可以很容易地看出,平均误差的改进神经网络是最好的在任何时间。这是足以证明改进的神经网络的训练精度越高不是偶然的。
3.3.3。不包括上过度拟合精度的影响
过度拟合是一个潜在的陷阱在神经网络训练。自样品收集在本文中并不多,所有样本用于培训。不可避免的一个问题是是否overfit本文改进的神经网络的精度高于其他基准模型的准确性。为了说明这个问题,首先,我们是清楚的,过度拟合可能是由于训练时期的数量的增加。基于这一共识,我们比较三个模型的准确性不同数量的训练时期。在早期阶段的训练,训练时期的数量很低,和过度拟合的可能性是极低的,在这段时间里,我们比较训练精度,更高精度的改进神经网络可以排除由于过度拟合。提高公平的比较,三种不同的神经网络模型的训练参数将是相同的,培训的最大时期是1000,学习速率为0.01,相同的梯度下降算法。同时,为了避免下降的影响上的局部最优训练结果,所有三个模型是通过随机初始化网络分配重量和偏见。考虑单一训练结果的随机性,100年后所花费的平均误差是比较独立的训练。培训结果如图3。水平轴代表1000训练时期,纵轴代表了100年的平均误差训练在每个培训时代。黑人的平均误差曲线的变化100年之后改进的神经网络训练与训练时期的数量。红色曲线是平均误差的变化后的归一化神经网络时代100训练训练。蓝色曲线是平均误差的变化一般神经网络在100年之后的训练与训练时代。从图不难看出,在每一个训练时期,提高神经网络的准确性提出了高于基准模型,包括改进的神经网络具有的可能性由于过度拟合精度高。
3.4。模型的应用
受过训练的BP神经网络可以用于预测不安全事件在空中交通管制部门,通过喂养新输入到网络。例如,安全经理在一个空中交通管制部门制定安全管理目标在明年,这要求不安全行为的控制器的数量不应超过五个,设备故障的数量不应超过四个,管理问题的数量不能解决的时间不应超过6,和环境问题的数量不应超过四个。问题是什么是一个不安全事件的概率,鉴于上述目标可以实现?这个问题可以使用模型提出了回答。解决方案过程描述如下。
本文整个样本用于网络培训,因为有限的样本,为比较不同网络的精度是可行的。然而,当使用网络在实际应用时,这种方法可能会导致过度拟合,导致减少模型的泛化能力。为解决这一问题,早期停止方法可以用来避免过度拟合。一般的做法是先将数据划分为三个子集。第一部分是训练集,用于计算梯度和更新网络权重和偏见。第二子集是验证集。错误的验证集监控培训过程中。验证错误通常减少在初始阶段的训练,训练集一样的错误。然而,当网络开始overfit数据,验证集上的错误通常开始上升。训练停止当验证集误差的发现不断增长的培训。网络的权值和偏差最小的保存验证设置错误。 The test set error is not used during training, but it is used to compare different model. Of course, the prerequisite is that there is enough data to ensure that there are enough samples in the different sets.
为了说明网络的使用,样品在表1分为三组,训练集,验证集和测试集,训练集包含五个样本,其数量是2,6,7,8,9表吗1。验证集包含两个样本的数量在表4和51。测试集包含两个样本的数字是1和3在表1。有两点澄清:一个是如何在一组样本分配是随机的,和前面提到的样本集之后公布的结果划分样本不同,作者多次训练网络实现最好的结果。另一个是这个过程只是为了演示模型的使用,因为样品都不是很多。培训结果可能不是很好。这就是为什么所有的样本都输入训练没有将样本划分为不同的组,当网络进行比较3所示。3。
训练参数如下:学习速率为0.01,时期训练的最大数量是1000,训练集的性能目标是零,验证集的最大验证失败6。执行许多训练后,网络更好的结果被选为例证。性能曲线不同的改进BP神经网络在图所示4。在这个训练过程中,训练时期的增加,不同的错误减少,下降率越来越小,这是完全符合的属性梯度下降的方法。培训时代达到831时,验证集误差增加连续六次(增加很小,曲线在图4还不清楚),达到用户设定的最大验证失败。在这个时候,如果继续训练,会出现过度拟合,因此网络停止训练。很明显,在825培训获得的最优网络时代,网络在这个时间可以用于实际应用。
一旦网络训练,这个问题在本节第一段提出如何应用网络训练和已知条件来预测不安全事件的概率应该关注的焦点。事实上,网络已经训练时,问题就变得非常简单。概率可以通过这组数据预测(5、4、6、4)进入网络。预测的结果是,不安全事件的概率是0.0006093,和安全事件的概率是0.9993907。
3.5。总结
(1)以其强大的函数拟合能力,BP神经网络可以有效地预测的概率不安全事件在空中交通管制部门,经过合理设计的网络结构和收集历史数据训练神经网络。(2)一般BP神经网络的准确性不能保证输出,如果是直接应用于空中交通管制部门的预测不安全事件的概率,并且不能保证概率正常化。然而,在标准化的输入和输出在训练网络标准化的BP神经网络的帮助下,提高预测精度,但实际概率的归一化输出仍难以满足。(3)本文提出的改进的BP神经网络训练精度高的小概率事件,可以保证所有事件的概率之和等于1。
4所示。结论
作为一个重要手段,确保民航的安全,空中交通管制中起关键作用的保护乘客的生命和财产安全。提高安全管理水平的部门执行空中交通管制工作,作者引入人工神经网络预测的概率不安全事件的空中交通管制部门。一个三层神经网络,其中包含一个输入层、隐藏层和输出层的目的是解决问题。影响影响ATC安全但可以量化和收集是根据替代高能激光用作输入模型。不安全事件的概率是作为网络的输出。一般BP神经网络不能用于小概率事件的网络训练,本文从理论上证明了,因为一般BP神经网络并不能保证概率之和等于1的输出和实际输出与期望输出之间的误差是非常大的训练后的神经网络。为了解决这个问题,提出了一个新的映射方法从概率的角度来看。这是理论上证明本文提出的映射方法不仅可以提高训练精度,但也确保概率之和等于1。最后,一个案例研究表明,本文改进的BP神经网络模型在预测精度高的不安全事件的概率在空中交通管制部门。
然而,值得注意的是,这项研究也有两个限制,在未来的研究应该改进的努力。第一个限制是我们当前的分析是基于中国民航。特别是,神经网络的输出建立在中国的民用航空空中交通管理规则。因此,如果中国以外使用的模型,网络的输出需要修改根据实际情况在其他国家。第二个限制是,像其他人工神经网络隐层的节点数对网络的准确性有很大的影响,这是通病的人工神经网络模型。在实际的应用程序中,隐层节点的数量需要调整几次能达到良好的结果。
BP神经网络需要数据进行训练。如果几个数据集的数据是错误的,这些错误的数据将在网络训练有副作用。当大量的数据收集,数据应该预处理来消除不合理的数据,这是非常有助于提高网络的准确性。本文不研究过滤数据的方法,以及如何过滤数据删除一些不合理的数据是未来研究的方向。
数据可用性
数据用于支持本研究可从相应的作者。
的利益冲突
作者宣称没有利益冲突有关论文的出版。
确认
这项研究得到了四川省科学技术厅的一般项目(没有。2020 yj0500),一般项目的中国民用航空飞行大学(J2015-53号、J2016-22 j2019 - 105),中国教育和教学改革专项基金项目(没有。E2020028-5)和开放飞行技术和飞行安全重点实验室基金(批准号FZ2020KF08)。