基于BP神经网络的机场能见度预测

link appraisement
李俊敏* 
中国民用航空飞行学院 空中交通管理学院
通讯作者：李俊敏（1996~），男，云南曲靖人，硕士研
图1 BP神经网络拓扑结构
0.1。

它最主要的特征是信号前向传播，而误差反向传播。

BP 神经网络的算法流程
（1）信号前向传播
隐藏层和输出层的输入和输出可由公式（1－1）计算:
+ +⋅=++=+=+=∑∑∑∑∑∑======m i k M j i j i j k
i O
k k m i M j i j i j k i O k M j i j i j H
i M
j i
j i j H i a x o a x net x o x net 111111
)()
(θωϕωψθωϕωθωϕθω （1－1）
（2）误差反向传播
从输出层开始逐层计算各层神经元的输出误差，然后用某种方法去调节各层的权值和阈值，比如随机梯度下降法（Stochastic Gradient Descent，SGD），当最终的输出落在期望的范围或接近一定精度要求，算法则停止。

对N 个训练样本，系统的总误差准则函数为：
∑∑==−=N
p L
k N k N k p o T E 11
2
)(21
（1－2）
SGD 权值更新可由公式（1－3）计算：
−−=∂∂∂∂∂∂∂∂−=∆∂∂∂∂∂∂−=∆∂∂∂∂∂∂−=∆∂∂∂∂∂∂−=∆∑∑==N p L k N k N k k
i i i i i i i j i i i i k i k k k k k k i k i
k k k k k i o T o E net net o y E net net o y E a net net o o E a net net o o E 11)(θη
θωη
ωη
ωη
ω （1－3）其中，η为学习率，可根据经验值适当选取。

（3）记忆训练和算法收敛
当训练集的输出值达到期望值可接受的误差范围内，记忆训练则停止。

下一阶段即可将待预测的数据输入到已经训练好的BP 神经网络中，以后若是更换了样本，可重复输入输出。

以此可作对比分析。

BP 神经网络本身具有良好的自学习和自适应能力，与人脑的仿生结构类似，但还没能达到更高级的神经网络功能，也没能达到自然生物科学的智能化。

但它能通过改变网络连接权值和阈值来适应变化的环境，不断学习和训练，直到达到输出要求。

若再在算法进行的过程中采用更好的处理方法，比如最小均方差算法，能不断逼近目标。

BP 神经网络训练流程图如图2所示。

误差分析
BP 神经网络模型的评价指标可以采用均方差（Mean Square Error，MSE）和拟合优度检验（R －Squared）两种，MSE 越小说明预测效果越好，RNL 的值越接近1，模型的效果越好。

计算公式如1－4、1－5所示。

∑=−=
n
i i i y y n MSE 1
2)ˆ(1 （1－4）
∑∑==−−
=n
i i n
i i i
y
y
y
RNL 1
2
1
2)ˆ(1 （1－5）
其中，n 表示预测样本数据的长度，y 1表示实际测量值，
i y
ˆ表示预测值。

网络训练的注意事项
（1）数据预处理
对所选取的训练集进行去噪处理，使其保持保真率和平稳性，并尽量去除偶然误差的影响。

（2）激活函数的选取
常用值域在（－1，1）上的正切Sigmoid 函数作为激活函数，值域在（0，1）上的对数Sigmoid 函数在此处不用，如公式1－6所示：
+==−x e x f x x f 11)()
tanh()(对数正切 （1－6）（3）训练算法的选取
不同的算法设计会使网络计算的迭代次数、计算量、循环方式、搜索方式、内存、收敛速度、模型泛化能力、预测准确度等等方面都有所不同，因此训练算法的选取和设计，会影响算法的效率。

（4）初始权值的选择
初始权值所处的区间或数值特征，其影响可能会向后传递。

可能会导致局部搜索、震荡跳跃、死循环等待不理现象产生。

也要注意初始权值不能设为0，否则不能进行反向误差的计算。

（5）学习率的选取
学习率会间接影响权重的大小，所以我们往往会依据经验，通常取值在[0.1，0.7]之内，可以多试几次找到效果较好的值为止。

隐藏层节点的个数
假设h 为隐藏层的节点数，a，b 分别为输入层、输出层的神经元个数，c 为一个[1，10]之间的随机数，则隐藏层节点数由公式1－7确定：
c b a h ++= （1
－7）
且，上下限满足：
图2 BP 神经网络训练流程图
a
A a A h a A /2log )/()/(×≤≤ （1
－8）
其中，n 为输出层的节点数，h 为隐藏层的节点数，
a
A A H /2log ×=。

能见度预测
气象因子的选取
由于影响雾的形成和消散的气象因子众多，从而应该至少考虑气压、风速、风向、温度、相对湿度、露点温度等气象因素，但对于一个机场来说，大气压在短时间内不会急剧变化，常年主导风向也不会有大的变化，因此本文选取风速（WS）、温度（T）、相对湿度（RH）和露点温度（TD）4个主要气象因素作为预报因子。

数据预处理
为了便于神经网络模型的输入，对所选样本机场的上述4个预报因子数据进行归一化处理，使其数值介于[0，1]之间，归一化公式为：
min
max min
X X X X Y −−=
（2－1）
式中，X 为训练样本实际值；max X ，min X 分别为训练集中最大值、最小值；Y 为归一化后的值。

构建训练集
根据预报因子数量和权重，构建用于模型训练的样本集和用于模型测试的样本集，同时对网络环境和参数进行设置，使网络具有较好的泛化能力。

BP 神经网络预测
根据上文分析，建立如图3所示的BP 神经网络结构图。

对所选取的部分原始数据进行预处理之后，得到模型的拟合效果如图4所示，表明在短时间内的拟合效果较好。

以所选机场2020年3月13早晨7：00~7：25提供的气象因子数据，用BP 神经网络模型对主导能见度进行预测，结果如图5所示。

并且随着样本数量的增加和时间的推移，相关系数逼近1，说明模型预测效果良好。

从预测值与实际观测值的拟合效果图及能见度预测图，验证了该模型的有效性和较高的预测精度，图5是其波动情
图3 BP 神经网络结构图
图4 BP 网络模型拟合效果图
图5 能见度预测图
图6 能见度预测波动情况分析
（下转第44页）
小于规定值（如4ms），模型延迟时间即从仿真运行管理系统发送给发动机模型数据，发动机实时仿真模型接收到数据后，进行一次迭代计算，解算完成后将结果返回给仿真运行管理系统的时间。

直升机模拟器仿真平台中的应用
建立发动机实时仿真模型后，可将模型接入直升机模拟器系统平台中运行。

直升机模拟器是按特定机型的航空器座舱一比一对应复制的，它包括表现航空器在地面和空中运行所必需的设备和支持这些设备运行的计算机程序、提供座舱
外景像的视景系统以及能够提供动感的运动系统。

将建立的发动机实时仿真模型放于计算机中运行，通过设置网络接口实现发动机实时仿真模型与直升机模拟器其他系统的以太网连接。

以太网连接后，仿真运行管理系统将在每个仿真周期内（如10ms）完成一次将其他系统的解算结果输入给发动机实时仿真模型，并接收发动机实时仿真模型解算的结果，将参数发送给其他系统。

发动机实时仿真模型接收到输入数据后，将输入数据传递给各个模块，待各模块解算完成后（解算时间不超过4ms），将解算结果输出。

通过这种连接方式，实现了发动机实时仿真模型与模拟器其他系统的数据交互。

本文建立的模型已经在工程研制中应用，根据发动机实时仿真模型的实时性测试结果，模型的最大延迟时间小于4ms，具有较好的实时性。

结语
本文构建的用于直升机模拟器上的发动机实时仿真模型，可以实现装配单台发动机、多台发动机直升机的发动机仿真建模，能实时接收总矩杆操作、发动机功率控制开关、航电开关按钮信号、飞行状态等参数的输入，解算当前飞行条件下的发动机转速、温度、功率等参数并输出。

模型具有仿真精度高和实时性强的特点。

图4 发动机实时仿真模型与模拟器其他系统的数据交互关
系图况分析。

另外，对该机场大量样本数据较长时间内进行能见度预测及精度分析如图7、8所示。

由上图可知，BP 神经网络模型的预测总误差的方差为0.1392，其决定系数R2达到0.97043，验证了随着时间的推移和样本受训练能力增加，模型的泛化能力增强。

结语
正是由于雾的形成原理和消散机制都及其复杂，至少应该考虑大气压、风速、风向、温度、相对湿度和露点温度等气象因素，因此本文选择最主要的4种气象因子构建了BP 神经网络，在模型和样本训练后，预测出普洱思茅机场2020年3月13日短期和长期内的能见度，使得波动值较小，
相关系数显著。

本文对能见度进行预测和精度分析，得到了良好的预测效果，结果表明该BP 神经网络具有较高的精度和较好的模型泛化能力。

但是也存在以下不足：所考虑的影响能见度的主导气象因子可能在不同机场会有所改变；在该模型预测出的能见度改变节点处，不能直观地看出是因为哪种主导因子导致而产生的变化；与双向长短期记忆神经网络（Bi －LSTM）相比，
BP 神经网络缺乏长期记忆学习能力。

图7 大样本长时间预测效果图图8 模型的预测误差分析
（上接第41页）。