一种基于遗传算法优化的发射场气温预报模型的制作方法

1.本发明涉及航天气象预报技术领域，尤其涉及一种基于遗传算法优化的发射场气温预报模型。


背景技术：

2.气温对发射活动的影响主要分为发射前和发射时两个阶段，在发射前的液体燃料加注环节，由于液体燃料具有热胀冷缩效应以及液体凝固效应，加注前需根据准确的气温预报计算燃料的加注量，合适的加注量是火箭发动机正常工作的保证；而在遇到寒潮等低温天气时，发射场勤务保障系统须根据准确的温度预报采取不同的保温措施，及时调整空调送风量，确保射前发射塔气温满足要求；而在发射时，尤其是塔架完全展开后，火箭失去发射塔的气温勤务保障，完全裸露在环境气温当中，低温会导致火箭外部部件结冰或失能，高温则会使得部件绝缘性能下降，都将影响发射成败。比如美国“挑战者号”航空事故就是因为极端低温使得外部燃料箱右侧固体火箭助推器下端壳体接头的o型密封圈失效，致使推进剂外泄造成燃烧和爆炸。在实际任务保障过程中，当发射窗口温度临近发射放行准则临界值时，准确的气温预报是发射放行决策的最终依据。
3.气温的变化是云量、云高、云厚、风速、下垫面等诸多因素非线性耦合的综合变量，目前在气象预报业务中，气温预报主要是根据数值预报结果，再由预报员根据局地预报保障经验和对天气变化的认识进行修正，当天气复杂时，预报误差可达4℃，在实际业务中，要达到时间间隔为逐时、空间距离小于10km的温度精确预报是非常具有挑战性的。
4.现有技术中，施晓芬等首次把实测气压、风速以及相对湿度作为输入，利用bp神经网络建立了逐时气温预测模型，模型的单站气温预报误差效果较好。数学上，bp神经网络是从输入到输出的高度非线性映射，有定理证明，bp神经网络通过对简单非线性函数进行数次复合，可以逼近任何复杂函数如图1所示，图1中，x1，x2，
…
,xn是bp神经网络的输入值，y1，y2，
…
,yn是神经网络的预测值，ω
ij
和ω
jk
为神经网络权值。当输入节点数为n，输出节点数m时，bp神经网络就实现从n个自变量到m个因变量的函数映射关系。
5.bp神经网络预测需先训练网络，通过训练使网络具有联想记忆和预测能力。bp神经网络的训练过程包括以下几个步骤：
6.步骤1：网络初始化。根据输入输出序列(x,y)，确定网络输入层点数n、隐含层节点数l，输出层节点数m，并初始化输入层、隐含层以及输出层之间的连接权值ω
ij
，ω
jk
，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。
7.步骤2：隐含层输出计算。根据步骤1设定的参数，计算隐含层输出h。
[0008][0009]
式中，l为隐含层节点数；f为隐含层激励函数，该函数有多种表达形式。
[0010]
步骤3：输出层计算。根据隐含层输出h，连接权值w
jk
以及阈值b，计算bp神经网络预测输出o。
[0011][0012]
步骤4：误差计算。根据网络预测输出o和期望输出y，计算网络预测误差e。
[0013]ek
＝y
k-o
k k＝1，2，
…
，m
[0014]
步骤5：调整权值和阈值。根据网络预测误差e更新网络连接权值ω
ij
和ω
jk
，更新连接网络节点阈值a，b。
[0015][0016]wjk
＝w
jk
ηh
jek j＝1,2,
…
,l；k＝1,2,
…
,m
[0017][0018]bj
＝bj+e
k k＝1,2,
…
,m
[0019]
式中，η为学习效率。
[0020]
步骤6：判断算法误差是否满足要求，若没有，返回步骤2.
[0021]
虽然bp网络得到广泛应用，它存在自身的限制与不足，其主要表现在它的训练过程的不确定性上，具体如下：
[0022]
1)从数学角度说，它是一个非线性优化问题，不可避免存在局部极小问题；
[0023]
2)学习算法的收敛速度很慢且不易收敛；
[0024]
3)网络的运行时单向传播，没有反馈；
[0025]
4)其使用实测的要素作为输入值建立气温预测模型，在实际业务中，这些要素和气温都是同时测得，应该使用预测的要素作为输入值。
[0026]
因此，有必要提供一种新的基于遗传算法优化的发射场气温预报模型解决上述技术问题。


技术实现要素：

[0027]
本发明解决的技术问题是提供一种具有全局优化、概括能力强的的基于遗传算法优化的发射场气温预报模型。
[0028]
为解决上述技术问题，本发明提供的基于遗传算法优化的发射场气温预报模型包括以下步骤：
[0029]
s1：数据介绍与样本构建；
[0030]
s2：标准化训练样本数据；
[0031]
s3：bp神经网络模型的建立；
[0032]
s4：将遗传算法和bp神经网络结合；
[0033]
s5：输出实验仿真结果。
[0034]
所述数据介绍与样本构建包括以下步骤：剔掉温度预报与实际观测大于5℃的样本，再剔除掉预报要素不全的样本，处理后得到有效样本，选取一部分作为试验样本，一部分作为测试样本，建立模型。
[0035]
所述标准化训练样本数据包括以下步骤：对所有预报因子采取归一化处理，采用归一化方法为最大最小法，函数如下：
[0036]
xi＝(x
i-x
min
)/(x
max-x
min
)
[0037]
式中，x
min
，x
max
分别为数据序列中的最小数和最大数。
[0038]
所述bp神经网络模型的建立：采用三层的bp神经网络，其结构可描述如下，输入层由欧洲细网格预报的2m气温、地表气温、2m露点温度、850hpa气温组成，即输入节点数为4个；输出为预报的气温，输出节点为1个；通过控制变量法不断学习后，误差最小的隐含层节点数为7个。
[0039]
所述将遗传算法和bp神经网络结合包括以下步骤：
[0040]
s41：种群初始化：通过拟合的函数输入参数，设置的bp神经网络结构，确定种群数；
[0041]
s42：适应度函数：用训练数据训练bp神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和e作为个体适应度值f，计算公式为：
[0042][0043]
式中，n为网络输出节点数，yi为bp神经网络第i个节点的期望输出；0i为第i个节点的预测输出，k＝1为系数。
[0044]
s43：选择操作：用轮盘赌法进行遗传算法选择操作，即基于适应度比例的选择策略，每个个体i的选择概率pi为：
[0045]fi
＝k/fi[0046][0047]
式中，fi为个体i的适应度值，n为种群个体数目；
[0048]
s44：交叉操作：由于个体采用实数编码，所以操作方法选用实数交叉法，第k个染色体ak和第l个染色体a1在j位的交叉操作方法如下：
[0049]akj
＝a
kj
(1-b)+a
lj
b；
[0050]alj
＝a
lj
(1-b)+a
kjb[0051]
式中，b是[0，1]之间的随机数；
[0052]
s45：变异操作：选取第i个个体的第j个基因a
ij
进行变异，变异操作方法为：
[0053][0054]
式中，a
max
，a
min
分别为基因a
ij
的上界和下界；f(g)＝r2(1-g/g
max
)2；r2为一个随机数；g为当前迭代次数；g
max
是最大进化次数；r是[0，1]之间的随机数；
[0055]
s46：获取最优的初始权值和阈值：经过选择操作、交叉操作和变异操作，迭代进化10次，获取最优的初始权值和阈值；
[0056]
s47：再次训练bp神经网络：用上述得到的最优原始权值和阈值训练bp神经网络，设定训练最高学习次数100，期望误差0.001，网络经训练后输出温度预测数据。
[0057]
与相关技术相比较，本发明提供的基于遗传算法优化的发射场气温预报模型具有如下有益效果：
[0058]
本发明提供一种基于遗传算法优化的发射场气温预报模型，得到训练的网络后，能够不断迭代新的数据，可以实现发射场的逐时温度精确预报，为发射放行决策提供坚实的科学基础。
附图说明
[0059]
图1为现有技术中一个隐含层的bp神经网络结构图；
[0060]
图2为本发明提供的基于遗传算法优化的发射场气温预报模型的遗传算法优化bp神经网络框架图；
[0061]
图3为本发明提供的基于遗传算法优化的发射场气温预报模型的遗传算法和bp网络预报温度与期望温度对比图。
具体实施方式
[0062]
下面结合附图和实施方式对本发明作进一步说明。
[0063]
请结合参阅图2和图3，其中，图2为本发明提供的基于遗传算法优化的发射场气温预报模型的遗传算法优化bp神经网络框架图；
[0064]
图3为本发明提供的基于遗传算法优化的发射场气温预报模型的遗传算法和bp网络预报温度与期望温度对比图。基于遗传算法优化的发射场气温预报模型包括以下步骤：
[0065]
s1：数据介绍与样本构建；
[0066]
气象要素预报数据采用2016年欧洲细网格在发射场的预报格点数据，实况数据使用发射场本站实测数据。在业务中温度预报误差不会超过5℃，故剔掉温度预报与实际观测大于5℃的样本，再剔除掉预报要素不全的样本，处理后共有355个有效样本。本发明分别对影响气温预报的风速、相对湿度等单变量与温度进行了相关性分析，最终选取相关系数较好的欧洲细网格预报的2m气温、地表气温、2m露点温度、850hpa气温4个因子作为输入层，各因子与气温的相关系数如表1所示。
[0067]
表1相关系数表
[0068][0069]
s2：标准化训练样本数据；
[0070]
由于预报因子的物理含义不同，且不同因子的数据间存在数量级差别，为避免因为输入输出数据数量级差别较大引入误差，对所有预报因子采取归一化处理。本发明采取的归一化方法为最大最小法，函数如下：
[0071]
xi＝(x
i-x
min
)/(x
max-x
min
)
[0072]
式中，x
min
，x
max
分别为数据序列中的最小数和最大数。
[0073]
s3：bp神经网络模型的建立；
[0074]
根据图2，本发明采用三层的bp神经网络，其结构可描述如下，输入层由欧洲细网格预报的2m气温、地表气温、2m露点温度、850hpa气温组成，即输入节点数为4个；输出为预报的气温，输出节点为1个；通过控制变量法不断学习后，误差最小的隐含层节点数为7个。
[0075]
s4：将遗传算法和bp神经网络结合；
[0076]
遗传算法(ga)主要用来优化bp神经网络权值，其流程如下：
[0077]
1.种群初始化：
[0078]
本发明中，由于拟合的函数有5个输入参数，1个输出参数，设置的bp神经网络结构为4-7-1，共有4
×
7+7
×
1＝35个权值，7+1＝8个阈值，所以遗传算法个体编码长度为43，确定种群数为22。
[0079]
2.适应度函数：
[0080]
用训练数据训练bp神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值e作为个体适应度值f，个体适应度值越小，该个体越优，计算公式为：
[0081][0082]
式中，n为网络输出节点数，yi为bp神经网络第i个节点的期望输出；0i为第i个节点的预测输出，k＝1为系数。
[0083]
3.选择操作：
[0084]
用轮盘赌法进行遗传算法选择操作，即基于适应度比例的选择策略，每个个体i的选择概率pi为：
[0085]fi
＝k/fi[0086][0087]
式中，fi为个体i的适应度值，n为种群个体数目。
[0088]
4.交叉操作：
[0089]
由于个体采用实数编码，所以操作方法选用实数交叉法，第k个染色体ak和第l个染色体a
l
在j位的交叉操作方法如下：
[0090]akj
＝a
kj
(1-b)+a
1j
b；
[0091]a1j
＝a
1j
(1-b)+a
kjb[0092]
式中，b是[0，1]之间的随机数。
[0093]
5.变异操作：
[0094]
选取第i个个体的第j个基因a
ij
进行变异，变异操作方法为：
[0095][0096]
式中，a
max
，a
min
分别为基因a
ij
的上界和下界；f(g)＝r2(1-g/g
max
)2；r2为一个随机数；g为当前迭代次数；g
max
是最大进化次数；r是[0，1]之间的随机数。
[0097]
6.获取最优的初始权值和阈值：
[0098]
经过上述选择、交叉、变异操作，迭代进化10次，获取最优的初始权值和阈值。
[0099]
7.再次训练bp神经网络：
[0100]
用上述得到的最优原始权值和阈值训练bp神经网络，设定训练最高学习次数100，期望误差0.001，网络经训练后输出温度预测数据
[0101]
s5：输出实验结果；
[0102]
以下通过实验对本发明的效果进行验证：
[0103]
1.实验环境和数据：
[0104]
实验环境：inter(r)core(tm)i7-4790cpu@3.60ghz，64位windows操作系统和matlab 2016b软件。
[0105]
2.实验数据：2016年欧洲细网格24小时预报时效内的每天23时的2m气温、地表气
温、2m露点温度、850hpa气温，以及发射场标准气象观测场每天观测的23时的实际气温，经处理后，选取300个作为训练集，剩下55个作为测试集。
[0106]
3.参数设置：bp神经网络中，输入节点数为4，隐含层数为1层，隐含层节点数为7，输出层节点数为1，迭代次数为100，学习率为0.1，期望误差为0.001；遗传算法中，进化次数为10，种群数为22，交叉概率设置为0.4，变异概率设定为0.3。
[0107]
4.误差评估：采用mae(平均绝对误差)sde(误差标准差)来对预测模型的精确度进行评估，计算公式为：
[0108][0109][0110]
式中，ti为模型预测温度，t
ei
为对应的期望温度，si为样本温度预测误差。
[0111]
5.仿真实验结果：由图3可以看到，遗传算法优化的bp神经网络温度预报效果比bp网络预报效果好；分别计算两种模型的mae和sde两种误差，如表2。
[0112]
表2两种模型预报误差比较
[0113][0114]
由表2可以看到，遗传算法的预测精度较高，平均绝对误差为1.264，误差分布也更为稳定，误差标准差为0.91，较bp网络分别优化了9.2％和6.5％，遗传算法优化的神经网络温度预报质量更好。
[0115]
与相关技术相比较，本发明提供的基于遗传算法优化的发射场气温预报模型具有如下有益效果：
[0116]
本发明提供一种基于遗传算法优化的发射场气温预报模型，得到训练的网络后，能够不断迭代新的数据，可以实现发射场的逐时温度精确预报，为发射放行决策提供坚实的科学基础。
[0117]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于遗传算法优化的发射场气温预报模型，其特征在于，包括以下步骤：s1：数据介绍与样本构建；s2：标准化训练样本数据；s3：bp神经网络模型的建立；s4：将遗传算法和bp神经网络结合；s5：输出实验仿真结果。2.根据权利要求1所述的基于遗传算法优化的发射场气温预报模型，其特征在于，所述数据介绍与样本构建包括以下步骤：剔掉温度预报与实际观测大于5℃的样本，再剔除掉预报要素不全的样本，处理后得到有效样本，选取一部分作为试验样本，另一部分作为测试样本，建立模型。3.根据权利要求1所述的基于遗传算法优化的发射场气温预报模型，其特征在于，所述标准化训练样本数据包括以下步骤：对所有预报因子采取归一化处理，采用归一化方法为最大最小法，函数如下：x
i
＝(x
i-x
min
)/(x
max-x
min
)式中，x
min
，x
max
分别为数据序列中的最小数和最大数。4.根据权利要求1所述的基于遗传算法优化的发射场气温预报模型，其特征在于，所述bp神经网络模型的建立：采用三层的bp神经网络，其结构可描述如下，输入层由欧洲细网格预报的2m气温、地表气温、2m露点温度、850hpa气温组成，即输入节点数为4个；输出为预报的气温，输出节点为1个；通过控制变量法不断学习后，误差最小的隐含层节点数为7个。5.根据权利要求1所述的基于遗传算法优化的发射场气温预报模型，其特征在于，所述将遗传算法和bp神经网络结合包括以下步骤：s41：种群初始化：通过拟合的函数输入参数，设置的bp神经网络结构，确定种群数；s42：适应度函数：用训练数据训练bp神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和e作为个体适应度值f，计算公式为：式中，n为网络输出节点数，y
i
为bp神经网络第i个节点的期望输出；0
i
为第i个节点的预测输出，k＝1为系数；s43：选择操作：用轮盘赌法进行遗传算法选择操作，即基于适应度比例的选择策略，每个个体i的选择概率pi为：f
i
＝k/f
i
式中，f
i
为个体i的适应度值，n为种群个体数目；s44：交叉操作：由于个体采用实数编码，所以操作方法选用实数交叉法，第k个染色体a
k
和第l个染色体a
l
在j位的交叉操作方法如下：a
kj
＝a
kj
(1-b)+a
lj
b；a
lj
＝a
lj
(1-b)+a
kj
b式中，b是[0，1]之间的随机数；s45：变异操作：选取第i个个体的第j个基因a
ij
进行变异，变异操作方法为：
式中，a
max
，a
min
分别为基因a
ij
的上界和下界；f(g)＝r2(1-g/g
max
)2；r2为一个随机数；g为当前迭代次数；g
max
是最大进化次数；r是[0，1]之间的随机数；s46：获取最优的初始权值和阈值：经过选择操作、交叉操作和变异操作，迭代进化10次，获取最优的初始权值和阈值；s47：再次训练bp神经网络：用上述得到的最优原始权值和阈值训练bp神经网络，设定训练最高学习次数100，期望误差0.001，网络经训练后输出温度预测数据。

技术总结
本发明提供一种基于遗传算法优化的发射场气温预报模型。所述基于遗传算法优化的发射场气温预报模型包括以下步骤：S1：数据介绍与样本构建；S2：标准化训练样本数据；S3：BP神经网络模型的建立；S4：将遗传算法和BP神经网络结合；S5：输出实验仿真结果。本发明提供的基于遗传算法优化的发射场气温预报模型具有能够不断迭代新的数据，可以实现发射场的逐时温度精确预报，从而为发射放行决策提供坚实的科学基础。基础。基础。


技术研发人员：张芳 王刚 张朝飞 陈锋 康林 潘泉 谭文秋 靳晓铂 曾丽 苟伟强
受保护的技术使用者：中国人民解放军63620部队
技术研发日：2023.04.13
技术公布日：2023/7/20