基于粗糙集與BP神經網絡相結合的民航無線電干擾預測方法探究

張柯

摘要：近年來，我國互聯網技術不斷提高，電子設備的廣泛應用，導致電磁干擾現象越發嚴重。民航無線電干擾成為影響民航系統正常服務的主要因素，不僅會干擾民航飛機的正常運行，也會妨礙我國民航事業的穩定發展。

關鍵詞：粗糙集；BP神經網絡；民航無線電干擾預測

中圖分類號：TP571 文獻標識碼：A 文章編號：1007-9416（2018）08-0203-01

近幾年，國內民航事業發展迅猛，航班流量和客貨運輸量在不斷增加，這要求了我國民航事業中必須提高民航空中交通管理部門的管制技術，提高通信質量和覆蓋范圍，保證民航通信系統的穩定性。因此，本文通過融合粗糙集與BP神經網絡的民航無線電干擾預測方法，提高對無線電干擾的預測效率，為民航事業保駕護航。

1 粗糙集與BP神經網絡相結合的干擾預測方法

由于民航無線電經過粗糙理論約簡后出現兩種結果，第一，減少了干擾報告數據冗余；第二，降低了干擾報告的復雜性，因此，借助粗糙理論不但能夠有效提高BP神經網絡對無線電干擾的預測效率，而且權衡了BP神經網絡處理能力弱、收斂困難以及訓練時間較長等缺點。

2 預測方法的性能與測試

2.1 測試方法

進行測試的前提需要經過以下三個步驟：第一，借助粗糙集將學習樣本數據進行約簡，從而獲取最小條件屬性集；第二，將最小條件屬性集當作訓練樣本集，并傳輸至BP神經網絡中進行訓練；第三，訓練結束后的BP神經網絡輸入到測試樣本集中績效測試。

2.2 測試結果

本文收集了某管制區的民航無線電干擾報告數據，并將這類數據視為訓練樣本，此外，對該訓練樣本進行約簡處理，最小條件屬性集就是約簡后的產物，將該產物視為學習樣本并輸入到BP神經網絡隱層中。圖1為網絡訓練誤差曲線圖。

本文為了使實驗更加具有說服力，將沒有經過粗糙集優化的學習樣本輸入到上文的神經網絡中，使其所形成的訓練誤差曲線圖1與圖2進行比對。

融合了粗糙集的神經網絡預測方法的準確率為72.72%，而未與粗糙集融合的神經網絡的準確率為63.64%。從以上的數據來看，融合了粗糙集的神經網絡的訓練步數較少，且預測準確率較高。

3 結語

本文首先闡述了粗糙集與神經網絡融合的優勢和可行性，其次對其基本的步驟和數據處理流程進行了相應的概括，最后通過仿真實驗來比對融合粗糙集與未融合粗糙集的神經網絡預測方法的優越性，從各組數據來看，融合粗糙集的神經網絡預測方法在處理數據方面較為優越。

參考文獻

[1]馬艷茹.民航通信導航系統的設計淺析[J].中國新通信，2016，18（17）：27.

[2]張鵬，郝一川.粗糙集-神經網絡在民航飛機故障數據處理中的應用[J].控制工程，2016，23（01）：87-90.