智能頭盔抗電磁干擾性能的非線性建模研究

張旭東，周年榮，唐立軍

（云南電網有限責任公司電力科學研究院，云南 昆明 650217）

0 前言

隨著電子技術、通信技術、傳感器技術不斷的融合和發展，出現了智能頭盔，其在許多領域得到了成功的應用，如：煤礦井下信息采集，其可以對瓦斯濃度進行采集和實時分析，如果瓦斯濃度超過臨界值，就會報警[1-3]。然而在智能頭盔的實際應用中，外界電磁會對其進行干擾，影響其對信息采集和正常工作，智能頭盔抗電磁干擾性能是一項評價其質量的重要標準。對智能頭盔抗電磁干擾性能進行建模和估計具有十分重要的實際應用價值[4-6]。

針對智能頭盔抗電磁干擾性能建模問題，一些發達國家投入大量人力和財力進行研究，而且研究的時間相當長，對智能頭盔抗電磁干擾性能建模的技術相當成熟，而對國內由于對智能頭盔出現的時間比較短，對智能頭盔抗電磁干擾性能相關研究的文獻比較少，還有許多難題有待攻克[7-9]。智能頭盔抗電磁干擾性能的建模當前主要采用線性方法，如多元線性回性、時間序列分析法等，它們對智能頭盔抗電磁干擾性能歷史數據進行挖掘，描述智能頭盔抗電磁干擾性能的變化特點，由于智能頭盔抗電磁干擾性能具有強烈非線性，沒有考慮該變化特點，使得智能頭盔抗電磁干擾性能建模效果差，無法獲得令人相信的智能頭盔抗電磁干擾性能建模結果[10]。

1 抗電磁干擾性能的非線性建模

1.1 抗電磁干擾性能建模學習樣本的構建

設采集的原始智能頭盔抗電磁干擾性能數據為：X={xi,i=1,2..,n}，由于它們根據時間先后的順序進行采集和整理，因此可以看作是一個時間序列數據集合，n表示數據點的數量，由于智能頭盔抗電磁干擾性能數據由于其它因素的影響，這要使得它們的變化特點比較復雜，表面上看沒有什么變化規律，但是進行深層次分析可以發現存在一定的變化規律，即混沌變化特點，因此需要引入混沌分析算法對智能頭盔抗電磁干擾性能數據進行重建，建立智能頭盔抗電磁干擾性能建模的學習樣本。通過混沌分析算法確定嵌入維(m)和延遲時間(τ)，得到一個與原始智能頭盔抗電磁干擾性能數據變化特點相同的多維數據，即：

m和τ值的設置十分重要，直接決定了智能頭盔抗電磁干擾性能建模效果，本文選擇關聯積分方法確定m和τ，以重建智能頭盔抗電磁干擾性能數據。關聯積分計算公式：

式中，θ(x)的計算公式為：

智能頭盔抗電磁干擾性能數據序列的檢驗統計量計算公式為：

將其進行細分產生多個子序列，那么會有：

根據分塊算法對式(5)的統計量進行計算，得到：

式中，r為兩個智能頭盔抗電磁干擾性能數據點之間距離。

當智能頭盔抗電磁干擾性能數據序列相空間點數N無限大時，那么式(6)就可以簡化為

計算最大值和和最小值點的偏差，具體為：

當ΔS1(m,t)為了個極小值點時，就可以得到最優的τ。

基于BDS(Brock Dechert Scheinkman)得到：

得到最優的m和τ值，根據m和τ值重建智能頭盔抗電磁干擾性能數據，從而產生了智能頭盔抗電磁干擾性能建模學習樣本，然后引入BP神經網絡建立智能頭盔抗電磁干擾性能分析模型。

1.2 抗電磁干擾性能分析模型

1.2.1 BP神經網絡算法

BP神經網絡是一種具有良好建模性能的數據挖掘技術，其模擬人大腦的神經網絡工作機制，其包括多層結構，最為經典的是3層，每一層包括了大量的神經元節點，同一個層的神經元節點沒有什么直接關聯，各相鄰層之間的神經元節點互相關聯。

1.2.2 BP神經網絡的工作步驟程

根據式(13)和(14)可以得到隱含層和輸出層的神經元輸出。

Step2：計算yk和dk之間的偏差，那么得多個輸出偏差項：

Step3：如果輸出偏差大于實際要求，那么采用式(17)和(18)對各神經網絡間的權重進行調節。

式中，η為神經網絡的學習速率。

Step4：計算公調節后的各神經網絡之間的權重值，具體如下：

Step5：不斷重述步驟，直接到輸出層的誤差實際應用要求。

1.3 BP神經網絡建立智能頭盔抗電磁干擾性能分析步驟

Step1：采集一個智能頭盔一段時間的抗電磁干擾性能數據。

寫好書，體現的是“基礎工作”建設的核心內容，也是老干部工作的總體任務。換言之，叫做“基礎工作建設，從寫書開始”。那么，要寫什么樣的書呢？目標是要寫一本有特色的書。這個特色主要體現在以下五個方面。

Step2：引入混沌分析算法確定智能頭盔抗電磁干擾性能數據重建的最優m和τ。

Step3：基于最優m和τ的值，建立一個多的智能頭盔抗電磁干擾性能數據，即智能頭盔抗電磁干擾性能分析的學習樣本。

Step4：根據智能頭盔抗電磁干擾性能分析的學習樣本設計BP神經網絡的結構。

Step5：初始BP神經網絡的隱層的神經元與輸入、輸出層的神經元權重值以及閾值。

Step6：采用智能頭盔抗電磁干擾性能分析的學習樣本訓練BP神經網絡。

Step7：根據訓練好的BP神經網絡建立智能頭盔抗電磁干擾性能分析模型。

智能頭盔抗電磁干擾性能的非線性建模流程如圖1所示。

圖1 智能頭盔抗電磁干擾性能的非線性建模流程

2 抗電磁干擾性能的非線性建模仿真

2.1 測試數據

為了測試智能頭盔抗電磁干擾性能的非線性建模方法的有效性，選擇5個智能頭盔的抗電磁干擾數據作為實驗對象，針對每一個智能頭盔，采集一段時間抗電磁干擾數據，數據分布如表1所示。選擇線性建模方法：多元線性回性、時間序列分析法進行對比實驗。

表1 5個智能頭盔的抗電磁干擾數據分布

2.2 測試數據的嵌入維和時間延遲

采用混沌分析算法，確定表1中5個智能頭盔的抗電磁干擾數據的嵌入維和時間延遲，具體如表2所示。根據表2的結果建立智能頭盔抗電磁干擾性能數據學習樣本。

表2 測試數據的嵌入維和時間延遲

2.3 結果與分析

采用本文方法和多元線性回性、時間序列分析法對5個智能頭盔的抗電磁干擾性能的學習樣本進行建模和分析，統計它們的單步分析精度，結果如圖2所示。從圖2的單步分析精度可看出：

圖2 智能頭盔的抗電磁干擾性能單步分析精度

1）多元線性回性、時間序列分析法的智能頭盔的抗電磁干擾性能單步分析精度均低于88%，智能頭盔的抗電磁干擾性能分析誤差比較大，無任何實際應用價值，這是因為它們無法描述智能頭盔的抗電磁干擾變化態勢。

2）本文方法的智能頭盔的抗電磁干擾性能單步分析精度高于95%，智能頭盔的抗電磁干擾性能分析誤差大幅度減少，這是因為本文方法引入混沌分析方法對智能頭盔的抗電磁干擾數據進行重建模，并引入BP神經網絡刻畫智能頭盔的抗電磁干擾變化態勢，建立了更優的智能頭盔的抗電磁干擾性能分析模型。

由于智能頭盔的抗電磁干擾性能單步分析結果只能描述下一個時間點的抗電磁干擾性能，在實際應用單步分析結果更具有價值，因此統計智能頭盔的抗電磁干擾性能多步分析精度，結果如圖3所示。從圖3可知，本文方法的智能頭盔的抗電磁干擾性能多步分析精度同樣高于多元線性回性、時間序列分析法，這表明，本文方法可以對將來一段時間的智能頭盔的抗電磁干擾性能進行有效描述。

圖3 智能頭盔的抗電磁干擾性能單步分析精度

3 結束語

為了獲提高智能頭盔抗電磁干擾性能預測精度，提出一種智能頭盔抗電磁干擾性能的非線性建模方法，仿真實驗結果表明，本文方法是一種精度高、誤差小的智能頭盔抗電磁干擾性能建模技術。