第３８卷第２期２００８年３月
航空计算技术
ＡｅｒｏｎａｕｔｉｃａｌＣｏｍｐｕｔｉｎｇＴｅｃｈｎｉｑｕｅ
Ｖ０１．３８Ｎｏ．２
Ｍａｒ．２００８基于广义回归神经网络的飞参数据预处理
曲建岭，唐昌盛，李万泉，高峰
（海军航空工程学院青岛分院航空仪表与控制工程教研室，山东青岛２６６０４１）
摘要：由于存在干扰。飞参系统记录的发动机参数中，经常会有不少间断，最和奇异值。为了利用数据对发动机性能趋势进行预测，必须对数据进行预处理。分析了航空发动机作为一个系统，其各主要输入和输出参数之间存在的函数关系。研究了利用广义回归神经网络和参数之间的关系对数据进行预处理，结果得到了较为正常的数据，证明该方法是有效的。
关键词：飞参数据；广义回归神经网络；预处理；航空发动机
中图分类号：ｖ５５７文献标识码：Ａ文章编号：１６７１－６５４Ｘ（２００８）０２—００２７—０３
引言
飞参系统记录了飞机飞行过程中的发动机工作参数，如高压转速、低压转速、排气温度等，利用这些数据可以对发动机的性能进行一定程度上的监控。在对某型飞机飞参记录器记录的发动机参数进行分析之前，发现高压转速数据中存在不少野值点（间断点和奇异值），分析认为，它们是由于信号测量和传输时受到干扰导致的失真，因而不能直接用于对发动机的性能分析，必须对数据进行预处理。ＲＢＦ（ＲａｄｉａｌＢａｓｉｓＦｕｎｃ—ｔｉｏｎ）神经网络具有强大的信息处理能力，一个适当设计的ＲＢＦ神经网络能在任意精度上逼近一个复杂的非线性函数，同时它还具有自学习、自适应、结构简单、训练简洁、收敛速度快等优点。广义回归（ＧＲＮＮ）神经网络是ＲＢＦ神经网络的一种变化形式，它具有训练速度快、非线性映射能力强等特点，特别适合于解决函数逼近问题…。因此，研究了利用广义回归神经网络对这些野值点进行预处理。
１广义回归神经网络的基本原理
ＧＲＮＮ最早由Ｓｐｒｅｃｈｔ提出，它是径向基神经网络的变形，其结构与径向基网络接近，仅在输出的线性层有一些不同，非常适合于函数的逼近。ＧＲＮＮ的结构如图１所示¨。。
图ｌ中Ｌ瞩．。表示第一层（径向基函数层）的权值矩阵，ＬＷＩ．。为Ｑ×Ｒ矩阵，Ｑ为训练样本对的数量，即第一层的神经元个数，尺为网络输入的维数，Ｋ为预定义的分类类别数，即第二层（竞争层）的神经元个数。
Ｐ为待检特征向量（ＲＸ１），ｂ。为第一层的阈值向量（Ｑ×１），玎。为第一层径向基传递函数的输入向量（ＱＸｌ），ａ。为第一层径向基传递函数的输出向量（Ｑ×１）。径向基传递函数通常采用高斯函数：
Ｒａｄｂ傩（工）：ｅｘｐ（一止掣）（１）
≈ｚｃｒｉ
其中，盯；决定了第ｉ个隐含层位置中的基函数的形状，以越大，则基函数越平滑，所以又称之为光滑因子。
Ｌ％．。是连接第一层和第二层的权值矩阵。假设‘有Ｑ组训练样本对，。／Ｏ。，ｉ／ｏ：，…，Ｉｏ／０Ｄ，其中Ｉ；（ｉ＝１，２，…，Ｑ）为训练样本对的输入向量（Ｒ×１），０；（ｉ＝１，２，…，Ｑ）为训练样本对的目标向量，Ｄ：’的形式是Ｋ维列向量（Ｋ×１），其中的Ｋ个元素分别对应Ｋ个分类类别，每个向量有且仅有一个元素为ｌ，其余元素为Ｏ，表示所对应的输入向量属于与该元素相对应的一种类别。训练时，输入向量以ｉ：１，２，…，Ｑ），以列向量为输入形式组成一个Ｒ×Ｑ的输入向量矩阵Ｐ。，目标向量组成一个Ｋ×Ｑ的目标向量矩阵ｒ，即：
ｒ：［Ｄ：，ｏＴ，…，ｏ；ｌ
ＧＲ神经网络的训练过程比较简单，网络的权值矩阵￡暇．。被设置为输入向量矩阵Ｐ。的转置矩阵，权值矩阵￡ｗ２．。被设置为目标向量矩阵ｒ。训练完成时，网络的输出矩阵和目标向量矩阵的残差为０，这是ＧＲＮＮ的一个优点。
当待检向量Ｐ＝［Ｐ。，Ｐ：，…，ＰＲ］７输入给已经训练好的网络时，网络的第一层计算该输入向量与权值矩
收稿日期：２００８—０１—０３修订日期：２００８—０２—２０
作者简介：曲建岭（１９６９一），男，山东莱阳人，教授，博士，研究方向为智能故障诊断和飞参数据的应用。 万方数据