基于KNN改進神經網絡的測試系統自動設計

李曉琳，謝 帥，岳 健

(中國飛行試驗研究院飛行試驗測試航空科技重點實驗室，陜西 西安710089)

1 引言

自動測試系統最早應用于20世紀60年代，隨著信息技術的迅猛發展，在國防工業領域內的地位日益突出。自動設計模式經過組合式組建概念、標準化測試接口、基于VXI、PXI等高速內總線集成技術的革新和突破，呈現出由“模塊化、標準化”向“高精度、小型化、測試數據管理智能化”發展的態勢[1]。在理論研究方面，文獻[2]提取測試系統的共性內容形成插件庫和執行工具，設計并實現開放靈活低成本的自動測試系統通用軟件平臺；文獻[3]基于網絡自動測試系統模型框架，提出基于XML的測試腳本設計規范，在解決汽車零配件老化性能測試和漏泄電纜質量檢測方面效果顯著；文獻[4]依據飛行器綜合控制系統的特點，采用PXI總線技術組建了自動測試系統，實現了對飛行器綜合控制系統的自動化測試；文獻[5]通過研究活動圖建立規則，基于模型提出了UML活動圖和遺傳算法相結合的測試用例自動生成方法，構建自動化測試平臺并提升了軟件測試質量；文獻[6] 結合自動測試系統的低成本、軟件可重構等設計原則，通過對比各項技術實現基于 FPGA和 Lab VIEW 的軟硬件設計方案并實現，使自動測試系統能夠快速響應編程需求。以上自動測試系統均是以形成專用設備或系統性能自檢模式、構建自動測試平臺為目的，對其自動測試系統本身的自動設計方法未有涉獵；而機載測試系統本身就是以飛行器關鍵參數為被測對象、以飛行試驗為應用場景、以完成試飛測試任務為目的一種自動測試系統，相對需求更為復雜、任務變化更為靈活，因而提升其設計過程的效率以確保試飛任務節點尤為重要，機載測試系統的自動設計方法亟待研究。

在飛行試驗領域，為滿足新型飛機鑒定需求，機載測試系統通常基于新機性能評價提出的測試任務，設計一套集前端信號感知、數據采集、記錄和遙測傳輸為一體的系統。測試工程師首先要對參數需求進行分析，將其整理、歸類后，再依據各種測試設備的性能指標，結合經驗選擇適用于試驗鑒定的采集、記錄設備，工作重復性嚴重且容易造成人為差錯，缺乏智能輔助手段，對系統設計效率十分不利。

為提高測試方案設計的效率和質量，本文從常規設計流程出發，開展針對任務參數解讀的機器學習算法研究，提出基于BP神經網絡改進的KNN算法，利用預測模型使測試參數準確分類，分類結果匹配至對應的信號采集方式，實現測試系統整體設計流程的自動化。

2 機載測試系統自動設計方案

基于流程模塊化分解的設計理念，測試系統自動設計方案如圖1所示，主要包含測試參數自動識別、測試參數集中管理和測試系統自動構型三部分。

圖1 測試系統自動設計方案

測試參數自動識別是根據參數信息特征向量，采用機器學習算法實現參數快速自動歸類，并按類別形成參數表，便于參數集中管理和采集方式自動匹配。本方案所采用的機器學習算法為基于KNN改進的神經網絡算法，后文將詳細闡述。

測試參數集中管理是在參數自動分類的基礎上，設計條件映射機制使各類參數實現自動匹配，并將測試設備屬性、功能等關鍵信息嵌入至參數管理界面，完成系統設計過程中設備性能指標信息可調用、采集方式自動配置、參數完整信息輸出和采集模塊自動統計等關鍵功能，為測試系統自動構型方法提供依據。

測試系統自動構型方法是個根據參數自動分類和采集模式自動匹配后的結果，在滿足科研試飛任務需求的情況下，統計測試所需采集和記錄模塊數目，并按模塊功能和容量限制等設計原則建立“最小測試系統”，即以最少數目、最小負載的測試設備完成測試系統的構建，最終將測試參數和資源設備最終配置信息整合輸出，具體步驟將在后文闡述。

3 基于KNN改進BP神經網絡算法的測試參數自識別技術

3.1 KNN機器學習算法

KNN算法的思想是對于任意n維輸入向量，分別對應于特征空間中的一個點，輸出的結果是預測區間范圍或所在類別，也就是說訓練樣本集中每一數據與所屬類別有對應關系。

若輸入數據沒有標簽，那么將這個數據的每個特征與訓練樣本集中數據的特征進行比較，最終的分類標簽(所在類別)是訓練樣本集中與之特征最相近數據的類別[7]。

KNN算法主要計算待測樣本數據與總體樣本數據的距離，然后將最相鄰的樣本數據作為決策對象來使用該算法。KNN 算法中最為重要的部分就是三要素，分別是K值的選取、分類決策的方式以及如何度量距離。

K個樣本是最近鄰的關系，當這K個樣本符合一個具體的類別時，也就確定了未知樣本是也屬于該類別[8]。

針對測試參數的KNN算法在計算時，首先輸入歷史測試參數名稱、類別的訓練數據集：T={(x1，y1)，(x2，y2)，…，(xn，yn)}，去其中xi∈X?Rn為n維的實例特征向量。

yi∈Y={c1，c2，…，cK}，其中i=1，2，…，N為參數類別的類別，其中，i=1，2，…，N，預測任務輸入參數x。輸出：預測任務參數x所屬參數類別y。

具體計算步驟：

1)根據給定的距離量度歐氏距離在訓練集T中找出與x最相近的k個樣本點，給出相似度的就計算結果，并將這k個樣本點所表示的集合記為N＿k(x)；

歐式距離算法表達式為

(1)

其中，T={(x1，y1)，(x2，y2)，…，(xn，yn)}作為訓練樣本集，Sim(xk，yk)值越小則歐氏距離越短，越接近目標條件，即預測參數xi越趨近于目標參數yi[9]。

2)選取合適的K值

KNN算法中只有一個超參數k，對預測結果影響很大。如果k值比較小，就是說在進行預測的訓練樣本實例范圍較小。這時，在輸入與實例相近的訓練樣本對預測結果才會起作用，算法的近似誤差則比較小。但是，它也有明顯的缺點：算法的估計誤差比較大，預測結果取決于近鄰點，若近鄰點為噪聲點那么預測結果容易出現錯誤。因此，k值過小容易導致KNN算法的過擬合。同理，如果k值選擇較大的話，距離較遠的訓練樣本也能夠對實例預測結果產生影響。這時候，模型相對比較魯棒，不會因為個別噪聲點對最終預測結果產生影響。但是缺點也十分明顯：算法的近鄰誤差會偏大，距離較遠的點(與預測實例不相似)也會同樣對預測結果產生影響，使得預測結果產生較大偏差，此時模型容易發生欠擬合[10]。

因此，在實際工程實踐中，可采用均方差方式選取k值，描述樣本的分布程度。通過以上分析可知，一般會在較小范圍內選取k值，同時把測試集上準確率最高的那個確定為最終的算法超參數k。

(2)

如式(2)所示，其中，x為期望值，xi代表每個樣本數據，n代表數據樣本總數[11]。

3)根據如下所示的多數投票的原則確定實例x所屬類別y

(3)

其中，i=1，2，…，N；j=1，2，…，K。

上式中I為指示函數

(4)

3.2 BP神經網絡算法

BP神經網絡是基于多層傳遞函數的學習網絡，主要由輸入層、中間層以及輸出層組成。首先輸入層獲取外界信息，然后傳遞給中間層，由中間層各個神經元進行計算，最后分發至輸出層，而中間層的處理過程可以存在單隱藏層或多個隱藏層，這也充分體現了BP神經網絡具有多層節點輸出模型和隱含層節點輸出模型的特點，且具有反向誤差反饋的特征。

由于連接隱藏層節點的權重系數不同導致作用于輸出層節點的權重不同，連接權重系數由以下兩部分組成：

1)wfm：輸入層節點Df連接到中間層節點Dm產生的權重系數；

2)wfj：中間層節點Dm到輸出層節點Dj產生的權重系數[12]。

圖2 算法流程圖

圖2為BP神經網絡算法的流程圖，當輸出層將信息輸出給外界時，會將信息形成一個反饋作用，對比輸出參數類別和實際類別，若誤差無法滿足任務參數分類判定需求，則通過反向傳播的方式調整修正各層節點的權重值。BP神經網絡通過對輸入歷史任務參數信息樣本不斷訓練學習修正各層權重值，即信息順序傳播與反向傳播反復交替出現，最終使訓練模型達到最優。隱藏層誤差計算和訓練模型表達式分別如式(5)和(6)所示

(5)

式(5)中Ep為隱藏層期望輸出，tpi為節點i的期望輸出，Opi為節點i的實際輸出。

Δwfj(n+1)=mgφfgOj+αgΔwfj(n)

(6)

式(6)中的m為學習因子，α代表動量因子，φf和Of都代表是計算誤差值[13]。

3.3 KNN改進的BP神經網絡算法

在測試參數自動識別的訓練過程中，采用BP神經網絡算法任務校正具有不確定性的參數訓練模型，而對于缺少的參數信息則通過KNN算法來預測補充，避免單一算法對歷史數據預測結果造成的不完備性，提高訓練模型精確度，降低預測結果誤差。

如下圖所示，KNN算法改進的BP神經網絡是算法預測流程是首先將任務參數輸入到判讀模塊，若預測結果出現異常則利用KNN算法對訓練模型進行修正，將修正信息傳遞到BP神經網絡算法中進行學習訓練，建立基于輸入任務參數的準確訓練模型，BP神經網絡算法和KNN算法的學習過程一直依賴于知識庫中的歷史任務參數信息，并通過不斷迭代修正訓練模型最后給出高可信度的預測測試參數信息[14]。

圖3 KNN改進后的算法流程圖

結合3.1節和3.2節對兩種算法的描述，KNN修正的BP神經網絡算法訓練樣本任務參數具體方式如下：

1)輸入歷史任務參數的原始樣本為T，數量為N個，最后得到訓練后的樣本為TKNN，可以將初始訓練樣本T分成兩個結合T1和T2。

3)對于異常任務參數集合的T2，利用KNN是算法在正常任務參數集合T1中選取K個最近鄰樣本數據，通過計算出K個最近鄰的權重系數得到T2KNN，校正完成后與正常任務參數T1集合合并成TKNN；

4)KNN訓練結束后利用新的集合輸入到BP神經網絡中對輸入的新樣本X預測結果；

5)當樣本X滿足校正條件后從TKNN中選取K個最近鄰參數，計算取代異常值權重后組成新集合XKNN，利用BP神經網絡對XKNN樣本進行預測，得到XKNN屬于某類別的概率為P，最終得到X中每個參數的預測結果集合Y。

其中，α、β分別表示KNN與BP神經網絡進行預測的置信度權重系數，應滿足α+β=1[15，16]。

為了驗證算法預測結果的準確度，選取49個數據作為訓練樣本，訓練最大次數100，全局最小誤差0.005，動量因子0.9，學習率0.025，采用KNN改進BP神經網絡算法前后，仿真效果的對比如圖4所示。可見相較于單獨采用BP神經網絡算法而言，經KNN改進后的算法預測能力表現平穩，因此用來作為測試參數自動識別和分類的算法。

圖4 KNN改進BP神經網絡算法前后對比結果

以圖5所示環境溫度參數示例，任務參數輸入格式(即表頭屬性)一致，在學習訓練時，首先進行關鍵特征提取，如“參數名稱”包含“溫度”、“參數符號”為“℃” 、“加裝”選擇“√”等元素；然后進行權重計算，如“參數符號”為“℃”的特征項與參數類別“環境溫度”分類貢獻度最高，“參數名稱”包含“溫度”的分類貢獻度次之，“加裝”選擇“√”最低；最后根據KNN改進的BP神經網絡算法計算其分類結果，對應參數所在類別。分類流程如圖6所示。

圖5 測試任務書中環境溫度參數摘錄示例圖

圖6 參數分類流程圖

在測試系統自動設計過程中，選取歷史任務參數量為100個的輸入樣本集合，其中任務參數種類包括過載、應變、環境溫度、壓力、環境振動等13類參數。

預測算法的置信度權重設置為α=0.3，β=0.7，設定K值為4，規定異常輸入信息參數個數大于2時樣本無效，所以針對異常個數分別為 0、1、2時分析預測結果。實驗的結果如表1所示。

表1 兩種方法預測結果準確度對比

經KNN改進后的BP神經網絡算法能夠保證測試參數自動識別和分類的精度要求，為后續測試參數集中管理、采集方式自動匹配和測試系統自動構型提供依據。

4 基于機器學習的機載測試系統自動設計

4.1 機載測試系統自動設計流程

機載測試系統自動設計軟件包括5個功能模塊，如圖7所示。

圖7 機載測試系統自動設計軟件功能模塊

文件輸入輸出模塊：使任務參數可通過文件批量輸入，經過參數自動識別、采集方式匹配、系統構型等運算后，形成完整的測試方案輸出為標準文件。

參數自動分類模塊：包含歷史參數分類信息庫和KNN分類算法，實現輸入任務參數按信號采集方式等測試原則準確分類。

設備關聯信息管理模塊：在測試參數集中管理過程中，用于設備主要功能信息的導入，其結果作為采集方式自動匹配的依據。

初步選型模塊：在參數類型自動識別和分類后，基于類別和采集方式設計原則產生映射關系，結合設備關聯信息實現采集方式自動匹配，并可根據實際需求編輯，作最終確認。

編輯模塊：整個測試系統設計的過程中若存在不完全符合參數實際測試方式的內容，可根據相應設計原則進行編輯或修改。

在形成以上功能模塊的基礎上，設計軟件流程如圖8所示。

圖8 測試系統自動設計軟件流程圖

4.2 機載測試系統自動設計軟件演示

以某飛機試飛任務測試需求為例，測試系統自動設計的效果如下：

1)首先，任務參數表作為txt形式導入至軟件中，導入的任務參數作為待預測分類參數；

2)在歷史任務參數訓練樣本庫的基礎上，采用基于KNN改進的BP神經網絡算法算法，對任務參數進行類別預測，自動分為若干類，形成如圖9所示的參數自動分類界面；

圖9 參數自動分類界面

3)參數集中管理界面如圖10所示，對于編輯表格中每一行的測試參數，可根據預測類別自動匹配該類別下的測試傳感器、調節器與采集模塊，編輯傳感器、調節器、采集模塊編號與匹配通道；

圖10 參數集中管理界面

4)根據參數集中管理、配置后的結果，采用測試系統自動構型方法形成“最小測試系統”。首先統計所需基礎采集模塊及其編號如圖11所示；然后，依據測試設備功能、容量限制等設計原則，如一臺采集機箱至多放置10塊采集模塊、每臺機箱KAD/ADC/109采集模塊不超過5塊等限制要求；再結合如圖12所示GPS數據定位、數據遙測傳輸、專用采集器等子系統關聯方式，關聯配置信息，最終導出為excel形式并統計測試系統建立所需的測試資源、參數測試方式等信息，導出測試參數資源自動配置信息如圖13所示。

圖11 采集基礎模塊統計結果

圖12 子系統關聯關系配置界面

圖13 導出后的測試參數資源自動配置信息

基于機器學習的機載測試系統自動設計軟件已在多型飛機試飛任務中使用，具有良好的開放性和靈活性，運行效果表現優異，據統計：平均縮短測試任務周期約41%，測試方案設計準確度提升約24%。

5 結論

本文首先從測試系統常規設計思路出發，將設計流程模塊化分解并加以優化，提取設計過程中測試參數自動識別、測試參數集中管理和測試系統自動構型三個關鍵步驟，形成機載測試系統自動設計方案；針對測試任務參數判讀和信息自動讀取，提出基于KNN改進的BP神經網絡算法實現輸入測試參數的高精度自動分類，保障測試系統自動設計軟件的順利運行，保證任務需求完整度和數據容量。

基于機器學習算法的機載測試系統自動設計技術的研究結果不僅能夠以智能化手段減少人為差錯、大幅提高測試系統設計的效率和質量，而且對未來測試一體化設計平臺的打造具有重要意義。