船舶碰撞危险度的计算方法比较非匿名.docx
《船舶碰撞危险度的计算方法比较非匿名.docx》由会员分享，可在线阅读，更多相关《船舶碰撞危险度的计算方法比较非匿名.docx（14页珍藏版）》请在冰豆网上搜索。
船舶碰撞危险度的计算方法比较非匿名
船舶碰撞危险度的计算方法比较（非匿名）
船舶碰撞危险度的计算方法研究
曾建辉，鲁艳丽
（哈尔滨工程大学自动化学院，黑龙江省哈尔滨市150001）
摘要：
在船舶安全航行和船舶避碰领域中，研究和计算船舶碰撞危险度是至关重要的，因此采用一种好的方法来计算船舶碰撞危险度一直是船舶避碰领域研究和讨论的热点。
本文分别采用了模糊数学计算法、BP神经网络法和灰色关联分析法对船舶碰撞危险度的计算进行研究。
研究表明模糊数学计算法的计算精度高但是计算量大；BP神经网络法的计算误差较小，自学能力很强，但是它的运算速度慢，失败的可能性较大；灰色关联分析法不能计算出绝对的船舶碰撞危险度的数值，它仅能计算出多船时，各目标船的相对碰撞危险度，但是它的计算简单，结果明确。
关键词：
船舶碰撞危险度；模糊数学计算法；BP神经网络；灰色关联分析
ResearchofMethodofCalculatingShipCollisionRiskIndex
ZENGJian-hui,LUYan-li
（CollegeofAutomationofHarbinEngineeringUniversity,Harbin,150001,China;）
Abstract：
Inthefieldofsafenavigationofvesselsandshipcollisionavoidance,itiscrucialtoresearchandcalculateshipcollisionrisk.So,agoodmethodofcalculatingtheshipcollisionrisk isahotspotinthefieldofshipcollisionavoidance.ThispaperusescalculationoffuzzyMathematics,BPneuralnetworkandgreyrelationalanalysistoresearchthecalculatingtheshipcollisionrisk.TheresearchshowscalculationoffuzzyMathematicsisaccurate,butdifficulttocalculate;computationalaccuracyofBPneuralnetworkishigh,Self-studyabilityisstrong,whileitsoperationisslow,andpossibletofailure;greyrelationalanalysiscan’tcalculatetheabsolutevalueofcollisionrisk,itcanonlycalculatetherelativevalueofcollisionrisk,whenmulti-shipencounters,butitscalculationissimpleandclear.
Keywords：
ShipCollisionRiskIndex;CalculationofFuzzyMathematics;BackPropagationNeuralNetwork;GreyRelationalAnalysis
船舶碰撞危险度（CollisionRiskIndex，CRI），是船舶之间发生碰撞可能性大小的度量，也是船舶之间发生碰撞危险的衡量标准，更是避碰决策的依据和评判标准。
CRI是一个很模糊的，不确定的概念，它不仅要受到航速、航向等因素的影响，还受到人对危险的感知和接受能力等因素的影响[1]。
CRI的取值范围为0～1。
CRI=0说明没有碰撞危
表15艘目标船的参数信息
目标船
航速
（kn）
方位
（°）
航向
（°）
距离
（nmile）
1
12.0
0
160
4
2
14.0
0
170
6
3
16.0
0
190
7
4
14.0
60
300
6
5
20.0
100
335
6
经过计算可得DCPA、TCPA、本船和目标船的船速比K，以及CRI的值如表2所示
表2模糊数学法的计算结果
目标船
DCPA
（nmile）
TCPA
（min）
K
CRI
1
-0.5952
8.6040
1.333
0.5414
2
-0.4881
12.0057
1.143
0.5144
3
0.6101
13.1250
1
0.5142
4
-0.6882
23.6842
1.143
0.5137
5
0.4310
41.1982
0.8
0.4443
2BP神经网络算法
2.1BP神经网络算法简介
典型的BP网络是三层的前馈阶层网络，即输入层、隐含层和输出层。
层与层之间实行全互连方式，同层单元之间不存在相互连接[5,6]。
其模型如图1所示。
图1三层BP神经网络模型
BP神经网络又称误差反向传播神经网络，是一种能向着满足给定的输入输出关系方向进行自组织的神经网络。
BP神经网络算法由两部分组成：
信息的正向传递和误差的反向传播。
在信息的正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层的神经元状态只影响下一层的神经元的状态[7]。
如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反向传回来，修改各层的神经元之间的连接权值和各个神经元的阈值直至达到期望的目标。
2.2应用BP神经网络计算CRI的网络结构
在船舶碰撞危险度的研究中，DCPA和TCPA被公认为是影响船舶碰撞危险度最重要的两个因素。
DCPA越小，碰撞危险度越大；TCPA越小，碰撞危险度越大。
这里为了计算的速度快一些，把DCPA和TCPA值作为网络的输入。
直接把船舶碰撞危险度CRI作为网络的输出。
经过多次实验，本文选择一个有二个输入结点的输入层，一个含有五个结点的隐含层，只有一个输出结点的输出层的BP神经网络。
网络的拓扑图如图2所示。
图2BP神经网络网络拓扑图
2.3应用BP神经网络计算CRI
网络初始化：
设置网络最大允许误差为0.0001，网络的最大训练次数为50000次。
输入层与隐含层为logsig函数、隐含层与输出层为tansig函数。
训练方法采用Levenberg-Marguardt方法[8]。
BP神经网络算法的流程图如图3所示。
图3BP神经网络流程图
根据文献9中的训练样本，经过BP神经网络训练，得到了各神经元的连接权值和阈值，如表3所示。
表3BP神经网络的权值与阈值
权值
阈值
2.7460
4.9922
3.4269
4.1578
-2.7912
-0.4189
0.0408
-0.3653
-0.2793
-0.4159
-2.3629
-10.0846
2.1090
2.8209
4.5062
0.7082
-2.0867
-1.2631
0.7812
-0.8822
1.3713
该BP神经网络的训练误差曲线如图4所示。
图4BP神经网络训练误差图
2.4BP神经网络算法测试
选取一组新的测试样本，使用训练好的BP神经网络进行测试。
测试样本值、预测CRI值及预测CRI与期望CRI及之间的误差值见表4。
表4BP神经网络的测试结果
DCPA
（nmile）
TCPA
（min）
期望
CRI
预测
CRI
误差
2.33
10.87
0.1286
0.1301
0.0015
0.62
19.68
0.4000
0.3814
-0.0186
1.66
11.45
0.1286
0.1284
-0.0002
0.60
8
0.8333
0.8435
0.0102
0.58
10.5
0.6000
0.5905
-0.0095
0.79
39.81
0.1286
0.1440
0.0154
0.50
13
0.6000
0.5933
-0.0067
2.18
16.56
0.1286
0.1302
0.0016
0.45
12
0.6000
0.5845
-0.0155
1.23
47.53
0.1286
0.1410
0.0124
0.45
5
0.95
0.9389
-0.0111
0.65
13
0.6000
0.5822
-0.0178
0.35
12.5
0.6000
0.6062
0.0062
0.35
9.5
0.8333
0.8295
-0.0038
0.50
12
0.6000
0.5812
-0.0188
由表中的结果可知，利用BP神经网络计算船舶碰撞的危险度，最终得到了误差较小，精确的输出结果，该输出结果可以应用于研究船舶避碰决策系统中。
3应用灰色关联分析计算CRI
3.1灰色关联分析的基本知识
灰色系统是一种不确定系统的研究方法，它的研究对象是部分信息已知，部分信息未知的“小样本、贫信息”的不确定性问题，它通过“部分”已知信息的生成和开发实现对现实世界的描述和认知。
其中灰色关联分析是灰色系统的一个重要的研究内容。
灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。
曲线越接近，相应序列之间关联度就越大，反之就越小[10]。
设
为系统特征序列，且
为相关因素序列。
给定实数
，若实数
，满足：
（1）规范性：
（2）整体性：
对于
有
（3）偶对对称性：
对于
有
（4）接近性：
越小，
越大。
则称
为
的灰色关联度，其中，
为
在
点的关联系数，并称
（1）、
（2）、（3）、（4）为灰色关联四公理。
设系统行为序列为
对于
，令
记
为
，
则称
满足灰色关联公理，其中
称为分辨系数，取值范围为0~1。
称为灰色关联系数，
称为
的灰色关联度，记为
。
3.2应用灰色关联度计算CRI
其实这里使用的灰色关联分析法并不能计算出船舶碰撞危险度的具体准确数值，它计算出来的是多艘目标船与本船之间的相对危险程度，这在船舶避碰系统中的地位与真正的CRI是等价的，具有很重要的意义。
根据灰色关联度的定义，可得关联分析的计算流程图如图5所示。
图5灰色关联分析流程图
这里以DCPA、TCPA和本船和目标船的船速比K为评价指标体系，且DCPA、TCPA和本船和目标船的船速比K的最小值为参考序列。
假设本船与目标船的会遇情况和参数同1.2节相同，则应用灰色关联度计算得到的结果如表5所示。
表5应用灰色关联度计算所得结果
目标船
各序列指标的关联系数
各序列关联度
1
0.99
1
0.9683
0.9861
2
0.9965
0.8273
0.9794
0.9344
3
0.9891
0.7828
0.9879
0.9199
4
0.9845
0.5194
0.9794
0.8278
5
1
0.3333
1
0.7778
根据表5中的关联度一栏，
。
通过这个结果可知，与本船会遇的5艘目标船中，碰撞危险度最高的是目标船1，最低的是目标船5，因此船舶驾驶员避碰的顺序应该为1，2，3，4，5。
在1.2节中根据表2，我们可知
，因此避碰顺序为1，2，3，4，5。
这与应用灰色关联度的计算结果完全相同。
4结论
（1）模糊数学计算法是传统的经典的船舶碰撞危险度的计算方法，它根据原始的计算数据，通过对一些参数权重进行模糊赋值，最终得出结果。
这种方法计算量很大，但是计算结果很准确。
（2）BP神经网络法，自学能力好，根据测试可以看出它计算出的误差较小，其结果可以作为实际航行和船舶避碰决策的依据。
但是它的收敛速度慢，计算时间长，而且失败的可能性很大；同时对样本的依赖性很大。
一个训练样本仅仅适用于同一个海域，相似的气象环境下，因此应用BP神经网络法计算船舶碰撞危险度相对来说不太好。
（3）灰色关联度法是新兴方法，它的计算量小，速度快，计算结果准确。
但是它不适用于两船会遇，仅适用于多船会遇，并且不能计算绝对的船舶碰撞危险度，它计算出的结果仅仅是船舶的相对碰撞危险度。
但是对于不要求计算出的船舶碰撞危险度的具体数值的情况下，应用这种方法很快捷很准确地确定多艘目标船的避碰顺序。
参考文献:
[1]赵劲松,王逢辰,今津肇马.船舶避碰学原理[M].大连:
大连海事大学出版社,1999.
[2]朱世立.电子海图应用系统设计[M].北京:
国防工业出版社,1997.
[3]周江华，吴春杰.船舶碰撞危险度模型的构建[J].宁波大学学报，2004，17
（1）：
61-65
[4]张显库,李元奎.船舶操纵性能指数预报研究[J].中国航海,2009,32
（1）:
96-101
[5]刘金琨.智能控制[M].北京:
电子工业出版社,2005.
[6]侯媛彬,杜京义,汪梅.神经网络[M].西安:
西安电子科技大学出版社,2007.
[7]AnuragMore,M.C.Deo.Forecastingwindwithneuralnetwork[J].MarineStructures,2003,（16）:
35-49.
[8]闻新,周露,李翔.MATLAB神经网络仿真与应用[M].北京:
科学出版社,2006.
[9]陈雪娟.基于模糊BP神经网络船舶避碰理论与方法研究[D].湖南:
湖南大学,2005.
[10]刘思峰,郭天榜.灰色系统理论及其应用[M].武汉:
华中理工大学出版社,1990.
升级会员 