王金浩， 李小娟， 孫永華， 李文彬

(城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地，資源環(huán)境與地理信息系統(tǒng)北京市重點實驗室，首都師范大學資源環(huán)境與旅游學院，北京 100048)

?

BP神經網絡在漁船航行安全預警中的應用

王金浩， 李小娟， 孫永華， 李文彬

(城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地，資源環(huán)境與地理信息系統(tǒng)北京市重點實驗室，首都師范大學資源環(huán)境與旅游學院，北京 100048)

漁船在海上航行時由于船體自身結構或者海面風浪等不利因素的影響，時常處于潛在的威脅當中。為了研究漁船在海洋環(huán)境中可能會遭受的風險，采用基于BP神經網絡算法，對漁船噸位、發(fā)動機功率、漁船材質、漁船船齡以及漁船所處海面風等級、海面浪等級等6個預警指標要素構成的漁船預警模型進行評估，最終確定漁船在海上航行時的風險等級。在構建風險預警模型中使用了400個漁船事故案例，將訓練樣本按照數(shù)量劃分為多個級別進行驗證。預警模型結果與實際值比較顯示，模型的正確率為79.76%～83.62%，其中在訓練樣本數(shù)為測試樣本數(shù)的0.75倍時，模型精度最高。研究表明，基于BP神經網絡的漁船風險預警模型的評估結果與漁船實際事故狀態(tài)基本相符。該模型的建立為漁船海上航行提供了安全保障。

漁船航行；安全預警；預警指標； BP神經網絡

全國海洋漁船總數(shù)達31.61萬艘，1 000余個漁港，超過1 500千公頃的海水養(yǎng)殖面積，從業(yè)漁民多達800萬人[1]。海洋漁業(yè)的生產安全情況，直接關系到了漁民的切身利益[2]。據中國漁業(yè)互保協(xié)會測算，中國漁船有高達17.55%的出險率，漁船船員年均死亡率高達140/10萬[3]。由此可見，建立海洋漁船航行安全預警模型、防范海洋災害、減少經濟損失顯得十分重要。目前針對船舶安全風險預警模型的研究較多，主要有：(1)綜合安全評估法(FSA)，其具有結構化、系統(tǒng)化、兼容性高等優(yōu)點[4-6]，多用于分析航行船舶的風險體系[7-9]；(2)基于誤差反向傳播理論的BP神經網絡[10]，其具有自學習、自組織、自適應及容差性等特點，用于構建實用性強的船舶風險評估模型[11-15]。

由于FSA中各項評價指標是由專家打分決定，人為影響因素較大。人工神經網絡算法一般用在大型船舶研究方面，小型漁船應用減少，并且其算法收斂速度慢，無法滿足大批量漁船風險評估的需求。所以，提出一種新型、適合小型漁船的風險預警模型尤為必要。本文以福建海域漁船作為研究對象，對漁船結構特點以及海洋環(huán)境等要素進行分析，基于BP神經網絡模型評估漁船預警等級，為海洋漁船安全作業(yè)提供保障。

1 漁船預警模型指標體系構建

1.1 海洋環(huán)境對漁船安全作業(yè)的影響

海洋環(huán)境主要是指海面風和海浪。漁船在海上作業(yè)時會受到海面風的作用而搖擺運動，其搖擺幅度由漁船與海面風之間的相對風向和相對風速以及漁船的受風面積共同決定。漁船在航行作業(yè)時也會受到海浪影響發(fā)生搖擺運動，與海面風有所區(qū)別的是，在海浪中漁船搖擺強度主要由漁船的耐波性、波浪方向和漁船尺寸等因素決定。

1.2 漁船自身結構對漁船安全作業(yè)的影響

1.2.1 漁船船齡的影響

隨著漁船船齡的延長，船體疲勞度、腐蝕耗損度增加，導致自身結構強度下降。根據《中國漁船安全分析報告》[3]，漁船全損事故的出險率基本隨著漁船船齡分檔的增加而升高，從圖1的統(tǒng)計可以看出，船齡21年以上的漁船出險率大幅上升。

圖1 漁船全損出險率按出險漁船的船齡分檔分析Fig.1 Total claim rate of fishing vessel according to age grading analysis

1.2.2 漁船噸位的影響

漁船的噸位也是影響漁船安全航行作業(yè)的因素之一。從操作性來看，噸位越大，靈活性越低，其受到航行海域水深、地形等因素的制約也就越大。同時，漁船噸位越大，往往體型也越大，船上的各個子系統(tǒng)也越加復雜，受漁船系統(tǒng)故障率的影響，發(fā)生海事的可能性也就越大。但是從抗風浪的角度看，漁船噸位越大，其自身穩(wěn)性越高，抗風浪能力越強，漁船在大風浪天氣中發(fā)生海事的概率越低[18]。

1.2.3 漁船材質的影響

在1999—2008年期間，木質漁船發(fā)生的風災事故最多，總共有1 496艘次，占全部風災事故的54.22%。而全損事故中，木質漁船數(shù)倍于鋼質漁船。因此，風災事故對于木質漁船的影響最大，而且多為毀滅性影響。

1.2.4 發(fā)動機功率的影響

在風災事故中，功率45～146 kW的漁船發(fā)生事故的次數(shù)最多，而441 kW及以上的漁船發(fā)生事故次數(shù)最小[3]。在碰撞與觸礁事故中，漁船的出險率是隨發(fā)動機功率增加而提高的。由于功率較大的漁船體型也較大，回轉性不如小船靈活，在遭遇碰撞、觸礁及擱淺等風險時，往往來不及躲避，所以出險率更高。

2 基于BP神經網絡預警模型構建

根據現(xiàn)有資料及案例庫中的數(shù)據，將漁船海事等級劃分為4個等級(安全、比較安全、危險、非常危險)。(1)安全無預警：漁船不會發(fā)生海事事故；(2)三級預警：漁船發(fā)生海事事故，但僅僅令漁船產生部分損失，漁船并未沉沒，也為發(fā)生人員死亡事故；(3)二級預警：漁船發(fā)生海事事故，造成漁船全損，但并未發(fā)生人員死亡或失蹤等事故；(4)一級預警：漁船發(fā)生海事事故，造成漁船全損，發(fā)生人員死亡或失蹤事故。

2.1 模型輸入、輸出及隱含層的確定

本文以漁船風險預警指標作為模型輸入層向量，漁船海事等級作為模型輸出層向量。預警模型輸入層節(jié)點共有6個，輸出層節(jié)點共有4個。隱含層連接著輸入層和輸出層，其神經元的數(shù)目直接關系到模型計算結果。目前，一般使用試湊法來確定隱含層神經元數(shù)目，根據經驗公式計算出隱含層神經元數(shù)目的可能選擇，并進行一定程度的微調，逐一進行實驗、對比，從而確定最優(yōu)隱含層神經元數(shù)目。經驗公式如下所示：

(1)

b=2n+1

(2)

式中：b—隱含層神經元數(shù)目；m—輸出層向量節(jié)點數(shù)；n—輸入層向量節(jié)點數(shù)；a—1至10的常數(shù)。根據以上公式可知，海洋漁船預警模型的隱含層數(shù)在13個左右。在此基礎上微調隱含層神經元數(shù)目進行網絡訓練。訓練結果如圖2所示。

從圖2可以看出，當隱含層數(shù)為20時，神經網絡在訓練106次后達到預期精度，訓練次數(shù)屬最少，故確定隱含層節(jié)點為20。因此，本文所用BP神經網絡輸入層節(jié)點數(shù)為6，隱含層神經元數(shù)目20，輸出層節(jié)點數(shù)為4。

2.2 神經網絡傳遞函數(shù)及訓練函數(shù)確定

人工神經網絡中的傳遞函數(shù)影響著網絡的性能及輸出結果。根據海洋漁船預警模型中輸入層神經元和輸出層神經元的數(shù)據類型，以及從減少網絡收斂時間考慮，本文選用logsig函數(shù)作為隱含層及輸出層的傳遞函數(shù)。同時，考慮到樣本數(shù)量有限以及BP人工神經網絡的局限性，采用經過改進的訓練函數(shù)traingdx來訓練網絡。與其他訓練函數(shù)相比，traingdx函數(shù)加入了自適應學習率及附加動量項[16]，使其可以很好地訓練有限樣本的神經網絡，從而令網絡不會陷入局部最小值陷阱，并提高訓練精度。

圖2 隱含層神經元數(shù)的確定Fig.2 Determination of the number of neurons in the hidden layer

2.3 預警指標權重計算

根據確定好的神經網絡傳遞函數(shù)及隱含層節(jié)點數(shù)，即可獲得權重閾值矩陣。根據以下公式，即可計算出各預警指標權重[17]。

1)計算輸入神經元和輸出神經元之間的相關系數(shù)

(3)

2)根據相關系數(shù)計算相關指數(shù)

Rij=|(1-e-rjk)/(1+erjk)|

(4)

3)計算第i個預警指標權重

(5)

式中：rjk—輸入層第j個神經元與輸出層第k個神經元之間的相關系數(shù)；ωij—輸入層第i個神經元和隱含層第j個神經元之間的權系數(shù)；vik—隱含層第j個神經元和輸出層第k個神經元之間的權系數(shù)；Si—第i個預警指標的權重。利用人工神經網絡算法能對預警模型指標權重進行動態(tài)的調整。根據漁船海事案例的收集積累，各指標對于漁船航行安全的影響會發(fā)生變化，令海洋漁船預警模型可以進行動態(tài)調整。隨著收集案例的增多，各指標權重越接近于真實狀態(tài)，預警模型計算結果也越準確。

3 仿真實例

3.1 數(shù)據準備

研究數(shù)據來自某海事部門隨機選取的漁船事故案例，按照海洋漁船預警等級劃分標準對漁船事故案例進行劃分。為了避免后期模型出現(xiàn)過擬合現(xiàn)象以及由于訓練樣本數(shù)目過少，造成算法收斂較快、模型性能較差的后果，訓練樣本個數(shù)選取原則保持在測試樣本個數(shù)的0.5～1.5倍之間。本文根據漁船風險預警模型預測測試樣本的結果，以絕對百分比誤差(APE)指標來定量評判模型的性能。計算公式為：

式中：vc—模型預測結果正確樣本個數(shù)；vd—實際測試樣本個數(shù)。

由于篇幅有限，表2只隨機列出30個漁船海事案例，包括海事發(fā)生時漁船的結構數(shù)據及海風海浪數(shù)據。

3.2 結果

通過多次實驗得出：訓練樣本和測試樣本分別為50和50時，BP漁船風險模型APE為30.42%；分別為60和80時，APE為27.60%；分別為70和130時，APE為28.58%；分別為80和150時，APE為29.37%；分別為90和70時，APE為28.96%(圖3)。

圖3 漁船風險模型平均誤差Fig.3 Average error of fishing vessel risk model

由圖4得出，訓練樣本為測試樣本的0.75倍時，模型精度相對達到最高，但是其APE在27.60%左右，誤差水平整體偏高。

圖4 BP神經網絡絕對百分比誤差(APE)Fig.4 Absolute percentage error of BP neural network

3.3 分析

由實驗得出，基于BP神經網絡的漁船預警模型的最小APE為27.60%，并且模型訓練次數(shù)較多、訓練較慢。模型存在的缺陷是由于BP神經網絡的權重和閾值選取不當，為了避免相鄰預警樣本之間由于親近度造成模型的誤差，本文使用遺傳算法優(yōu)化BP神經網絡初始權重和閾值，以提高預測精度。

基于遺傳BP神經網絡最大百分比誤差為20.24%，而基于BP神經網絡最大百分比誤差為30.42%，由于使用不同數(shù)量測試樣本，模型最大百分比誤差甚至超過了50%。這說明基于BP神經網絡的漁船風險預警模型泛化能力較遺傳BP神經網絡要差，并且遺傳BP神經網絡訓練次數(shù)明顯少于BP神經網絡，說明經過遺傳算法優(yōu)化后的BP神經網絡，其初始權重和閾值選取比較合理，預測模型精度更高(圖5、圖6)。

圖5 基于遺傳BP神經網絡漁船風險模型平均誤差Fig.5 Average error of fishing vessel risk model based on genetic BP neural network

圖6 基于遺傳BP神經網絡絕對百分比誤差Fig.6 Absolute percentage error of neural network based on genetic BP neural network

4 結論

利用漁船遇險6種指標構建基于BP神經網絡的漁船風險預警模型，其預測值與實際值基本吻合。為了避免模型過擬合現(xiàn)象的出現(xiàn)，根據訓練樣本和測試樣本比例的不同進行了多次實驗，最終確定在訓練樣本數(shù)為測試樣本數(shù)的0.75倍時，模型精度達到最高。由于預警模型數(shù)據為漁船自身結構數(shù)據和海洋環(huán)境數(shù)據，與研究區(qū)海域影響不大，因此該模型具有一定的通用性。漁船遭受風險具有多種類型，本文僅考慮了漁船在大

風浪等惡劣天氣條件下由于自然因素造成的災害，因此，模型在預測漁船遭受災害類型上有一定的局限性。

□

[1] 王宏,李強.中國海洋統(tǒng)計年鑒[M]. 北京：海洋出版社,2014：47.

[2] 林法玲.漁港有效避風面積計算探討—以霞關漁港為例[J].海洋預報, 2013, 29(6)：92-97.

[3] 孫穎士,李冬霄.中國漁船安全分析報告(1999—2008)[M].北京：中國農業(yè)出版社,2009：13,17,45-51.

[4] 秦庭榮,陳偉炯,郝育國,等. 綜合安全評價(FSA)方法[J].中國安全科學報,2005,15(4)：88-92.

[5] WANG J,KIERAN O.Offshore Safety Assessment and safety-based decision-making—the current status and future aspects[J]. Journal of Offshore Mechanics and Arctic Engineering,2000,122(2)：93-99.

[6] WANG J. A subjective modelling tool applied to formal ship safety assessment[J].Ocean Engineering,2000,27(10)：1019-1035.

[7] 劉大剛,鄭中義,吳兆麟.大風浪中航行船舶風險體系分析[J].交通運輸工程學報,2004,4(2)：100-102.

[8] 任玉清,鄭吉輝.綜合安全評估(FSA)在漁船風險控制中的應用[J].漁業(yè)現(xiàn)代化,2011,38 (3)：58-61.

[9] 羅福才,林焰,王運龍.基于綜合安全評估的漁船安全風險分析[J].大連海事大學報,2011,37(2)：51-53,57.

[10]RUMELHART, DAVID E,WIDROW,etal. Basic ideas in neural networks[J]. Communications of the ACM, 1994, 37(3)：87-92.

[11]路其軍.基于BP網絡的客滾船大風浪航行安全評估[D].大連：大連海事大學,2010.

[12]楊鹍鵬,王鵬,潘新祥.基于人工神經網絡理論的船舶動力裝置安全綜合評價模型[J].中國安全生產科學技術,2006,2(6)：90-93.

[13]鄭中義,吳兆麟.以BP神經網絡計算船舶碰撞危險度[J].世界海運,2000,23(2)：4-6.

[14]王勇.客滾船營運風險的BP神經網絡評估[J].青島遠洋船員學院學報,2010,31(2)：67-70.

[15]鮑君忠,劉正江，黃通涵.船舶風險評價模型[J].大連海事大學學報,2010,36(4)：11-13.

[16]SSUBRI S H, SALLEHUDDIN R, HARON H,etal. Neural network in corner detection of chain code series[J].International Journal of Artificial Intelligence & Machine Learning, 2006, 6(1)：37-43.

[17]吳銘峰.基于人工免疫的城市生態(tài)系統(tǒng)預警模型研究[D].南京：河海大學,2006.Application of BP neural network in the early warning of fishing vessel navigation safety

WANG Jinhao, LI Xiaojuan, SUN Yonghua, LI Wenbin

(State Key Laboratory Incubation Base of Urban Environmental Processes and Digital Simulation, Beijing Key Laboratory of Resource Environment and Geographic Information System, College of Resources Environment and Tourism, Capital Normal University, Beijing 100048, China)

During the voyage, the fishing vessel is in a potential threat because of its own structure or the influence of sea surface wind and waves. In order to study the risk of fishing vessels in the marine environment, based on the BP neural network algorithm, the fishing boats early warning model which is composed of 6 early warning indicators ：fishing vessel tonnage, engine power, material, fishing vessels age, sea breeze level, wave level, were evaluated and then the sea operations risk level for fishing vessels were finally determined. 400 fishing vessel accident cases were selected to develop the risk early warning model and the model was verified through classification of multiple levels for the training samples. The results of early warning and the actual results of statistical calculation showed, the correct rate remained at 79.76%-83.62%, in which when the training sample number was 0.75 times as the number of test samples, the accuracy of the model is highest. In conclusion, the assessment results of fishing vessel risk early warning model based on BP neural network was basically consistent with the actual condition of accident, which could provide guarantee for safe navigation .

fishing vessel navigation; safty warning; warning indicator; BP neural network

2015-11-13

2016-01-11

國家海洋公益性項目“海洋漁業(yè)安全環(huán)境保障服務系統(tǒng)關鍵技術研究及示范應用(201205006)”和“海洋預報業(yè)務化系統(tǒng)模塊化構建與應用示范(201205017)”

王金浩(1990—)，男，碩士研究生，研究方向：海洋地理信息系統(tǒng)。E-mail：wjhao1990@126.com

孫永華(1982—)，男，講師，博士，研究方向：高光譜遙感、城市遙感、GIS軟件工程。E-mail：syhua1982@163.com

10.3969/j.issn.1007-9580.2016.01.009

S972.7

A

1007-9580(2016)01-047-06