LMS算法在船舶航行危險評估中的應用

劉用功，陳丹涌

(廣州航海學院海運系，廣東廣州　510725)

?

LMS算法在船舶航行危險評估中的應用

劉用功，陳丹涌

(廣州航海學院海運系，廣東廣州510725)

摘要：在分析影響航行安全因素的基礎上，將模式識別方法引入到航行危險評估中，并采用LMS算法構建船舶航行危險評估模型。利用問卷調查收集到的影響航行安全的數據，采用可變學習速率的方法，對模型進行訓練和驗證。結果顯示采用LMS算法構建的船舶航行危險評估模型錯誤率低至0.03。該模型可快速識別船舶航行危險，為駕駛員操船提供參考，對保障航行安全有重要意義。

關鍵詞：航行危險；LMS；危險評估；船舶安全

近年來因船舶航行環境惡劣導致的船舶事故時有發生，如“光陽新港”集裝箱船因遇大風沉沒，“東方之星”客輪因遇到惡劣天氣傾覆，因此有必要對船舶航行環境中的危險進行評估。目前已有大量關于船舶航行危險評估的方法，從不同角度對航行危險進行評估，均取得了很好的效果。文獻[1-2]對綜合安全評估法(formal safety assessment,FSA)做了詳細的描述，對該方法中存在的問題進行細致分析，并提出解決FSA中不確定性問題的方法；文獻[3]通過分析貝葉斯網絡安全評估的特點，提出基于貝葉斯網絡的海上安全評估模型；文獻[4]將模糊層次分析法應用到航線安全評估中，得到南中國海航線航行危險的地理分布特點和時間分布特點；文獻[5]將影響航行安全的因素進行量化，采用灰色系統理論的方法，建立的航行危險評估模型；文獻[6]采用模糊綜合的方法建立沿岸通航密集區航行風險評估模型，并提出相應的風險控制措施；文獻[7-8]將證據理論引入航行危險評估中，并以實例證明了該方法的有效性。

船舶航行危險評估可看作對航行船舶所處環境中的危險進行識別，因此本文從模式識別的角度出發，利用模式識別中的最小均方(least mean squares，LMS)算法，結合實例構建航行危險評估模型。

1模式識別原理

模式識別是一門研究將對象分類的學科，經過長時間的發展，在字符識別、語音識別和機器視覺等領域得到了廣泛應用[9-12]。

模式識別的基本過程是對采集到的數據進行處理并提取出有用的特征，根據具體的應用場合設計相應的分類器對對象所屬的模式進行分類。對于數據集D={x1,x2,…，xi}和M類可分模式集Y={y1,y2,…，yM}，存在：

yi=wTxi=w0x0i+w1x1i+…+wixii，

式中：xi=[x0i,x1i,x2i,…，xii]；yi=wTxi稱為判別函數；w稱為權值向量。

按判別函數的不同，分類器可分為兩類，使用線性判別函數的分類器稱為線性分類器，使用非線性判別函數的分類器稱為非線性分類器。求解判別函數的過程即是求解w的過程。

2LMS算法

采用迭代法求解[13]，則有

LMS算法簡單清晰，最終可得到收斂解且易于實現，在模式識別等領域得到了廣泛應用[14-16]。

3算法實例

3.1試驗數據

船舶在海上航行眾多因素對航行安全均有影響，如人為因素、船舶因素、環境因素、管理因素等[17-19]。為方便研究，選取能見度、船舶橫搖、船舶密度作為航行環境的特征向量。表1是對某7萬t級南北線航行船舶船長采取問卷調查方法獲得的數據，數據將航行安全分為安全(-1)和不安全(1)兩類[20]。

表1　航行危險評價數據

表1中的數據已進行離散化處理，離散化規則如表2～4所示。

表2　能見度離散規則

表3　船舶橫搖離散規則

表4　船舶數量離散規則

3.2試驗結果

使用前90個數據對模型進行訓練，使用后90個數據對模型進行測試。在滿足ρk→0的前提下，LMS算法的收斂性與初始值無關，但初始值對算法收斂時間有很大影響，相同學習速率下，距離收斂解近的初始值收斂時間短，反之則收斂時間長，如圖1、2所示。在相同的初始值下，LMS算法收斂解與期望解之間的誤差和算法收斂的時間與學習速率有關，學習速率越小則誤差越小，但算法收斂的時間越長；學習速率越大則誤差越大，算法收斂的時間越短，如圖3、4所示。

圖1　w0=[1，1，1，1],ρk=0.01的LMS學習曲線　　　　　圖2　w0=[10，10，10，10],ρk=0.01的LMS學習曲線

　圖3　w0=[10，10，10，10],ρk=0.05的LMS學習曲線　　　圖4　w0=[-0.04，0.02，0.01，0.04], ρ0=0.01的LMS學習曲線

4結論

本文將模式識別的概念引入到航行危險評估中，首先介紹模式識別的原理和LMS算法，然后分析該算法的特點和算法在應用中的注意事項，并采用可變學習速率的方法構建航行危險評估中的模型，通過對模型的驗證，結果表明LMS算法構建的航行危險評估模型的錯誤率是很低的。

本文將復雜的航行危險評估簡化為線性問題考慮，雖然得到了滿意的模型，但航行危險評估實質上是一個非常復雜的非線性問題，因此本文的模型還有很大的改進空間，構建相對簡單且錯誤率低的模型將是以后的研究重點。

參考文獻：

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

QIN Tingrong,CHEN Weijiong, HAO Yuguo.Formal safety assessment (FSA)methodology[J].China Safety Science Journal,2005,15(4):88-92.

[2]樊紅.船舶綜合安全評估(FSA)方法研究[D].武漢:武漢理工大學,2004.

[4]WANG Jiasheng,LI Manchun,LIU Yongxue,et al.Safety assessment of shiping routes in the South China Sea based on the fuzzy analytic hierarchy process[J].Saftey Science,2014,62(2):46-57.

[5]周東平.船舶航道航行危險度評估方法研究[J].上海海運學院學報,1993(1):8-16.

ZHOU Dongping.On the approach to assessing ship navigation risk in channels[J].Journal of Shanghai Mritime University,1993(1):8-16.

[6]欒法敏.沿岸通航密集區航行風險識別、評估和控制[J].中國航海,2014,37(3):80-84.

LUAN Famin.Identification,assessment and control of navigational risks in coastal and congested waters[J].Navigation of China,2014,37(3):80-84.

[7]樊紅,馮恩德.一種基于證據理論的船舶綜合安全評估(FSA)方法[J].武漢理工大學學報(交通科學與工程版),2004,28(4):546-549.

FAN Hong,FENG Ende.An approach for formal safety assessment on ship based on evidence theory[J].Journal of Wuhan University of Technology(Transportation Science& Engineering),2004,28(4):546-549.

[8]孫健,王鳳武,劉強,等.基于證據理論的船舶大風浪中航行的安全評價[J].大連海事大學學報(自然科學版),2013,39(1):53-56.

SUN Jian,WANG Fengwu,LIU Qiang, et al.Safety assessment of ships navigating in heavy sea based on evidence theory[J].Journal of Dalian Maritime University(Natural sciences),2013,39(1):53-56.

[9]咼潤華,蘇婷婷,馬曉偉.BP神經網絡聯合模板匹配的車牌識別系統[J].清華大學學報(自然科學版),2013,53(9):1221-1226.

GUO Runhua,SU Tingting,MA Xiaowei.License plate recognition system using a BP neural network and template matching[J].Journal of Tsinghua University(Science & Technology),2013,53(9):1221-1226.

[10]單煜翔,鄧妍,劉加.一種聯合語種識別的新型大詞匯量連續語音識別算法[J].自動化學報,2012,38(3):366-374.

SHAN Yuxiang,DENG Yan,LIU Jia.A novel large vocabulary continuous speech recognition algorithm combined with language recognition[J].Acta Automatica Sinica,2012,38(3):366-374.

[11]王科俊,鄒國鋒.基于子模式的Gabor特征融合的單樣本人臉識別[J].模式識別與人工智能,2013,26(1):50-56.

WANG Kejun,ZOU Guofeng.A sub-pattern gabor features fusion method for single sample face recognition[J].Pattern Recognition and Artificial Intelligence,2013,26(01):50-56.

[12]WIDROW B,LEHR M A.30 years of adaptive neural networks:Perceptron,madaline,and backpropagation[J].Proceedings of the IEEE,1990,78(9):1415-1442.

[13]FUKUNAGA K.Introduction to statistical pattern recogniton[M].2nd Edition.San Francisco,New York:Academic Press,1990.

[14]AMIRYARAHMADI N,KROPP W,LARSSON K.Application of LMS algorithm to measure low-frequency transient forces from human walking[J].Acta Acustica United with Acustica,2016,102(1):23-34.

[15]AHMAD S T,KUMAR K P.Normalized LMS filter for chromatic dispersion compensation in single polarization 40 Gbps CO-OFDM system in presence of timing and frequency offsets[J].OPTIK,2015,127(2):668-672.

[16]HUANG Wei,YANG Xi,LIU Duanyang.Diffusion LMS with component-wise variable step-size over sensor networks[J].IET Signal Processing,2016,10(1):37-45.

[17]陳鋼煉.影響船舶航行安全因素分析與對策研究[J].中國水運(學術版),2007,7(8):36-38.

[18]殷志明.影響船舶航行安全的因素淺析[J].廣東交通職業技術學院學報,2010,9(3):47-49.

YIN Zhiming.Analysis on the factors with influencing ships navigation safety[J].Journal of Guangdong Communications Polytechnic,2010,9(3):47-49.

[19]張新放,關克平.船舶航行安全的影響因素及安全性評估研究[J].中國水運(學術版),2015,15(11):50-52.

[20]劉用功.感知器在船舶航行危險評估中的應用[J].廣州航海學院學報,2015,23(2):24-26.

LIU Yonggong.Perception for assessing the risk of navigation environment[J].Journal of Guangzhou Maritine Institute,2015,23(2):24-26.

(責任編輯：郎偉鋒)

收稿日期：2015-10-06

基金項目：廣州航海學院重點平臺建設躍升計劃(A510607)

作者簡介：劉用功(1990—)，男，河南汝州人，助教，主要研究方向為航海儀器，E-mail: liuyonggong@qq.com.

DOI：10.3969/j.issn.1672-0032.2016.02.013

中圖分類號：U676.1

文獻標志碼：A

文章編號：1672-0032(2016)02-0071-04

Application of the LMS Algorithm to the Risk Assessment of Ship Navigation

LIUYonggong,CHENDanyong

(DepartmentofOceanShipping,GuangzhouMaritimeInstitute,Guangzhou510725,China)

Abstract:In this paper, the approach of pattern recognition is introduced to assess the risk of navigation and the LMS algorithm is used to construct the risk assessment model of navigation based on the analysis of affecting navigation safety. Then, the data of affecting the navigation safety collected by questionnaires are used to train and test the model by using the method of the variable learning rate. The result shows that the error rate of the risk assessment model of navigation constructed by the LMS algorithm can be as low as 0.03. The model can quickly recognize the navigation risk and provide references for the sailors, which is important to ensure the safety of navigation.

Key words:navigation risk; LMS; risk assessment; ship safety