陳錦標(biāo), 唐 瑤, 肖英杰
(上海海事大學(xué) 航運(yùn)仿真技術(shù)教育部工程研究中心, 上海 201306)
基于GA-BP模型的船舶靠泊操縱智能化評(píng)價(jià)
陳錦標(biāo), 唐 瑤, 肖英杰
(上海海事大學(xué) 航運(yùn)仿真技術(shù)教育部工程研究中心, 上海 201306)
為實(shí)現(xiàn)船舶靠泊操縱的智能化評(píng)估,使評(píng)價(jià)結(jié)果更為客觀、高效、公平,通過(guò)分析靠泊操縱過(guò)程,建立兩級(jí)評(píng)價(jià)指標(biāo)體系;利用航海模擬器靠泊操縱數(shù)據(jù)庫(kù),結(jié)合專家調(diào)查法和高斯擬合,得到各樣本的主觀評(píng)分,實(shí)現(xiàn)自動(dòng)化評(píng)估。通過(guò)MATLAB編程,利用已有樣本集,訓(xùn)練并測(cè)試改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)(Genetic Algorithm-Back Propagation,GA-BP)模型,最終實(shí)現(xiàn)智能化評(píng)估。實(shí)例分析結(jié)果表明:改進(jìn)的BP網(wǎng)絡(luò)的測(cè)試誤差為0.006 248 1,實(shí)際輸出與期望輸出的貼近性較好,證明利用已訓(xùn)練好的網(wǎng)絡(luò)對(duì)靠泊操縱進(jìn)行評(píng)估具有較高的便捷性、可靠性和客觀性。
水路運(yùn)輸;船舶靠泊;智能評(píng)價(jià);遺傳算法;BP神經(jīng)網(wǎng)絡(luò)
Abstract: A two-level evaluation indexes system is set up based on the analysis of the berthing process. With the index system, the operation data in the training simulator database is reevaluated by experts to get subjective scores for each ope-ration sample. The subjective scores are processed with Gauss fitting and used as reference to train and test Genetic Algorithm-Back Propagation(GA-BP) model of the BP neural network. With the refined neural network the intelligent evaluation of ship handling operation gives more accurate, objective, and impartial evaluation. Tests indicate that the error of the improved BP neural network is as low as 0.006 248 1 and the system outputs are extremely close to those expected.
Keywords: waterway transportation; ship berthing; intelligent evaluation; genetic algorithm; BP neural network
船舶靠泊操縱是指船舶從防波堤入口或進(jìn)港航道端部平穩(wěn)地駛至并停靠泊位處所進(jìn)行的全部操縱行為。對(duì)船舶靠泊操縱進(jìn)行智能化評(píng)價(jià)不僅可以使評(píng)價(jià)實(shí)時(shí)化、便利化,而且能降低評(píng)價(jià)過(guò)程中人為因素的影響,使評(píng)價(jià)更加客觀、公正。
船舶靠泊操縱的主要評(píng)價(jià)方法是根據(jù)專家系統(tǒng)或?qū)哟畏治龇ù_定權(quán)重,然后通過(guò)采用模糊綜合評(píng)判法或在模糊綜合評(píng)判法的基礎(chǔ)上融合灰色關(guān)聯(lián)度法來(lái)實(shí)現(xiàn)自動(dòng)化評(píng)估。[1-8]該評(píng)價(jià)方法受主觀因素的影響且過(guò)程歷時(shí)較長(zhǎng);而反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)能通過(guò)樣本訓(xùn)練模擬人腦思考的過(guò)程,具有自組織和自學(xué)習(xí)的特點(diǎn),是一種相對(duì)客觀的評(píng)價(jià)方法。需指出,BP網(wǎng)絡(luò)的訓(xùn)練和測(cè)試樣本是基于層次分析法、模糊綜合評(píng)價(jià)法及灰色關(guān)聯(lián)度方法確定的,但在利用訓(xùn)練好的網(wǎng)絡(luò)評(píng)價(jià)新的對(duì)象時(shí),已極大地剔除評(píng)價(jià)過(guò)程中的主觀因素。這里試圖通過(guò)建立改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)(Genetic Algorithm-Back Propagation,GA-BP)模型來(lái)實(shí)現(xiàn)船舶靠泊操縱的智能評(píng)估,以縮短評(píng)價(jià)時(shí)間、降低人為因素對(duì)評(píng)價(jià)結(jié)果的影響。
在靠泊操縱過(guò)程中,應(yīng)把握好擺好船位、控制余速和靠攏速度等3個(gè)環(huán)節(jié)。這里從操縱安全性、操縱熟練性和航跡平滑性等3個(gè)方面對(duì)靠泊操縱進(jìn)行評(píng)價(jià),建立船舶靠泊操縱評(píng)價(jià)指標(biāo)體系(見(jiàn)圖1)。
圖1 船舶靠泊操縱評(píng)價(jià)指標(biāo)體系
靠泊操縱對(duì)駕駛員的最基本要求是保證本船、本泊位及其前后泊位已??看鞍踩?。這就要求駕駛員在靠泊時(shí)控制好余速并選擇合適的靠攏角度,以安全的速度完成靠泊操縱。在評(píng)價(jià)靠泊操縱的嫻熟性時(shí),還應(yīng)考慮對(duì)主機(jī)、舵機(jī)及拖船性能的掌握程度和使用情況。為更加全面地評(píng)判學(xué)員的靠泊操縱技能,也將航跡的平滑程度納入評(píng)價(jià)體系。需說(shuō)明
1) 靠攏速度是指本船接觸碼頭的瞬間船速在垂直于泊位岸線方向上的分量。
2) 位置準(zhǔn)確度是指靠泊后船舶中心沿泊位線方向到N旗的距離(見(jiàn)圖2中的D0)。
圖2 靠泊操縱示意圖
3) 主機(jī)連續(xù)性是指主機(jī)在整個(gè)靠泊操縱過(guò)程中維持某一車效不變的平均時(shí)長(zhǎng)。
4) 航跡凹凸次數(shù)和最大凹凸度是指實(shí)際航跡偏離平滑航跡的頻次和幅度。
5) 航跡凹凸度是指在某一凹處(或凸處)存在以最凹點(diǎn)或最凸點(diǎn)為緯向中間點(diǎn)的D1和D2,這兩點(diǎn)到基準(zhǔn)線的距離的平均值Dm與最凸點(diǎn)(或最凹點(diǎn))到基準(zhǔn)線的距離Dr的差值。
2.1BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)是一個(gè)多層次的反饋模型,其特點(diǎn)是根據(jù)實(shí)際輸出與期望輸出的差值不斷調(diào)整各層鏈接權(quán)值,直到誤差在允許的范圍內(nèi)。3層BP神經(jīng)網(wǎng)絡(luò)[9]結(jié)構(gòu)示意圖見(jiàn)圖3。
圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖
簡(jiǎn)單的BP網(wǎng)絡(luò)模型的算法如下。
設(shè)輸入節(jié)點(diǎn)數(shù)為I,輸出節(jié)點(diǎn)數(shù)為O,指標(biāo)集U={U1,U2,…,Un},樣本模式集為M,則第p個(gè)樣本的指標(biāo)集U={Up1,Up2,…,Upn}。
1) 輸入層節(jié)點(diǎn)的輸出為
xi=upi
(1)
式(1)中:upi為樣本p的輸入;p=0,1,2,…,m;i=1,2,…,n。
2) 隱層節(jié)點(diǎn)的輸出為
(2)
式(2)中:vij(j=1,2,…,l)為輸入層節(jié)點(diǎn)i到隱含層節(jié)點(diǎn)j的鏈接權(quán)值;θj為隱含層第j個(gè)節(jié)點(diǎn)的閾值;f1(x)為Sigmoid函數(shù)。
3) 輸出層節(jié)點(diǎn)的輸出為
(3)
式(3)中:wjk為隱含層節(jié)點(diǎn)j到輸出層節(jié)點(diǎn)k的連接權(quán)值;θk為輸出層第k個(gè)節(jié)點(diǎn)的閾值;f2(x)同上。
總誤差為
(4)
式(4)中:tp為第p個(gè)樣本的期望輸出;zp為樣本模式p的輸出。
輸入層節(jié)點(diǎn)i到隱含層節(jié)點(diǎn)j的權(quán)值調(diào)整量為
(5)
隱含層節(jié)點(diǎn)j到輸出層節(jié)點(diǎn)k的權(quán)值調(diào)整量為
(6)
新的權(quán)值為
vij(n)=vij(n-1)+ηΔvij(n)+αΔvij(n-1)
(7)
wjk(n)=wjk(n-1)+ηΔwjk(n)+αΔwjk(n-1)
(8)
式(7)~式(8)中:α為動(dòng)量系數(shù),通常0<α<0.9;η為學(xué)習(xí)率,范圍在0.001~10。
2.2對(duì)BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)
BP神經(jīng)網(wǎng)絡(luò)主要存在隱含層節(jié)點(diǎn)難以確定、算法收斂速度慢和容易陷入局部極小值等3個(gè)問(wèn)題。對(duì)此,將試湊法、LM算法和遺傳算法融入BP網(wǎng)絡(luò),以改進(jìn)網(wǎng)絡(luò)的適應(yīng)性和準(zhǔn)確性。
2.2.1試湊法確定隱層節(jié)點(diǎn)
隱含層節(jié)點(diǎn)過(guò)少會(huì)導(dǎo)致網(wǎng)絡(luò)無(wú)法較好地實(shí)現(xiàn)對(duì)樣本的學(xué)習(xí);節(jié)點(diǎn)過(guò)多又會(huì)出現(xiàn)訓(xùn)練時(shí)間較長(zhǎng)和容錯(cuò)能力下降的問(wèn)題。因此,確定隱含層節(jié)點(diǎn)時(shí)通常很難找到最佳節(jié)點(diǎn)數(shù),但只要所選節(jié)點(diǎn)數(shù)滿足誤差要求即可。目前有關(guān)節(jié)點(diǎn)數(shù)確定的經(jīng)驗(yàn)公式有3種[10],這里首先根據(jù)經(jīng)驗(yàn)公式初步確定選擇范圍,然后通過(guò)循環(huán)程序比較各節(jié)點(diǎn)數(shù)下網(wǎng)絡(luò)的學(xué)習(xí)能力和速度,從而選出較優(yōu)的節(jié)點(diǎn)數(shù)。
2.2.2LM算法改進(jìn)網(wǎng)絡(luò)的運(yùn)算速度
BP神經(jīng)網(wǎng)絡(luò)采用梯度下降算法,該算法在開(kāi)始時(shí)下降很快,但當(dāng)接近最優(yōu)值時(shí)因梯度近似為零,目標(biāo)函數(shù)下降緩慢;牛頓下降法可在最優(yōu)值附近產(chǎn)生一個(gè)理想的搜索方向。Levenberg-Marquard(LM)算法集合了以上2種算法的優(yōu)勢(shì),在網(wǎng)絡(luò)權(quán)值較小時(shí)仍可迅速收斂。[11]其權(quán)值修正公式為
(9)
式(9)中:Wn+1為第n+1次迭代的權(quán)重;Jn為誤差對(duì)權(quán)重的偏分的雅可比(Jacobian)矩陣;μ為非負(fù)值,當(dāng)μ→0時(shí)為Gauss-Newton法,當(dāng)μ→∞時(shí)為標(biāo)準(zhǔn)梯度下降法;A為單位矩陣;E為累計(jì)誤差。
2.2.3GA算法改進(jìn)BP網(wǎng)絡(luò)
遺傳算法[12](Genetic Algorithm, GA)是一種根據(jù)生物界自然選擇和自然遺傳機(jī)制建立的隨機(jī)化搜索算法。用該算法優(yōu)化BP網(wǎng)絡(luò)的具體方式是通過(guò)優(yōu)化BP網(wǎng)絡(luò)的初始權(quán)值和閾值,使其先達(dá)到最優(yōu)解附近,從而避免BP網(wǎng)絡(luò)陷入局部最優(yōu)值。GA-BP網(wǎng)絡(luò)算法的步驟為:編碼并確定初始種群數(shù);選取適應(yīng)度函數(shù);確定被選中的概率;設(shè)定交叉變異算子;解碼最優(yōu)值并訓(xùn)練BP網(wǎng)絡(luò)。
3.1模擬對(duì)象及試驗(yàn)工況
為驗(yàn)證所建模型的合理性,借助上海海事大學(xué)航海模擬器模擬7萬(wàn)噸級(jí)散貨船(編號(hào)為YLSG116R13)靠嘉興港獨(dú)山港區(qū)1號(hào)泊位,請(qǐng)具備不同操縱水平的人員(1名船長(zhǎng)和29位學(xué)員)模擬船舶靠泊過(guò)程,共模擬30次,其中失敗0次,得到有效數(shù)據(jù)30組(記為樣本1,樣本2,…,樣本30)。本船的基本參數(shù)為:船長(zhǎng)250 m,船寬32.3 m,吃水13.9 m,載重70 000 t,駕駛臺(tái)與船尾間距離30 m。船舶模擬試驗(yàn)工況為:直接靠,風(fēng)向315°,風(fēng)級(jí)6級(jí),流向070°,流速1.5 kn。
3.2數(shù)據(jù)采集
對(duì)30次操縱的數(shù)據(jù)記錄進(jìn)行整理分析,得到各個(gè)二級(jí)指標(biāo)的試驗(yàn)值。理論上,萬(wàn)噸級(jí)滿載船舶的艏部抵達(dá)泊位中間N旗外檔時(shí)其余速應(yīng)≤2.0 kn。[13-14]但實(shí)際上,由于不同駕駛員對(duì)航向、航跡和航速的控制不同,船舶抵達(dá)泊位前沿時(shí)與泊位的距離有差異。因此,余速和靠攏角度均統(tǒng)一在船位距離泊位2倍船寬時(shí)測(cè)得。此外,關(guān)于位置準(zhǔn)確度,取船舶中心點(diǎn)在泊位中心點(diǎn)后為正,否則為負(fù)。
3.3采用專家調(diào)查法確定學(xué)習(xí)樣本
為確定指標(biāo)體系權(quán)重和評(píng)價(jià)二級(jí)指標(biāo)的樣本值,向經(jīng)驗(yàn)豐富的船員及船舶操縱領(lǐng)域資深專家和學(xué)者發(fā)放調(diào)查問(wèn)卷70份,收回有效問(wèn)卷42份。經(jīng)統(tǒng)計(jì)分析,得出一、二級(jí)指標(biāo)的權(quán)重(見(jiàn)表1)和部分二級(jí)指標(biāo)樣本值的評(píng)價(jià)結(jié)果。為保證調(diào)查結(jié)果的可靠性,將統(tǒng)計(jì)結(jié)果反饋給專家進(jìn)行修正。
表1 一、二級(jí)指標(biāo)權(quán)重
3.3.1權(quán)重
安全性指標(biāo)對(duì)評(píng)價(jià)結(jié)果起決定性作用,而靠攏速度又是確保船舶和碼頭安全的關(guān)鍵因素。因此,首先對(duì)待評(píng)價(jià)對(duì)象的靠攏速度指標(biāo)值進(jìn)行評(píng)價(jià),若超出安全值,則直接評(píng)判結(jié)果為不合格。
3.3.2隸屬度函數(shù)
首先,按集中度對(duì)每個(gè)二級(jí)指標(biāo)的30個(gè)樣本值進(jìn)行分組并取組中值,讓專家對(duì)組中值和特征點(diǎn)進(jìn)行打分(0~1);同時(shí),為保證評(píng)價(jià)具有一致性和層次性,咨詢?cè)u(píng)判專家確定各指標(biāo)的下限(及格點(diǎn)),即下限的得分為0.6。然后,根據(jù)組中值和下限的得分進(jìn)行高斯擬合并作適當(dāng)調(diào)整,其中航跡凹凸次數(shù)是離散變量,簡(jiǎn)單的分段函數(shù)即可表征其隸屬度情況。最后,由擬合函數(shù)求得樣本各指標(biāo)的得分。以指標(biāo)位置準(zhǔn)確度、拖船用車頻次和航跡凹凸次數(shù)為例,給出其擬合函數(shù)和圖像(見(jiàn)圖4~圖6)。30個(gè)樣本的各個(gè)指標(biāo)得分及加權(quán)后綜合得分情況見(jiàn)圖7。
圖4 指標(biāo)“位置準(zhǔn)確度”的樣本值的隸屬度函數(shù)
圖5 指標(biāo)“拖船用車頻次”的樣本值的隸屬度函數(shù)
圖6 指標(biāo)“航跡凹凸次數(shù)”樣本值的隸屬度函數(shù)
圖7 樣本集綜合得分
4.1網(wǎng)絡(luò)結(jié)構(gòu)的確定
根據(jù)經(jīng)驗(yàn)公式初步確定隱層節(jié)點(diǎn)數(shù)的選擇范圍為[18,26]。表2為各節(jié)點(diǎn)數(shù)下網(wǎng)絡(luò)的訓(xùn)練誤差,可知隱含層節(jié)點(diǎn)數(shù)應(yīng)為24。
表2 各節(jié)點(diǎn)數(shù)下網(wǎng)絡(luò)的訓(xùn)練誤差
4.2GA-BP算法實(shí)現(xiàn)及結(jié)果分析
取30組樣本數(shù)據(jù)中的25組作為訓(xùn)練樣本,另外5組作為測(cè)試樣本??紤]到輸入數(shù)據(jù)存在不可公度性和奇異性、直接輸入模型輸出結(jié)果會(huì)受到大量綱數(shù)據(jù)的影響且會(huì)屏蔽掉小量綱數(shù)據(jù)所反映的信息,需對(duì)訓(xùn)練樣本和測(cè)試樣本的輸入作歸一化處理。由于選用Sigmoid函數(shù)作為激勵(lì)函數(shù),其在函數(shù)值為0和1附近的變化較小,接近于平坦,因此將輸入數(shù)據(jù)歸一到[0.1,0.9]內(nèi)。
(10)
GA-BP網(wǎng)絡(luò)算法流程見(jiàn)圖8。算法運(yùn)行多次,得到訓(xùn)練樣本和測(cè)試樣本的平均誤差,取其最小值作為訓(xùn)練仿真結(jié)果。圖9為最優(yōu)結(jié)果的訓(xùn)練樣本的誤差分布,可看出樣本的訓(xùn)練多數(shù)集中在[-0.04,0.02]內(nèi),但訓(xùn)練樣本13,17和19的誤差較大,為異常數(shù)據(jù)點(diǎn)。這是輸入數(shù)據(jù)的維度(10)較高,而樣本集容量不夠充分造成的。圖10為進(jìn)化過(guò)程中測(cè)試樣本每代的平均誤差變化,從中可看出,在第50代時(shí)測(cè)試樣本的均值誤差已在精度0.01以下。
圖8 GA-BP網(wǎng)絡(luò)算法流程
圖9 最優(yōu)結(jié)果的訓(xùn)練樣本的誤差分布
圖10 進(jìn)化過(guò)程中測(cè)試樣本的平均誤差變化
表3為網(wǎng)絡(luò)輸出與目標(biāo)輸出對(duì)比,從中可看出,當(dāng)用遺傳算法對(duì)權(quán)值和閾值進(jìn)行優(yōu)化之后,網(wǎng)絡(luò)的測(cè)試誤差和訓(xùn)練誤差減小很多,網(wǎng)絡(luò)訓(xùn)練的結(jié)果更加貼近樣本的目標(biāo)輸出。
表3 網(wǎng)絡(luò)輸出與目標(biāo)輸出對(duì)比
根據(jù)訓(xùn)練樣本和測(cè)試樣本對(duì)GA-BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練仿真,得到的結(jié)果較為理想,實(shí)際輸出與目標(biāo)輸出差距很小。保存訓(xùn)練好的網(wǎng)絡(luò),并將待評(píng)估對(duì)象的二級(jí)指標(biāo)值輸入至已保存的網(wǎng)絡(luò)中,得到的輸出即為該對(duì)象的綜合得分。這樣即實(shí)現(xiàn)船舶靠泊操縱的智能化評(píng)價(jià)。從實(shí)例中可看出,為使模型能處理各種對(duì)象,需增加訓(xùn)練樣本的容量、加大樣本之間的差異化。此外,由于不同的風(fēng)和流對(duì)靠泊操縱的影響不相同,需要根據(jù)實(shí)際情況調(diào)整訓(xùn)練樣本的擬合函數(shù),使評(píng)價(jià)結(jié)果更加靈活、可靠。
[1] 王德龍,任鴻翔,趙月林,等.船舶操縱模擬器進(jìn)出港操縱自動(dòng)評(píng)估系統(tǒng)[J].大連海事大學(xué)學(xué)報(bào),2014,40(2):27-30.
[2] 王德龍.船舶操縱模擬器實(shí)操自動(dòng)評(píng)估系統(tǒng)初步研究[D].大連:大連海事大學(xué),2013.
[3] 薛滿福,房希旺,任鴻翔.船舶靠泊操縱評(píng)估模型[J].中國(guó)航海,2013,36(3):46-49.
[4] 房希旺.基于航海模擬器的操船評(píng)估模型及應(yīng)用[D].大連:大連海事大學(xué),2008.
[5] 包國(guó)江.基于航海模擬器的船舶操縱評(píng)估系統(tǒng)的研究[D].大連:大連海事大學(xué),2008.
[6] HSU, KEVIN W K. Assessing the Safety Factors of Ship Berthing Operations[J]. Journal of Navigation,2015,68 (3):576-588.
[7] 陳錦標(biāo),吳廣宇,應(yīng)士君.基于灰色模糊綜合評(píng)估法的大型船舶模擬操縱評(píng)價(jià)[J].上海海事大學(xué)學(xué)報(bào),2008,29(4):1-5.
[8] 邱云明,陳偉炯,陳錦標(biāo).臨海港口航道航行環(huán)境安全綜合評(píng)價(jià)模型[J].中國(guó)航海,2005(3):41-45.
[9] 胡志武,程葆明,陳延才.基于BP神經(jīng)網(wǎng)絡(luò)的船員適任性評(píng)價(jià)模型[J].上海海事大學(xué)學(xué)報(bào),2010,31(4):23-27.
[10] 李文娟.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在水質(zhì)評(píng)價(jià)中的應(yīng)用研究[D].重慶:重慶理工大學(xué),2011.
[11] AHMED Y A, HASEGAWA K. Automatic Ship Berthing Using Artificial Neural Network Trained by Consistent Teaching Data Using Nonlinear Programming Method[J].Engineering Applications of Artificial Intelligence,2013,26(10):2287-2304.
[12] 楊鳴,施偉鋒.基于多種群遺傳神經(jīng)網(wǎng)絡(luò)的船舶發(fā)電機(jī)故障診斷[J].上海海事大學(xué)學(xué)報(bào),2013,34(4):18-22.
[13] 洪碧光.船舶操縱[M].大連:大連海事大學(xué)出版社,2008:66-68.
[14] 房希旺,何欣,楊林家.船舶操縱[M].大連:大連海事大學(xué)出版社,2012:91-93.
IntelligentEvaluationofShipBerthingOperationBasedonGA-BPModel
CHENJinbiao,TANGYao,XIAOYingjie
(Engineering Research Center of Shipping Simulation, Ministry of Education, Shanghai Maritime University, Shanghai 201306, China)
2016-01-11
國(guó)家科技支撐計(jì)劃課題(2015BAG20B05)
陳錦標(biāo)(1965—),男,上海人,副教授,博士生,從事載運(yùn)工具運(yùn)用及船舶操縱研究。E-mail:jbchen@shmtu.edu.cn 唐 瑤(1993—),女,河南衛(wèi)輝人,碩士生,從事載運(yùn)工具運(yùn)用研究。E-mail:tangyao93@163.com
1000-4653(2016)01-0064-05
U675.921
A