孫天馳,姚登凱,趙顧顥,馬嘉呈

空軍工程大學(xué) 空管領(lǐng)航學(xué)院,陜西 西安 710051

基于粗糙集與BP神經(jīng)網(wǎng)絡(luò)軍航飛行風(fēng)險等級預(yù)測

孫天馳,姚登凱,趙顧顥,馬嘉呈

空軍工程大學(xué) 空管領(lǐng)航學(xué)院,陜西 西安 710051

為準(zhǔn)確高效地預(yù)測現(xiàn)行軍航飛行風(fēng)險等級，本文利用相關(guān)歷史數(shù)據(jù)，提出一種基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的軍航飛行風(fēng)險等級預(yù)測模型。首先根據(jù)人-機-環(huán)-管理論并咨詢專家，建立軍航飛行風(fēng)險原因?qū)傩灾笜?biāo)體系，然后利用粗糙集刪減體系中冗余的原因?qū)傩?，確定造成軍航飛行風(fēng)險的主要因素，據(jù)此構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型并對訓(xùn)練中的軍航飛行風(fēng)險等級預(yù)測。預(yù)測結(jié)果表明，該模型能夠準(zhǔn)確有效地克服由于過多風(fēng)險因素干擾以及主觀臆測對軍航飛行風(fēng)險的影響。

粗糙集;神經(jīng)網(wǎng)絡(luò);軍航飛行;風(fēng)險等級預(yù)測

軍航飛行安全事關(guān)重大，一旦發(fā)生諸如危險接近甚至空中相撞的飛行事故很可能會造成大量人員傷亡和巨量的經(jīng)濟損失。因此在開飛前對軍航飛行風(fēng)險等級進行準(zhǔn)確有效預(yù)測對軍航安全穩(wěn)定運行具有重要意義。

目前，相關(guān)部門和有關(guān)軍航單位對軍航飛行風(fēng)險預(yù)測高度重視并進行了大量工作。相關(guān)研究主要包括兩類：一是對事故進行定性研究，例如陳東鋒等[1]通過尋找軍航飛行事故之間的邏輯關(guān)系，分析軍航飛行風(fēng)險的規(guī)律；二是對事故各環(huán)節(jié)原因邏輯進行分析，辨識造成事故的主要因素，如魏水先等[2]基于HFACS模型并結(jié)合主觀評分和灰色系統(tǒng)理論建立了航空飛行事故的人為差錯致因分析的綜合分析模型，對人為原因等因素進行了評估。前者所需要資料的龐大并要求資料翔實可靠；后者則在較大程度上依靠人的經(jīng)驗和知識，具有較強的主觀性，使分析不夠客觀。為解決這些問題，戴蓉[3]等構(gòu)建了基于時間序列法和支持向量機的飛行事故率預(yù)測模型，克服單一和傳統(tǒng)方法的缺陷，研究了飛行事故和環(huán)境等因素之間的聯(lián)系，但是缺少對軍航飛風(fēng)險的考慮，不能直接套用對軍航飛行風(fēng)險進行預(yù)測。Ersin Ancel等[4]運用面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)分析了空中相撞事故因素，這種方法能快速找到事故主要致因，不需大量數(shù)據(jù)，然而存在過多定性分析、假設(shè)和前提。

為了克服上述方法的不足，對軍航飛行風(fēng)險等級進行準(zhǔn)確預(yù)測，提出一種基于Rough Set和BP神經(jīng)網(wǎng)絡(luò)的軍航飛行風(fēng)險等級預(yù)測模型，由于造成軍航飛行風(fēng)險的原因與歷史階段有緊密聯(lián)系，因此在選用歷史數(shù)據(jù)對軍航飛行風(fēng)險等級進行預(yù)測時要選用近年來得最新案例。根據(jù)人-機-環(huán)-管理論并咨詢專家，得到對軍航飛行風(fēng)險造成影響的原因?qū)傩?，利用粗糙集對原因?qū)傩赃M行約簡，在找到造成軍航飛行風(fēng)險的主要因素的同時簡化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。將經(jīng)過約簡的主要因素輸入神經(jīng)網(wǎng)絡(luò)并對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練得到最終的風(fēng)險預(yù)測模型。此方法解決的是由于神經(jīng)網(wǎng)絡(luò)輸入端的參數(shù)過多而造成泛化能力下降的問題，因此利用粗糙集對冗余因素進行刪減,以保證網(wǎng)絡(luò)的泛化能力。希望通過該模型在軍航飛行任務(wù)之前對飛行風(fēng)險等級進行預(yù)測，改進造成風(fēng)險的原因，降低軍航飛行的飛行風(fēng)險。

1 相關(guān)理論

1.1 粗糙集理論

粗糙集理論一種處理含糊性和不確定性問題的數(shù)學(xué)工具。粗糙集在進行屬性約簡時不需要關(guān)于數(shù)據(jù)的任何預(yù)備的或者額外的信息，與其他進行屬性約簡的方法相比較具有不可替代的優(yōu)勢，很大程度上克服了由于主觀判斷而造成的失誤。造成軍航風(fēng)險的原因復(fù)雜多樣，同時對造成風(fēng)險原因的分析中存在人為分類不準(zhǔn)確、統(tǒng)計不完全的問題，利用粗糙集可較好地找出造成軍航風(fēng)險的主要原因?qū)傩?/p>

1.2 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和較強的魯棒性，能夠?qū)θ我獾姆蔷€性函數(shù)進行逼近。因此，人工神經(jīng)網(wǎng)絡(luò)在模式識別、計算機視覺、智能控制、信號處理、數(shù)據(jù)挖掘等方面有著廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是一種后向傳播的神經(jīng)網(wǎng)絡(luò)，通過對訓(xùn)練集的學(xué)習(xí)來調(diào)整連接權(quán)值的數(shù)值，使其輸出結(jié)果不受人的主觀性的影響。軍航飛行風(fēng)險和造成風(fēng)險的原因?qū)傩灾g是一種非線性的映射關(guān)系，利用BP神經(jīng)網(wǎng)絡(luò)能夠找出二者之間的非線性關(guān)系，同時BP神經(jīng)網(wǎng)絡(luò)自身的自學(xué)習(xí)性、客觀性和較強的魯棒性有助于得到更加有效的評估結(jié)果。

2 軍航飛行風(fēng)險等級預(yù)測模型

為對軍航飛行風(fēng)險等級進行準(zhǔn)確的預(yù)測，本文提出一種預(yù)測模型，建立過程分為三個步驟。

第一步是建立軍航飛行風(fēng)險原因?qū)傩灾笜?biāo)體系。依據(jù)人-機-環(huán)-管理論并咨詢專家，對選取的若干項有詳細原因報告的軍航飛行事故進行分析，確定造成軍航飛行風(fēng)險的相關(guān)因素。

第二步是利用粗糙集對相關(guān)因素進行約簡。為保證第三步神經(jīng)網(wǎng)絡(luò)的處理能力，簡化網(wǎng)絡(luò)結(jié)構(gòu)，提高網(wǎng)絡(luò)的泛化能力，利用粗糙集處理冗余因素篩選主要因素的能力，對第一步中建立的原因指標(biāo)體系進行約簡。

第三步是建立軍航飛行風(fēng)險等級評估模型。利用BP神經(jīng)網(wǎng)絡(luò)能夠擬合任意函數(shù)、魯棒性強以及客觀相強的特點，建立軍航飛行風(fēng)險等級評估模型對軍航飛行風(fēng)險等級進行預(yù)測。

2.1 軍航飛行風(fēng)險原因?qū)傩灾笜?biāo)體系的建立

造成軍航飛行風(fēng)險原因是多方面的，按照人-機-環(huán)-管理論來分類，主要原因大致可以分為四大類：人員因素、機械因素、環(huán)境因素和管理因素。根據(jù)統(tǒng)計數(shù)據(jù)表（表1）中可以看出，人員因素占大部分，管理因素和機械故障次之，環(huán)境因素比例較小。

表1 軍航飛行風(fēng)險成因表比例Table 1 Ratio of military aviation accident risk factors

從人-機-環(huán)-管理論出發(fā)，通過分析統(tǒng)計一定時期之內(nèi)的風(fēng)險實例，選取具有代表性的、多種因素同時作用的飛行事故實例，并咨詢相關(guān)飛行、管制和維修等專業(yè)人員，篩選確定造成軍航飛行風(fēng)險具有普遍影響的原因?qū)傩?，建立軍航飛行風(fēng)險原因?qū)傩灾笜?biāo)體系。

2.2 基于粗糙集原因?qū)傩约s簡

根據(jù)所統(tǒng)計若干起軍航飛行事故實例并咨詢專家得到風(fēng)險屬性表。規(guī)定某次風(fēng)險中有某因素影響時屬性值記為1，否則記為0。在風(fēng)險屬性表的基礎(chǔ)之上可以利用約簡的定義對原因?qū)傩赃M行約簡并求核。但是要計算所有約簡是NP完全問題，時間和計算復(fù)雜度過高，因此利用約簡的定義來求解約簡是不現(xiàn)實的。本文利用分辨矩陣和分辨函數(shù)來求解約簡和核。圖1為分辨函數(shù)對屬性進行約簡流程。其中S=(U,A,V,f)為信息系統(tǒng)，U為所考慮對象的非空有限集合；A為屬性的非空集合；V為屬性a的值域；f為一個信息函數(shù)；num_eve為事件數(shù)；M為分辨矩陣。

2.3 基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)的建立

建立神經(jīng)網(wǎng)絡(luò)時，輸入層的節(jié)點數(shù)是經(jīng)過粗糙集約簡的實例的屬性維數(shù)，隱含層的節(jié)點個數(shù)的確定一般遵循Kolmogorov定理，滿足s=2n+1。結(jié)合經(jīng)驗公式（1）并利用試湊法，確定第二層神經(jīng)元的個數(shù)。其中n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，且m=1

圖1 分辨函數(shù)約簡屬性流程Fig.1 Process of reducing attributes by resolution function

網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。圖中wij為輸入層第i個神經(jīng)元和隱含層第j神經(jīng)元的連接權(quán)值；vj為隱含層第j個神經(jīng)元和輸出層神經(jīng)元的連接權(quán)值；θ2j為隱含層第j個神經(jīng)元的閾值，θ3為輸出層神經(jīng)元的閾值；y為輸出值。數(shù)值y即為該模型對軍航飛行風(fēng)險評估結(jié)果。

圖2 BP神經(jīng)網(wǎng)絡(luò)評估模型Fig.2 The assessment model of BPneural network

3 仿真實驗及分析

為使預(yù)測結(jié)果更加能夠體現(xiàn)最近一段時間內(nèi)軍航飛行風(fēng)險的特點，統(tǒng)計在2010～2016年間43起具有代表性的軍航飛行風(fēng)險實例[5]，篩選并咨詢專家確定造成軍航飛行風(fēng)險并具有普遍影響的17個原因?qū)傩?。圖3為風(fēng)險原因?qū)傩栽u估指標(biāo)體系。

圖3 軍航飛行風(fēng)險原因?qū)傩灾笜?biāo)體系Fig.3 Indicator system of military aviation accident causes

根據(jù)所統(tǒng)計的軍航飛行風(fēng)險原因?qū)傩栽u估指標(biāo)體系并咨詢專家得到風(fēng)險屬性表，見表2。表2中，記對某實例中有影響的原因為1，否則為0。

表2 軍航飛行風(fēng)險原因?qū)傩员鞹able 2 Causes of military aviation risks

在表2的基礎(chǔ)之上利用分辨矩陣和分辨函數(shù)來求解約簡和核。通過分辨函數(shù)對原因?qū)傩赃M行約簡，一個約簡即造成軍航飛行風(fēng)險的主要因素屬性為以下這10個因素p1，p2，p3，p4，p5，p6，p7，p8，p9，p10分別為：機組人員操作違規(guī)、機組人員操作水平、機組差錯、管制人員工作違規(guī)、管制人員處置不當(dāng)、航空器突發(fā)故障、惡劣天氣、空域環(huán)境復(fù)雜、通信不暢和溝通交流不暢。

為避免不同原因評價標(biāo)準(zhǔn)不統(tǒng)一帶來的誤差，所以有必要對輸入的實例數(shù)據(jù)進行歸一化處理，利用式（2）對經(jīng)過約簡的屬性進行歸一化處理。式中，pij為第j個實例輸入數(shù)據(jù)的第i個數(shù)入量；pimin為所有實例數(shù)據(jù)第i個屬性的最小值；pimax為所有實例數(shù)據(jù)第i個屬性的最大值；為歸一化之后得到的結(jié)果。

根據(jù)2.3節(jié)中的方法，確定隱含層的神經(jīng)元個數(shù)為7。設(shè)置BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)為：傳遞函數(shù)為Sigmoid函數(shù)，訓(xùn)練函數(shù)為traingdx；輸入層到隱含層的初始連接權(quán)值wij和隱含層到輸出層的初始連接權(quán)值vj為[0,1]之間的隨機數(shù)；隱含層神經(jīng)元的初始閾值θ2j和輸出層初始閾值θ3為[0,1]之間的隨機數(shù)；訓(xùn)練步長為1/t，其中t為當(dāng)前訓(xùn)練次數(shù)；最大訓(xùn)練次數(shù)為500，訓(xùn)練誤差為10-4。

規(guī)定軍航飛行風(fēng)險的等級中，高風(fēng)險屬性值為1.0，一般風(fēng)險屬性值為0.7，低風(fēng)險的屬性值為0.4，無風(fēng)險的屬性值為0.1。最后得到軍航飛行風(fēng)原因?qū)傩砸约暗燃墧?shù)據(jù)表，表3位其中前40起經(jīng)過處理的風(fēng)險事件原因?qū)傩詳?shù)據(jù)。

表3 40起軍航飛行風(fēng)險事件原因?qū)傩詳?shù)據(jù)Table 3 Causal data from 40 military aviation risk accidents

利用Matlab7.11平臺進行編程并解算，利用上述40個實例對網(wǎng)絡(luò)進行訓(xùn)練。圖4中網(wǎng)絡(luò)訓(xùn)練誤差曲線可以看出，經(jīng)過133次訓(xùn)練之后，BP神經(jīng)網(wǎng)絡(luò)的誤差滿足訓(xùn)練誤差的要求，認為神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。從圖5中的網(wǎng)絡(luò)輸出的結(jié)果可知組樣本的輸出值與實際值相吻合，表明網(wǎng)絡(luò)訓(xùn)練完成。

圖4 網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.4 Curve of network training errors

圖5 訓(xùn)練結(jié)果分析圖Fig.5Analysis on the training results

將41～43號實例輸入訓(xùn)練完成之后的網(wǎng)絡(luò)進行檢驗。表4中的列出了目標(biāo)輸出和實際輸出以及二者之間的誤差值，輸出結(jié)果同真實值的誤差在1%，可以認為此評估模型是合理的。

表4 網(wǎng)絡(luò)仿真與實際輸出結(jié)果及誤差Table 4 The results and errors of network simulation and actual output

4 結(jié)論

本文對軍航飛行風(fēng)險進行預(yù)測時，著重考慮經(jīng)過粗糙集約簡過的若干個重要因素，即減少了影響因素的數(shù)量又能對近一個時期的軍航飛行風(fēng)險等級進行較為準(zhǔn)確的預(yù)測。對預(yù)測結(jié)果為高風(fēng)險的飛行任務(wù)，相關(guān)人員能夠更有指向性地針對重要因素逐條進行整改，然后重新進行等級預(yù)測，直到所要執(zhí)行的飛行任務(wù)無風(fēng)險為止，保證軍航飛行的安全。

[1] 陳東鋒,張國正,喬巍巍.軍事飛行事故致因模型構(gòu)建研究[J].中國安全生產(chǎn)科學(xué)技術(shù),2013,9(4):135-139

[2] 魏水先,孫有朝,陳迎春.基于HFACS的飛行事故人為差錯分析方法研究[J].航空計算技術(shù),2014(2):50-53

[3] 戴 蓉,黃 成.飛機飛行事故率預(yù)測建模與仿真研究[J].計算機仿真,2011,28(7):120-123

[4]Shih AT.Predictive safety analytics:inferring aviation accident shaping factors and causation[J].Journal of Risk Research,2015,18(4):428-451

[5] 陸惠良.軍事飛行事故研究[M].北京:國防工業(yè)出版社,2015:40-80

[6] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:高等教育出版社,2001:47-52

[7] 蘇文國.空中交通管制系統(tǒng)中人為差錯的研究[D].廣州:華僑大學(xué),2011

[8]Othman ML,Aris I,Othman MR,et al.Rough-Set-and-Genetic-Algorithm based data mining and Rule Quality Measure to hypothesize distance protectiverelayoperationcharacteristicsfromrelay[J].ElectricalPowerandEnergySystems,2011,33:1437-1456

[9]Rissino S,Lambert-Torres G.Rough Set Theory-Fundamental Concepts,Principals,Data Extraction,and Applications[M].InTech,2009:35-58

[10]ZHOU Hang,WANG Ying.Renovated method of risk warning of air-traffic control safety based on the SHEL model and neural network[J].Journal of Safety and Environment,2014,14(3):138-141

[11]GAN Xusheng,DUAN Mujingshun,CONG Wei.Analysis and Bootstrap Prediction Simulation on Inducement of Human Factor Flight Accident[J].Journal of Applied Statistics and Management,2012,31(3):484-490

Prediction for Military Flight Risk Grades Based on Rough Set and BP Neural Network

SUN Tian-chi,YAO Deng-kai,ZHAO Gu-hao,MAJia-cheng
College of Air Traffic Control and Navigation/Air Force Engineering University,Xi’an710051,China

To predict the current military flight risk grades exactly and efficiently,this paper proposed a prediction model based on the rough set and BP neural network according to the relevant historic data.Firstly,the indicator system of military flight risks was established on the basis of the living-aircraft-environment-management theory as well as proposals from experts，cut down the redundancy causes by rough set to ensure the key factors making military flight risks and established the BP neural network model and predicted the flight risk grades in training.The result showed that this model could overcome correctly and effectively the influence of excessive risk factors and subjective assumption on the military aviation risk.

Rough set;neural network;military flight;risk grade prediction

R852.82

A

1000-2324(2017)04-0606-05

2017-03-10

2017-04-20

國家空管科研課題:無人機空域運行安全關(guān)鍵技術(shù)研究(KGKT05140501)

孫天馳(1990-),男,碩士研究生.主要研究方向為空域與流量管理.E-mail:triplemeteornj@163.com