BP神经网络在渔船航行安全预警中的应用

王金浩， 李小娟， 孙永华， 李文彬

(城市环境过程与数字模拟国家重点实验室培育基地，资源环境与地理信息系统北京市重点实验室，首都师范大学资源环境与旅游学院，北京 100048)



BP神经网络在渔船航行安全预警中的应用

王金浩， 李小娟， 孙永华， 李文彬

(城市环境过程与数字模拟国家重点实验室培育基地，资源环境与地理信息系统北京市重点实验室，首都师范大学资源环境与旅游学院，北京 100048)

渔船在海上航行时由于船体自身结构或者海面风浪等不利因素的影响，时常处于潜在的威胁当中。为了研究渔船在海洋环境中可能会遭受的风险，采用基于BP神经网络算法，对渔船吨位、发动机功率、渔船材质、渔船船龄以及渔船所处海面风等级、海面浪等级等6个预警指标要素构成的渔船预警模型进行评估，最终确定渔船在海上航行时的风险等级。在构建风险预警模型中使用了400个渔船事故案例，将训练样本按照数量划分为多个级别进行验证。预警模型结果与实际值比较显示，模型的正确率为79.76%～83.62%，其中在训练样本数为测试样本数的0.75倍时，模型精度最高。研究表明，基于BP神经网络的渔船风险预警模型的评估结果与渔船实际事故状态基本相符。该模型的建立为渔船海上航行提供了安全保障。

渔船航行；安全预警；预警指标； BP神经网络

全国海洋渔船总数达31.61万艘，1 000余个渔港，超过1 500千公顷的海水养殖面积，从业渔民多达800万人[1]。海洋渔业的生产安全情况，直接关系到了渔民的切身利益[2]。据中国渔业互保协会测算，中国渔船有高达17.55%的出险率，渔船船员年均死亡率高达140/10万[3]。由此可见，建立海洋渔船航行安全预警模型、防范海洋灾害、减少经济损失显得十分重要。目前针对船舶安全风险预警模型的研究较多，主要有：(1)综合安全评估法(FSA)，其具有结构化、系统化、兼容性高等优点[4-6]，多用于分析航行船舶的风险体系[7-9]；(2)基于误差反向传播理论的BP神经网络[10]，其具有自学习、自组织、自适应及容差性等特点，用于构建实用性强的船舶风险评估模型[11-15]。

由于FSA中各项评价指标是由专家打分决定，人为影响因素较大。人工神经网络算法一般用在大型船舶研究方面，小型渔船应用减少，并且其算法收敛速度慢，无法满足大批量渔船风险评估的需求。所以，提出一种新型、适合小型渔船的风险预警模型尤为必要。本文以福建海域渔船作为研究对象，对渔船结构特点以及海洋环境等要素进行分析，基于BP神经网络模型评估渔船预警等级，为海洋渔船安全作业提供保障。

1 渔船预警模型指标体系构建

1.1 海洋环境对渔船安全作业的影响

海洋环境主要是指海面风和海浪。渔船在海上作业时会受到海面风的作用而摇摆运动，其摇摆幅度由渔船与海面风之间的相对风向和相对风速以及渔船的受风面积共同决定。渔船在航行作业时也会受到海浪影响发生摇摆运动，与海面风有所区别的是，在海浪中渔船摇摆强度主要由渔船的耐波性、波浪方向和渔船尺寸等因素决定。

1.2 渔船自身结构对渔船安全作业的影响

1.2.1 渔船船龄的影响

随着渔船船龄的延长，船体疲劳度、腐蚀耗损度增加，导致自身结构强度下降。根据《中国渔船安全分析报告》[3]，渔船全损事故的出险率基本随着渔船船龄分档的增加而升高，从图1的统计可以看出，船龄21年以上的渔船出险率大幅上升。

图1 渔船全损出险率按出险渔船的船龄分档分析Fig.1 Total claim rate of fishing vessel according to age grading analysis

1.2.2 渔船吨位的影响

渔船的吨位也是影响渔船安全航行作业的因素之一。从操作性来看，吨位越大，灵活性越低，其受到航行海域水深、地形等因素的制约也就越大。同时，渔船吨位越大，往往体型也越大，船上的各个子系统也越加复杂，受渔船系统故障率的影响，发生海事的可能性也就越大。但是从抗风浪的角度看，渔船吨位越大，其自身稳性越高，抗风浪能力越强，渔船在大风浪天气中发生海事的概率越低[18]。

1.2.3 渔船材质的影响

在1999—2008年期间，木质渔船发生的风灾事故最多，总共有1 496艘次，占全部风灾事故的54.22%。而全损事故中，木质渔船数倍于钢质渔船。因此，风灾事故对于木质渔船的影响最大，而且多为毁灭性影响。

1.2.4 发动机功率的影响

在风灾事故中，功率45～146 kW的渔船发生事故的次数最多，而441 kW及以上的渔船发生事故次数最小[3]。在碰撞与触礁事故中，渔船的出险率是随发动机功率增加而提高的。由于功率较大的渔船体型也较大，回转性不如小船灵活，在遭遇碰撞、触礁及搁浅等风险时，往往来不及躲避，所以出险率更高。

2 基于BP神经网络预警模型构建

根据现有资料及案例库中的数据，将渔船海事等级划分为4个等级(安全、比较安全、危险、非常危险)。(1)安全无预警：渔船不会发生海事事故；(2)三级预警：渔船发生海事事故，但仅仅令渔船产生部分损失，渔船并未沉没，也为发生人员死亡事故；(3)二级预警：渔船发生海事事故，造成渔船全损，但并未发生人员死亡或失踪等事故；(4)一级预警：渔船发生海事事故，造成渔船全损，发生人员死亡或失踪事故。

2.1 模型输入、输出及隐含层的确定

本文以渔船风险预警指标作为模型输入层向量，渔船海事等级作为模型输出层向量。预警模型输入层节点共有6个，输出层节点共有4个。隐含层连接着输入层和输出层，其神经元的数目直接关系到模型计算结果。目前，一般使用试凑法来确定隐含层神经元数目，根据经验公式计算出隐含层神经元数目的可能选择，并进行一定程度的微调，逐一进行实验、对比，从而确定最优隐含层神经元数目。经验公式如下所示：

(1)

b=2n+1

(2)

式中：b—隐含层神经元数目；m—输出层向量节点数；n—输入层向量节点数；a—1至10的常数。根据以上公式可知，海洋渔船预警模型的隐含层数在13个左右。在此基础上微调隐含层神经元数目进行网络训练。训练结果如图2所示。

从图2可以看出，当隐含层数为20时，神经网络在训练106次后达到预期精度，训练次数属最少，故确定隐含层节点为20。因此，本文所用BP神经网络输入层节点数为6，隐含层神经元数目20，输出层节点数为4。

2.2 神经网络传递函数及训练函数确定

人工神经网络中的传递函数影响着网络的性能及输出结果。根据海洋渔船预警模型中输入层神经元和输出层神经元的数据类型，以及从减少网络收敛时间考虑，本文选用logsig函数作为隐含层及输出层的传递函数。同时，考虑到样本数量有限以及BP人工神经网络的局限性，采用经过改进的训练函数traingdx来训练网络。与其他训练函数相比，traingdx函数加入了自适应学习率及附加动量项[16]，使其可以很好地训练有限样本的神经网络，从而令网络不会陷入局部最小值陷阱，并提高训练精度。

图2 隐含层神经元数的确定Fig.2 Determination of the number of neurons in the hidden layer

2.3 预警指标权重计算

根据确定好的神经网络传递函数及隐含层节点数，即可获得权重阈值矩阵。根据以下公式，即可计算出各预警指标权重[17]。

1)计算输入神经元和输出神经元之间的相关系数

(3)

2)根据相关系数计算相关指数

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

(4)

3)计算第i个预警指标权重

(5)

式中：rjk—输入层第j个神经元与输出层第k个神经元之间的相关系数；ωij—输入层第i个神经元和隐含层第j个神经元之间的权系数；vik—隐含层第j个神经元和输出层第k个神经元之间的权系数；Si—第i个预警指标的权重。利用人工神经网络算法能对预警模型指标权重进行动态的调整。根据渔船海事案例的收集积累，各指标对于渔船航行安全的影响会发生变化，令海洋渔船预警模型可以进行动态调整。随着收集案例的增多，各指标权重越接近于真实状态，预警模型计算结果也越准确。

3 仿真实例

3.1 数据准备

研究数据来自某海事部门随机选取的渔船事故案例，按照海洋渔船预警等级划分标准对渔船事故案例进行划分。为了避免后期模型出现过拟合现象以及由于训练样本数目过少，造成算法收敛较快、模型性能较差的后果，训练样本个数选取原则保持在测试样本个数的0.5～1.5倍之间。本文根据渔船风险预警模型预测测试样本的结果，以绝对百分比误差(APE)指标来定量评判模型的性能。计算公式为：

式中：vc—模型预测结果正确样本个数；vd—实际测试样本个数。

由于篇幅有限，表2只随机列出30个渔船海事案例，包括海事发生时渔船的结构数据及海风海浪数据。

3.2 结果

通过多次实验得出：训练样本和测试样本分别为50和50时，BP渔船风险模型APE为30.42%；分别为60和80时，APE为27.60%；分别为70和130时，APE为28.58%；分别为80和150时，APE为29.37%；分别为90和70时，APE为28.96%(图3)。

图3 渔船风险模型平均误差Fig.3 Average error of fishing vessel risk model

由图4得出，训练样本为测试样本的0.75倍时，模型精度相对达到最高，但是其APE在27.60%左右，误差水平整体偏高。

图4 BP神经网络绝对百分比误差(APE)Fig.4 Absolute percentage error of BP neural network

3.3 分析

由实验得出，基于BP神经网络的渔船预警模型的最小APE为27.60%，并且模型训练次数较多、训练较慢。模型存在的缺陷是由于BP神经网络的权重和阈值选取不当，为了避免相邻预警样本之间由于亲近度造成模型的误差，本文使用遗传算法优化BP神经网络初始权重和阈值，以提高预测精度。

基于遗传BP神经网络最大百分比误差为20.24%，而基于BP神经网络最大百分比误差为30.42%，由于使用不同数量测试样本，模型最大百分比误差甚至超过了50%。这说明基于BP神经网络的渔船风险预警模型泛化能力较遗传BP神经网络要差，并且遗传BP神经网络训练次数明显少于BP神经网络，说明经过遗传算法优化后的BP神经网络，其初始权重和阈值选取比较合理，预测模型精度更高(图5、图6)。

图5 基于遗传BP神经网络渔船风险模型平均误差Fig.5 Average error of fishing vessel risk model based on genetic BP neural network

图6 基于遗传BP神经网络绝对百分比误差Fig.6 Absolute percentage error of neural network based on genetic BP neural network

4 结论

利用渔船遇险6种指标构建基于BP神经网络的渔船风险预警模型，其预测值与实际值基本吻合。为了避免模型过拟合现象的出现，根据训练样本和测试样本比例的不同进行了多次实验，最终确定在训练样本数为测试样本数的0.75倍时，模型精度达到最高。由于预警模型数据为渔船自身结构数据和海洋环境数据，与研究区海域影响不大，因此该模型具有一定的通用性。渔船遭受风险具有多种类型，本文仅考虑了渔船在大

风浪等恶劣天气条件下由于自然因素造成的灾害，因此，模型在预测渔船遭受灾害类型上有一定的局限性。

□

[1] 王宏,李强.中国海洋统计年鉴[M]. 北京：海洋出版社,2014：47.

[2] 林法玲.渔港有效避风面积计算探讨—以霞关渔港为例[J].海洋预报, 2013, 29(6)：92-97.

[3] 孙颖士,李冬霄.中国渔船安全分析报告(1999—2008)[M].北京：中国农业出版社,2009：13,17,45-51.

[4] 秦庭荣,陈伟炯,郝育国,等. 综合安全评价(FSA)方法[J].中国安全科学报,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] 刘大刚,郑中义,吴兆麟.大风浪中航行船舶风险体系分析[J].交通运输工程学报,2004,4(2)：100-102.

[8] 任玉清,郑吉辉.综合安全评估(FSA)在渔船风险控制中的应用[J].渔业现代化,2011,38 (3)：58-61.

[9] 罗福才,林焰,王运龙.基于综合安全评估的渔船安全风险分析[J].大连海事大学报,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]路其军.基于BP网络的客滚船大风浪航行安全评估[D].大连：大连海事大学,2010.

[12]杨鹍鹏,王鹏,潘新祥.基于人工神经网络理论的船舶动力装置安全综合评价模型[J].中国安全生产科学技术,2006,2(6)：90-93.

[13]郑中义,吴兆麟.以BP神经网络计算船舶碰撞危险度[J].世界海运,2000,23(2)：4-6.

[14]王勇.客滚船营运风险的BP神经网络评估[J].青岛远洋船员学院学报,2010,31(2)：67-70.

[15]鲍君忠,刘正江，黄通涵.船舶风险评价模型[J].大连海事大学学报,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]吴铭峰.基于人工免疫的城市生态系统预警模型研究[D].南京：河海大学,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

国家海洋公益性项目“海洋渔业安全环境保障服务系统关键技术研究及示范应用(201205006)”和“海洋预报业务化系统模块化构建与应用示范(201205017)”

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

孙永华(1982—)，男，讲师，博士，研究方向：高光谱遥感、城市遥感、GIS软件工程。E-mail：syhua1982@163.com

10.3969/j.issn.1007-9580.2016.01.009

S972.7

A

1007-9580(2016)01-047-06