原创《船舶安全航行系统风险分级ANFIS模型》：关于免费系统风险论文范文在这里免费下载与阅读,为您的系统风险相关论文写作提供资料。
摘 要：为准确实现对在航船舶的风险评估,建立船舶安全航行系统风险分级ANFIS模型.该方法分层列出4级影响船舶风险值的风险因素,通过模糊推理系统初步定义各项风险因素的隶属度模型.根据建立的模型和典型在航船舶历史数据,运用模糊神经网络的自学习性对模型进行修正,最终实现对船舶风险的客观评估.得到的数据对比图及误差图分析表明,该方法能够使典型数据充分加入,有效克服建模中的主观影响,并在合理的误差范围内较客观地评估在航船舶整体风险.
关键词：自适应神经模糊推理系统(ANFIS)； 风险评估； 风险分级； 历史数据； 航运； 安全
中图分类号：U676.1；TP183文献标志码：A
Risk ranking ANFIS model of ship safety nigation system
XIA Haibo, ZHANG Mengmeng, HU Shenping, HUANG Changhai
(Merchant Marine College, Shanghai Maritime Univ., Shanghai 201306, China)
Abstract： To achieve risk assesent on sailing ships accurately, a risk ranking ANFIS model of ship safety nigation system is established. Fourranking risk factors affecting ship risk values are listed hierarchically by this method and the membership degree model of various risk factors is preliminarily defined by the fuzzy inference system. According to the established model and the typical sailing ship history data, the model is modified by the selflearning habit of the fuzzy neural network. Finally, the objective assesent of ship risk is obtained. The analysis on the contrast and error figures from the obtained data shows that this method can fully use the typical data, effectively overcome the subjective influence of modeling, and objectively assess the overall risk of sailing ships within reasonable error.
Key words： Adaptive Networkbased Fuzzy Inference System (ANFIS); risk assesent; risk ranking; history data; shipping; safety
收稿日期： 20130924修回日期： 20131224
基金项目： 广东省交通运输厅科技项目（201202004）；上海海事大学校基金（20120057）
作者简介： 夏海波（1972—）,男,湖北十堰人,副教授,博士,研究方向为航海仿真,（Email）hbxia@shmtu.edu.cn；
张蒙蒙（1988—）,男,安徽宿州人,硕士研究生,研究方向为载运工具安全与管理,（Email)zmking66@163.com；
胡甚平（1974—）,男,湖北通城人,教授,博士,研究方向为航海仿真,（Email)sphu@shmtu.edu.cn0引言
作为船舶交通管理系统和船舶安全管理决策的根基,在航船舶风险评价一直是船舶交通安全领域的主要问题.许多专家从不同角度、针对不同因素对船舶及其环境进行风险评估和预防控制方面的研究［1］,包括对人员、船舶、环境及管理等4大因素进行专项或组合研究,并提出许多评估风险的方法.
很多理论组合和评价方法被应用在船舶安全评价中.风险评估研究呈观两个阶段的发展.阶段一,侧重船舶静态风险因素分析.文献［2］通过将各因素内部细分并且模糊化,利用模糊综合评价法求得风险值,以实现风险评价.文献［3］将层次分析法与模糊综合评价法相结合,建立船舶状态层次模糊综合评估模型, 使风险评估更有科学性.文献［4］对影响在航船舶安全的指标进行分析,给出船舶风险预先控制方案及船舶风险控制流程.阶段二,侧重船舶动态风险因素分析.文献［5］通过模糊推理系统对单船在航动态风险进行研究,对各因素隶属度进行划分,得到定量的评估风险.文献［6］将反向传播(BackPropagation, BP)神经网络引入船舶风险评价中, 建立基于BP神经网络学习性的船舶风险评价模型, 弥补当前船舶风险定量评价中主观性太强的不足.
模糊推理系统自学习功能、知识获取能力和自适应能力比较差,因此模糊推理系统的设计即使不依赖对象的实际模型, 也需要在很大程度上依靠专家经验和统计分析.若这样的经验或调查结果缺失,则很难期望可以获得满意的风险模型结果.［7］而神经网络存在难以表达模糊语言的不足,缺少透明度,因此很难很好地表达人脑的推理功能.自适应网络模糊推理系统（Adaptive Networkbased Fuzzy Inference System, ANFIS）［810］可将二者有机结合,既能发挥两者的优点,又可弥补各自的不足.
为此,提出基于模糊神经网络的对影响船舶安全的多因素进行风险评价的方法.将模糊推理系统的隶属性分析与神经网络的学习性相结合,充分利用历史数据或即时更新数据对在航船舶进行风险评估,通过数据训练修正各因素隶属度函数的参数,从而有效消除模糊系统的主观因素影响,并可以利用历史数据的及时更新,实现船舶风险的动态评估.
1ANFIS的自适应算法
ANFIS是一种基于TS模型的模糊推理系统,可由大量已知的典型数据的自适应学习修正相匹配的隶属度函数.ANFIS的结构是一个分层前馈网络, 各因素层之间的连接权值可经过给定的样本数据进行自适应修正.因此,训练后所得的结构能较全面完整地反映实际系统的模型.参数学习采用混合学习算法,以提高网络的训练速率.其中,混合学习算法是在原有BP算法的原则上增加最小二乘法的一种算法,即网络的各通道上各个节点均可向前输出,并用最小二乘法辨识所得系统的参数；反向通道则充分地利用BP算法变更系统的隶属度参数.
以两输入网络结构为例（见图1）,图中x1,x2为该网络的输入,y为输出.O1,i表示第1层第i个节点的输出.
图1ANFIS结构
第1层模糊化输入参数.O1,i等于μAi(x1), i等于1,2
系统风险论文参考资料：
结论：船舶安全航行系统风险分级ANFIS模型为关于对不知道怎么写系统风险论文范文课题研究的大学硕士、相关本科毕业论文系统风险论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
