原创《水上交通加权安全评价中权重向量的异常分析》：此文是一篇水上交通论文范文,为你的毕业论文写作提供有价值的参考。
摘 要：
为提高指标权重在水上交通安全评价中的准确性,提出一种基于DBSCAN算法的权重向量异常分析方法.该方法选取加权评价法为研究对象,以DBSCAN算法为检测方法,对水上交通加权安全评价中的权重向量进行异常分析.实例表明,在130组数据中,异常权重向量共3组.从数据分布情况看,异常向量与正常向量有比较明显的差异,说明此方法能有效识别异常向量,是可行的.该方法对权重向量集进行分析后,可防止异常权重向量的干扰,提高评价结果的质量.
关键词：
水上交通； 加权安全评价； DBSCAN算法； 异常分析
中图分类号： U698；O212.4
文献标志码： A
0引言
近年来,我国经济的飞速发展带动航运业繁荣.水上交通安全工作是一项基础性工作,历来受到海事部门的高度重视,因此正确及时地掌握水上交通安全形势是开展水上交通安全监管工作的前提和依据.目前,经过一些学者的研究分析,运用于水上交通安全评价的数学模型或方法有很多,如加权评价法、神经网络法、故障树分析法等.其中加权评价法操作性强、简便易算,常用的有模糊综合评判法[1]、层次分析法、德尔菲法等,这几种方法均能将定性和定量相结合、步骤完善、所得的评价结果有一定的参考价值和预见性,因而在水上交通安全评价中被广泛应用.
根据评价水上交通的目的和特征,通常由专家调查的方式确定较吻合的指标体系,同时由一定数量的领域内专家主观赋值确定指标权重,因此对专家存在较强的依赖.认识到指标权重的主观性较强,为使权重更准确可信、符合逻辑,很多学者在这方面进行研究[2],在一些常见方法的基础上提出更多的数学模型和方法[3].
文献[4]研究DelphiAHP（Analytic Hierarchy Process,层次分析法）构权过程中专家意见一致性的统计检验问题,提出用p阶对称均值比指标度量,并建议用极差法和模拟法确定阈值,是一致性检验的新方法；文献[5]将集对分析（Set Pair Analysis,SPA）模型引入安全评价；文献[6]将SPA与AHP比较,得出SPA法能够对专家判断的同一性和差异性进行有效处理,更易于区分各指标的权重；文献[7]在安全评价中引入模糊变权法,权重与单指标评价值相关联,突出不理想指标,使评价结果更符合实际情况.
上述几种方法都仅仅在一定程度上对单个专家赋权值进行修正,对整个专家权重向量集中的异常向量不能进行有效识别.这些异常向量会降低评价结果的准确性,为提高权重向量的可信度,应尽早发现并消除.本文提出一种基于DBSCAN算法的权重向量异常分析方法,能快速、有效地检测出专家权重向量集中的异常向量.
1评价步骤
在运用加权评价法评价复杂的水上交通系统安全时,有以下3个关键步骤：
步骤1确定评价指标.
主要是根据水上交通特点和评价目的,选择影响安全形势的因素作为评价指标,如自然条件、船舶状况等,并构造判断矩阵.
步骤2确定权重系数.
根据每个评价指标对水上交通安全形势的影响程度,确定指标间的相对重要性,用权重系数表示.若用wi（i等于1,等,n）表示评价指标ui的权重系数,同层次所有指标的权重系数构成的向量w等于（w1,w2,等,wn）即为权重向量,其中wi满足2个条件：
①wi≥0,
②ni等于1wi等于1.
步骤3得出评价结果.
对权重向量w和评判矩阵R进行矩阵运算B等于wR,得出评价结果.
2基于DBSCAN算法的权重向量异常分析
评价中的权重向量集通常为数值属性的多维数据集,在大多数情况下没有提前标记,而当某向量区别于其他多数向量时,将其标记为异常向量.导致异常的原因可能是专家主观判断失误等,识别这些异常权重向量正是分析的目标.
检测异常数据是聚类的一种附属结果,故往往选取聚类算法作为检测方法.文献[8]对基于聚类的异常挖掘算法进行大量研究；文献[9]基于密度聚类算法对样本数据库进行异常检测,为运用聚类算法进行权重向量异常分析提供基础.
聚类是数据挖掘[1011]中的一项重要技术,根据向量之间的“相似程度”将向量划分为不同的簇,目的是使同一簇中的向量相似度最大化、不同簇中的向量相似度最小化.完成聚类后,可能剩余少数向量无法归入任何簇中,这些少数向量即为检测出的异常向量.[12]传统的聚类算法根据数据类型、聚类目的等大致可以被分为5类：层次方法、划分方法、基于密度方法、基于网格方法和基于模型方法.文献[13]就异常数据分析对PAM算法、BIRCH算法、DBSCAN算法和CURE算法这4种典型的聚类算法进行比较,其中DBSCAN算法适用于任意形状的聚类,对异常数据最为敏感,故DBSCAN算法对于权重向量的异常分析有一定的可行性.
DBSCAN算法是一种较具有代表性的基于密度的聚类算法,根据密度阈值控制簇的增长,采用迭代法查找对象归入簇.[14]运用DBSCAN算法需指定2个参数：①邻域半径E,由权重向量间的欧氏距离确定；②邻域半径范围内的权重向量最小数目M.设定M和E后,算法步骤如下：
步骤1检测权重向量集中且其邻域半径E范围内包含的权重向量数目≥M的权重向量p,以p为核心对象建立新簇C,并将其包含的所有权重向量加入C.
步骤2对C中尚未处理的权重向量q,若其邻域半径E范围内包含的权重向量数目≥M,则将其所包含的权重向量（已处理的权重向量除外）加入C；若包含的权重向量数目 步骤3重复步骤2,扩展C所包含的权重向量,直到没有新的权重向量加入. 步骤4重复步骤1～3,直到权重向量集中的所有向量都归入某一簇,同时未加入任何一簇的权重向量标记为异常向量. 水上交通论文参考资料： 结论：水上交通加权安全评价中权重向量的异常分析为关于水上交通方面的论文题目、论文提纲、水上交通论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
