0 引　言

随着信息技术的快速发展，运用信息技术实现舰船航行安全性预测已经成为重点研究领域，对促进航海事业发展起着重要作用。在舰船安全性预测中，国外学者采用BP神经网络、贝叶斯理论、SVM算法等研究舰船航行安全的影响因素，这些算法得出的预测结果准确性偏低^[1-3]。基于此，本文提出一种改进ELM算法，借助卡尔曼滤波、粒子群算法对传统ELM算法进行改进，针对舰船安全性构建起预测模型，能够保证预测结果的准确性。

1 改进极限学习机算法 1.1 极限学习机原理

极限学习机（ELM）是针对单隐含层前馈神经网络的一种新型算法^[4-6]。在ELM算法中，随机产生输入层与隐含层的连接权值，以及隐含神经元的阈值，无需在训练中调整数据便可以获得唯一最优解。ELM算法采用3层前馈神经网络结构。

在ELM算法内，每个节点的隐含层输出后合并形成矩阵式：

$ {\boldsymbol{H}}\beta =T \text{。} $

矩阵式中的H为隐含层输出矩阵：

$ {\boldsymbol{H}}({a_1} \cdots {a_L},{b_1} \cdots {b_L},{x_1} \cdots {x_L}) \text{。} $

在ELM算法中，训练前随机设置初始权值，通过求解广义逆矩阵得出最小化权值，不需要采用迭代调整。在安全性预测中，安全风险包括结构性风险和经验性风险，运用ELM算法预测时要兼顾结构风险最小化和经验误差最小化。而BP神经网络在安全性预测中只会考虑到训练误差最小化，产生过拟合问题，难以得到最优测试结果。因此，ELM算法与BP神经网络算法相比具备泛化性能好、学习速度快、参数敏感度低、分类效果好、计算复杂度低的优势。

1.2 改进极限学习机算法

ELM算法通过对隐含层输出矩阵的广义逆计算构建线性网络结构，属于回归与分类算法。但是，由于ELM算法需要随机选取输入权值和隐含层偏置值，所以会出现输出矩阵条件数过大的情况，影响隐含层泛化性，这使得ELM算法的输出结果会忽略有价值的输出信息。因此需要对ELM算法进行改进，本文提出基于拉尔曼滤波思想的改进ELM算法。

卡尔曼滤波算法采用高斯白噪声理论、随机估计理论和状态空间理论，在描述含有白噪声信号的输入输出关系时采用状态变量法，通过输出方程和状态方程得到关系式，无需估计频域信息，使得算法可以处理非平稳输出数据。在ELM算法改进中运用卡尔曼滤波，能够解决均方误差最小化带来的问题，优化建立状态空间模型和观测方程式，更新估算观测值，得出最优化的计算结果。在算法中，受噪声干扰的状态量为随机量，很难保证测算的精确值，只能促使估计值接近真实值。当输入当前估计值后，能够通过滤波算法得出输出估计值，再利用反馈修正系数建立起输入与输出值之间的关系式。卡尔曼滤波主要采用预估和修正2种方法，利用系统方程和观测方程建立起预估模型，再利用观测方程估计当前状态，修正后反馈测量结果，按照顺序恢复系统数据。

1.3 改进极限学习算法的网络训练

改进ELM算法是单隐层前馈神经网络，能够提高传统ELM算法的泛化性能，对实际输出值进行优化，在输入层添加实际输出值和期望值，利用前馈神经网络不断学习输出数据误差值，进一步提高预测精度。在改进的ELM算法模型训练中，输入神经元数为X，通过模型运算得出期望输出变量Y，再将输入值和输出值之间的误差反馈到训练层中继续学习，优化最终的输出结果。

具体训练流程如图1所示。训练操作步骤如下：输出值为实际预测值y，在输入层的反馈阶段利用公式进行归一化处理，公式为：

$ {e_k} = \frac{{{e_k} - {e_{\min }}}}{{{e_{\max }} - {e_{\min }}}} \text{。} $

将训练样本划分为3种数据集，分别为训练集、测试集和校验集，反馈值设定为0，在输入层内输入实际值与期望值误差，设置隐含层内的偏置值和连接权值；根据反馈参数修改输入权值和隐含层偏置值，得出修正后的公式，通过矩阵运算出结果。

2 改进极限学习机算法在舰船安全性预测中的应用 2.1 改进极限学习机算法的预测流程

改进ELM算法要结合采用粒子群算法完成对舰船安全性的预测，在粒子群算法内，随机设定执行问题的初始值，根据粒子群的位置向量解释迭代结果。粒子群算法要采用适应度函数表示任意粒子与最优解的接近程度，根据每一次迭代获取的速度向量搜索出粒子朝向的最优解。在最优解空间中，设置自适应惯性权值，限制粒子速度，避免粒子飞出最优解的空间限制。

改进ELM算法流程如图2所示。训练过程如下：对粒子群进行初始化，优化ELM算法中粒子群参数，使粒子群内每个离子对应输入权值和偏置值，使粒子群内的初始值处于[−1，1]之间；根据粒子的适应值训练得出输出权值和误差值，随机选取训练集，更新粒子群中的偏置值，训练输入权值集合，校验训练集误差，根据误差值计算出偏置值的调整值；更新位置向量、个体极值和群体极值，更新后对每个粒子的适应度排序，选取排名前几的粒子构建组合模型，测试样本集；提取出输入权值和偏置值，建立极限学习机组合预测模型，预测数据结果。

2.2 构建改进ELM模型

采用本文提出的改进ELM算法作为舰船航行安全性预测分类器，建立改进ELM模型，对舰船航行安全影响因素进行分析，优选影响因素子集。具体步骤为：

步骤1　利用因素和染色体个数的关联性编制二进制编码，表示第m个因素状态，用0代表因素不被采纳，用1代表因素被采纳。

步骤2　随机选择群体中的多条染色体，初始群体根据空间异同进行选择，确保初始群体中包含各子集因素。

步骤3　精确处理适合度函数，利用适合度函数与ELM分类的正比关系，求出影响因素的数量。按照从高到底的顺序对初始群体因素的适合度进行排序，再结合舰船航行安全影响的外部环境条件，确定子集因素，计算出个体适合度值。

步骤4　根据运算规则选取染色体，按照由高到低的原则对适合度值进行排序，保证染色体顺利进入到下一阶段遴选。

步骤5　判断适合度值是否都达到阈值要求，选择因素进行异化，产生下一代群体。

步骤6　重复步骤3，准确计算出群体的个体因素，从各项因素中选取出适合度最高的个体因素，停止其他数据训练，形成最终的筛选结果。

3 仿真实验 3.1 实验条件

因改进ELM算法对数据资料信息量的要求偏低，在综合考虑舰船航行事故影响因素的基础上，剔除年度跨度大、非权威性信息，尽量保证数据资料信息的准确性。本次仿真实验采用2010～2020年海上舰船事故统计资料作为实验数据，对157起舰船安全事故原因进行分析，将其作为改进ELM算法的验证依据。

安全事故等级分类。根据舰船航行事故造成的直接经济损失、人员伤亡严重程度以及海洋污染程度划分为5个安全等级，分别为：对无人员伤亡，经济损失小于100万元，海洋环境污染程度小于1 t溢油的安全事故认定为“微小事故”；对人员死亡在1～3人或重伤人数在1～10人，经济损失在100～1000万元，海洋环境污染程度在1～100 t之间的安全事故认定为“一般事故”；对人员死亡在4～10人或重伤人数在11～50人，经济损失在1000～5000万元，海洋环境污染程度在100～500 t之间的安全事故认定为“大事故”；对人员死亡在11～30人或重伤人数在51～100人，经济损失在5000万元～1亿元，海洋环境污染程度在500～1000 t之间的安全事故认定为“重大事故”；对人员死亡在30人以上或重伤人数在100人以上，经济损失在1亿元以上，海洋环境污染程度在1000 t以上的安全事故认定为“特大事故”。

舰船航行安全影响因素识别。共包括7大类影响因素，28项因素子项，分别为：类别1−外部条件，下设助航设备外部条件、航标故障、能见度低、浅水效应、风浪、航区范围等因素子项；类别2−技术设备，下设助航仪器、通信设备、舰船技术、舵机和推进器等因素子项；类别3−航行因素，下设海图、舰船通信、驾驶台设置、人员配备等因素子项；类别4−航行过失，下设误认物标、设备使用、操作行为、通信情况判断等因素子项；类别5−违反规章，下设人为行动、值班配备、紧急避险等因素子项；类别6−他船行为，下设设备情况、海上避碰规格、瞭望、信号灯等因素子项；类别7−信息交流，下设舰船之间、船岸之间等因素子项。

3.2 样本数据选择

在5个等级的安全事故中随机抽取10%样本，将其作为改进ELM算法类别筛选试验集，其余90%作为操作集，通过测验得到理想类别精准度模型，设置改进ELM算法模型参数。初始群体数确定为350个，适合度阈值为1.7。改进ELM算法的测试结果如图3所示。选定SVM算法模型作为对比研究模型，用以验证改进ELM算法模型在安全性预测中的有效性。当优化效能处于最佳状态时，设定进化代数最大值为300，选取ELM激活函数sigmoid，设置50个隐藏点数。对比实验SVM算法模型采用RBF函数，计算出相关参数。

3.3 实验结果分析

实验采用Matlab软件，输入实验数据，得出进化代数变化的适合度，根据适合度分析影响航行安全性的影响因素和类别。在改进ELM算法模型中，共识别出10个影响因素，分别为助航仪器、浅水、能见度、瞭望、操纵行为、人员配备、航标、航区范围、海图、他航航行等影响因素，识别准确率为81.5%，识别时长为87.3 s；在SVM算法模型中，共识别出13个影响因素，包括紧急避险、风浪、人员配备、舵机和推进器、设备使用、航行情况、舰船间通信、遵守避让规则、船舶技术等，识别准确率为79.9%，识别时长为1562.7 s。可以看出，改进ELM算法模型与SVM算法模型相比，其在识别准确率和时效性上的优势较为明显。

4 结　语

舰船安全性预测是保障舰船航行安全的重要工具，在安全性预测中要优选算法，构建起泛化性能好、学习速度快的预测模型，保证预测结果的准确性，为舰船航行决策提供依据。舰船安全性预测要采用改进的ELM算法，弥补传统ELM算法在输出值识别上的不足，建立起安全性预测模型，优化预测流程，进而提高预测时效性。