海运行业的持续发展对于海员的适任提出更高要求[1],船舶虚拟驾驶系统的设计与研究能够训练海员的船舶驾驶技能,而船舶虚拟驾驶效果的评价对于船舶虚拟驾驶训练具有重要意义[2]。
朱冰等[3]在研究驾驶效果评价过程中,以自然驾驶数据为基础,构建自然驾驶数据的逻辑场景,采集驾驶数据,分析参数概率分布,获取评价结果。但该方法在实际应用过程中所使用的评价指标体系内包含大量冗余指标,导致最终评价结果存在一定偏差。赵晓华等[4]构建柯氏层次评估模型,利用该模型评价驾驶效果,但该方法在实际应用过程中所得结果与实际需求具有显著的不匹配性。
基于此,研究基于数据挖掘的船舶虚拟驾驶效果评价方法,利用数据挖掘技术中的聚类算法与神经网络实现船舶虚拟驾驶效果评价,提升船舶驾驶的安全性。
1 船舶虚拟驾驶效果评价方法 1.1 船舶虚拟驾驶效果评价方法体系架构图1为基于数据挖掘的船舶虚拟驾驶效果评价方法基本步骤。
依照系统性、层次性、简洁性、可量化、可对比等原则,选取初始评价指标构建初始船舶虚拟驾驶效果评价指标体系;采用数据挖掘技术中的聚类算法对初始指标体系内的指标进行筛选,清除重复指标,得到最终使用的船舶虚拟驾驶效果评价指标体系;采集评价指标相关数据,同时对所采集数据实施归一化与标准化等预处理。采用数据挖掘技术中的神经网络算法构建评价模型:构建径向基神经网络模型,采用粒子群优化算法训练神经网络,构建基于径向基神经网络的船舶虚拟驾驶效果评价模型,得到船舶虚拟驾驶效果评价结果。
1.2 基于聚类算法的评价指标体系构建 1.2.1 初始船舶虚拟驾驶效果评价指标体系构建船舶虚拟驾驶过程中,以实现任意特定目标为目标,需要求操作者在操作船舶装置过程中动作的先后顺序准确,同时也要求操作的实际与幅度满足相关标准。上述要求并不具备严格标准,一般情况下,采用快、慢、多、少等较为模糊的度量关系表示虚拟驾驶的效果[6]。基于上述分析将从不同组合操作中动作的准确性、驾驶行为衔接的连贯性、驾驶行为柔顺性、驾驶行为的效率等方面选取37个二级评价指标构建初始船舶虚拟驾驶效果评价指标体系。
1.2.2 基于聚类算法的评价指标筛选采用数据挖掘技术中的R聚类算法对初始船舶虚拟驾驶效果评价指标体系内的评价指标进行筛选,清除重复指标,利用剩余的评价指标构建最终使用的船舶虚拟驾驶效果评价指标体系。基于聚类算法的评价指标筛选过程分为聚类分析与变异系数分析,前一部分对处于相同准则层内的评价指标实施分类处理,同时对不同类别内的评价指标实施非参数检验,令各类均能够描述船舶虚拟驾驶效果评价的不同方面;后一部分利用变异系数表征鉴别能力,通过确定相同类别内评价指标的变异系数,系数值越大说明其鉴别能力越强,越能代表类别信息,保留变异系数值最大的评价指标,清除剩余评价指标,由此既能够保障筛选后的评价指标体系可全方位覆盖船舶虚拟驾驶效果评价的不同方面,同时还能够确保有所差异对类内筛选出的评价指标所描述的信息为非重复信息。
聚类分析部分的主要过程如下:
1)利用R型聚类算法对不同准则层内所包含的评价指标进行分类处理,并确定不同类内指标的数量。选取离差平方和法对评价指标R型分层聚类[7],若任意准则层内所包含的评价指标数量为
$ {C_i} = \sum\limits_{j = 1}^{{n_i}} {{{\left( {X_i^{\left( j \right)} - {{\bar X}_i}} \right)}^\prime }} \left( {X_i^{\left( j \right)} - {{\bar X}_i}} \right)。$ | (1) |
式中,
基于式 (1) 所获取的第
$ C = \sum\limits_{i = 1}^k {\sum\limits_{j = 1}^{{n_i}} {{{\left( {X_i^{\left( j \right)} - {{\bar X}_i}} \right)}^\prime }} } \left( {X_i^{\left( j \right)} - {{\bar X}_i}} \right)。$ | (2) |
2)聚类过程。评价指标的聚类过程可分为分类与合并2个环节。分类就是将
3)确定聚类数量。以防止聚类分析过程中
分析评价指标的变异系数就是确定评价指标分辨信息的水平,变异系数同任意评价指标在不同决策单元内的部分变异性之间呈正比例相关,即与评价指标的信息分辨能力之间呈正比例相关。变异系数较小的评价指标需清除。经由清除变异系数较小的评价指标,能够简化评价指标体系。利用下式计算第
$ {v_j} = \frac{{{b_j}}}{{{h_j}}}。$ | (3) |
式中:bj和hj分别表示整体变异系数标准差和均值,其计算公式分别如下:
$ {b_j} = {\dfrac{{\displaystyle \sum\limits_{i = 1}^n {{{\left( {{h_{ij}} - {h_j}} \right)}^2}} }}{n}},$ | (4) |
$ {h_j} = \dfrac{{\displaystyle \sum\limits_{i = 1}^n {{h_{ij}}} }}{n}。$ | (5) |
利用式(4)能够描述不同评价指标的标准化变异水平。通过上述处理过程后可简化初始船舶虚拟驾驶效果评价指标体系,得到最终使用的船舶虚拟驾驶效果评价指标体系,如表1所示。
采用数据挖掘技术中的径向基神经网络构建船舶虚拟驾驶效果评价模型。作为单隐层、前馈型神经网络,径向基神经网络的主要优势表现为分类性能好、可最大限度逼近任意非线性不间断函数。将评价指标体系内的评价指标输入径向基神经网络内,通过训练与学习过程获取船舶虚拟驾驶效果评价结果。径向基神经网络结构如图2所示。
利用式(6)能够获取径向基神经网络的输出:
$ y = \sum\limits_{k = 1}^3 {{w_k}{\eta _k}\left( X \right)}。$ | (6) |
式中:
$ {\eta _k}\left( X \right) = \exp \left( { - \dfrac{{\left\| {X - {u_k}} \right\|}}{{\delta _k^2}}} \right)。$ | (7) |
式中,
隐含层内所包含的神经元数量通常依照问题的复杂度来计算,神经元数量同神经网络分类精度之间呈正比例相关;但神经元数量过大将造成神经网络训练效率下降,同时有较大概率产生拟合过度的问题。
2 实验结果与分析 2.1 评价指标体系构建的科学性分析以数据方差描述评价指标信息含量的原理为基础,设定评价指标体系构建科学性的分析标准。
以
$ In = \dfrac{{tr{S_s}}}{{tr{S_h}}}。$ | (8) |
式中:
通过式(8)能够描述筛选后评价指标的整体方差与海选评价指标整体方差间的比值,由此能够获取筛选后评价指标所描述的海选指标信息。一般情况下,在筛选后指标能够体现90%以上的海选指标信息,即可说明筛选后的评价指标所构建的评价指标体系科学。
将本文方法筛选后评价指标的整体方差与海选37个评价指标的整体方差代入式(8),得到本文方法所构建的评价指标体系科学性分析结果,如图3所示。分析可知,对初始评价指标体系内的评价指标进行筛选后,当评价指标数量达到13个条件下,信息贡献率达到92%以上,由此说明本文方法所构建的评价指标体系具有较高科学性。虽然在评价指标数量持续提升的条件下,信息贡献率也有所提升,但评价指标体系的复杂度与冗余性也随之提升。
图4为本文方法中所使用的径向基神经网络测试结果。分析可知,采用本文方法训练所得的径向基神经网络模型具有较高的评价精度,由此说明本文方法能够较好地评价船舶虚拟驾驶效果,满足实际评价所需的精度要求。
将实验对象船舶虚拟驾驶效果划分为5个等级,分别是:好、较好、中等、较差、差。表2为本文方法对各实验对象的船舶虚拟驾驶效果评价结果。可知,采用本文方法能够有效对实验对象内的船舶虚拟驾驶效果进行评价,且本文方法结果与实验对象实际船舶虚拟驾驶效果一致,说明本文方法具有较好的评价精度。
本文研究基于数据挖掘的船舶虚拟驾驶效果评价方法,采用数据挖掘技术中的聚类算法与神经网络分别筛选指标和构建评价模型,由此获取船舶虚拟驾驶效果评价结果。实验结果显示本文方法所构建的评价指标体系具有较高科学性,并且能够准确评价虚拟驾驶效果。
[1] |
范敏, 高饶翔, 乐天, 等. 基于测试分析和RELS-TSVM的舰船系统固有能力评估[J]. 中国舰船研究, 2019, 14(2): 156-164. FAN Min, GAO Raoxiang, LE Tian, et al. Evaluation of inherent capacity of ship system based on test analysis and RELS-TSVM[J]. Chinese Journal of Ship Research, 2019, 14(2): 156-164. DOI:10.19693/j.issn.1673-3185.01350 |
[2] |
赵晓华, 刘畅, 姚莹, 等. 基于柯氏层次评估模型的职业司机生态驾驶静态培训效果评价方法[J]. 北京工业大学学报, 2020, 46(11): 1263-1271. |
[3] |
周建文, 赵炎平, 席永涛, 等. 冰区船舶模拟航行设计与自动评估方案[J]. 中国航海, 2021, 44(1): 1-7. ZHOU Jianwen, ZHAO Yanping, XI Yongtao, et al. Design of Teaching Program and Intelligent Operation Assessment for Polar Waters Navigation Training[J]. Navigation of China, 2021, 44(1): 1-7. DOI:10.3969/j.issn.1000-4653.2021.01.001 |
[4] |
张叶, 任鸿翔, 王德龙, 等. 基于KNN算法的船舶操纵智能评估系统[J]. 上海海事大学学报, 2021, 42(4): 33-38. DOI:10.13340/j.jsmu.2021.04.006 |
[5] |
吕能超, 彭凌枫, 吴超仲, 等. 基于视频轨迹参数的边缘率减速标线驾驶行为效果评价方法[J]. 安全与环境学报, 2021, 21(2): 461-469. DOI:10.13637/j.issn.1009-6094.2019.1214 |
[6] |
张思骢, 谢新连, 赵瑞嘉, 等. 基于专家定权和证据推理的舰船“六性”评估[J]. 上海海事大学学报, 2019, 40(1): 37-43+110. DOI:10.13340/j.jsmu.2019.01.007 |
[7] |
徐强, 金振中, 杨继坤, 等. 水面舰艇作战试验评估指标体系构建方法研究[J]. 现代防御技术, 2021, 49(3): 47-54. DOI:10.3969/j.issn.1009-086x.2021.03.006 |