0 引　言

世界航运业在经济全球化的刺激下获得了迅猛发展，加上船舶工业的技术进步，使得港口和海上航线的船舶交通密度不断增加，船舶碰撞事故也越来越多。船舶会遇过程的碰撞风险主要与2个因素有关；一是船舶的大型化、高速化发展，使船舶会遇时的惯性更大，发生碰撞的概率更高；二是航线或港口的船舶密度高，在多艘船舶的会遇过程中，船舶航向、航速控制难度更大^[1]。

船舶会遇过程的通行决策对于船舶避碰控制有重要意义，本文基于AIS船舶自动识别系统和神经网络算法，研究船舶会遇过程的通行决策和路径寻优问题，有助于解决船舶在港口和拥挤航线的碰撞问题。

1 船舶自动识别系统AIS的研究

船舶自动识别系统(AIS )是通信、计算机、传感器等技术的融合产物，在船舶导航、交通管理等方面有成功的应用。

船舶自动识别系统AIS的船载终端示意图如图1所示。

AIS系统主要由GPS及雷达设备、AIS信息处理器、VHF收发机、AIS显示终端以及各类传感器组成，详细如下：

1）GPS及雷达设备

GPS及雷达设备为AIS系统提供船舶定位功能，包括船舶的经纬度、船舶航行状态数据等，能够提高AIS系统的定位和导航水平。

2）AIS信息处理器

信息处理器是AIS系统的核心，信息处理器的数据库分为静态数据库和动态数据库2种，其中，静态数据库负责存储和处理船舶识别编码、货运类型、船舶类型等静态数据；动态数据库负责存储和处理船舶的航行速度、位置、航迹等动态信息。

AIS信息处理器的数据通信基于SOTDMA技术，为了使处理器与AIS系统其他设备之间的信息同步，提高信息传递的精度，通常采用GPS的UTC时钟进行同步。

AIS船舶自动识别系统的通信报文格式如图2所示。

3）VHF收发机

船舶自动识别系统的VHF收发机^[2]是进行谐波信号发射和接收的部件，AIS系统的船舶数据通信发生在船舶与岸基设备之间、船舶与船舶之间，采用谐波信号能够保障数据传输的精度。

4）AIS显示终端

AIS显示终端可实时显示AIS系统的船舶动态信息，并在显示界面提供多种可视化工具，比如数据调用工具、船舶呼叫工具等。

5）传感器

AIS系统的传感器主要负责船舶动态信息的采集，包括导航仪、陀螺仪、计程仪等。

卫星导航仪：差分卫星导航仪作为定位传感器，为AIS系统提供本船经纬度和UTC时钟。

陀螺仪：为AIS系统提供船舶的航向信息，陀螺仪具有数模信号转换的功能。

计程仪：计程仪可以采集船舶的航速信号，并将数字信号传送至AIS系统的信息处理器。

2 基于AIS系统和自适应神经网络的船舶智能化通行决策算法 2.1 自适应神经网络

自适应神经网络算法是基于人体神经元信号传输的仿生学，近几年随着计算机技术的发展，自适应神经网络算法获得了较快的发展。

自适应神经网络的关键环节包括信号输入、加权、求和、激活函数处理等，图3为自适应神经网络算法的原理图。

自适应神经网络算法流程如下：

1）初始化

自适应神经网络首先进行神经元和权值的初始化，神经元赋予（−1,1）的随机数作为权重 ${\delta _i}\left( t \right)$ ， ${x_i}\left( t \right)$ 为输入信号，设置权重的值域 ${S_i}\left( t \right)$ 和最大迭代次数M^[3]。

2）加权与求和

神经网络算法的加权模型为：

${\delta _{ij}}\left( {t + 1} \right) = \left\{ \begin{aligned} &{{\delta _i}\left( t \right) + f\left( t \right)\left[ {{x_i}\left( t \right) - {\delta _i}\left( t \right)} \right],\;i \in {S_i}\left( t \right)}, \\ & {{\delta _i}\left( t \right),\;\;\;\;i \notin {S_i}\left( t \right)。} \end{aligned} \right.$

其中， $f\left( t \right)$ 为网络的效率函数。

3）激活函数处理

本文采用Sigmod激活函数进行神经网络算法的处理，该函数是一种指数函数，具有严格单调特性^[3]，函数公式为：

$g\left( x \right) = \frac{1}{{1 + {e^{ - x}}}} \text{。}$

Sigmod激活函数曲线如图4所示。

4）信号输出

针对船舶通行过程的寻优问题，自适应神经网络的输出信号为：

$y\left( t \right) = g\left( t \right)\frac{1}{{\left[ {\begin{array}{*{20}{c}} V \\ S \end{array}} \right]}}\left( {\frac{{{m_h}g{t^3}}}{8}} \right) \text{。}$

其中： ${m_h}$ 为船舶质量； $\left[ {\begin{array}{*{20}{c}} V \\ S \end{array}} \right]$ 为船舶速度与位移信号。

2.2 船舶会遇过程的通行决策优化和数学模型

在船舶会遇过程中，船舶长、宽、速度、会遇角度、航向角等参数都会影响船舶的航行安全，建立船舶会遇过程的运动坐标系如图5所示。

基于该坐标系，船舶会遇过程的矢量建模包括速度与相对速度矢量建模、距离与会遇角度建模。

1）速度矢量

定义本船速度矢量为：

$\left\{ {\begin{array}{*{20}{l}} {{V_{ox}} = {V_o} \cdot \sin {C_o}}\text，\\ {{V_{oy}} = {V_o} \cdot \cos {C_o}}\text{。} \end{array}} \right.$

目标船只的速度矢量为：

$\left\{ {\begin{array}{*{20}{l}} {{V_{OX}} = {V_O} \cdot \sin {C_T}} \text{，} \\ {{V_{OY}} = {V_O} \cdot \cos {C_T}} \text{。} \end{array}} \right.$

其中： ${V_{ox}}$ ， ${V_{oy}}$ 为本船速度在2个方向的分量； ${C_o}$ 为本船的航向角； ${V_{OX}}$ ， ${V_{OY}}$ 为对方船舶速度在2个方向的分量； ${C_T}$ 为对方船只的航向角^[4]。

2）相对速度矢量建模

$\left\{ {\begin{array}{*{20}{l}} {{V_{Rx}} = {V_{OX}} - {V_{ox}}} \text{，} \\ {{V_{Ry}} = {V_{OY}} - {V_{oy}}} \text{。} \end{array}} \right.$

${V_R} = \sqrt {{V_{RX}}^2 + {V_{RY}}^2}$ ，

${C_R} = \arctan \dfrac{{{V_{RX}}}}{{{V_{RY}}}}$

其中：V_R为相对速度大小；C_R为相对速度方向。

3）两船相对距离

两船坐标分别为 $\left( {x_0^{},y_0^{}} \right)$ 和 $\left( {x_T^{},y_T^{}} \right)$ ，则相对距离为：

${l_{ab}} = \sqrt {{{\left( {{x_T} - {x_o}} \right)}^2} + {{\left( {{y_T} - {y_o}} \right)}^2}} 。$

4）两船相对转角

两船相对转角计算为：

$\alpha = \arctan \frac{{\sin ({C_0}) - \sin \theta }}{{\cos ({C_T}) + \sqrt {\dfrac{1}{2}{{\sin }^2}\theta } }} \text{。}$

式中， $\theta$ 为坐标系转换角。

2.3 基于自适应神经网络的AIS系统路径搜索技术

本文结合AIS系统和自适应神经网络研究船舶会遇过程的智能化通行决策技术，利用AIS系统中的船舶航迹数据及船舶位置数据，在船舶会遇时进行航线的规划。

基于自适应神经网络算法的船舶智能化通行决策优化流程如图6所示。

针对本文提出的决策优化算法，利用Matlab仿真平台进行船舶会遇过程的路径寻优仿真，仿真模型本船船长279 m，船速6.5 m/s，船位（30°N，123°E）；会遇船舶船长185 m，船速5 m/s，船位（60°N，80°E）。船舶会遇过程的智能化通行决策仿真如图7所示。

由以上仿真可以看出，本文提出的自适应神经网络算法可以为船舶会遇时提供通行决策，并能够为船舶规划航线线路，从而降低事故发生的概率。

3 结　语

针对船舶会遇过程的避碰通行策略，本文在AIS系统数据库基础上，结合自适应神经网络算法进行路径寻优，并在Matlab平台中进行了船舶会遇过程的通行决策仿真。结果表明，本文算法可以有效降低船舶事故发生概率。