CN103198720B - 一种基于广义自组织神经网络的船舶领域模型的修正方法 - Google Patents

Abstract

本发明提出了一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，具有如下步骤：选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络；使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；将两艘对应船舶的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到两艘船舶的船舶安全区域。由于采用了上述技术方案，相对与传统的船舶领域模型，经过本发明修正的安全模型，具有更好的精度，安全性也更高。

Description

一种基于广义自组织神经网络的船舶领域模型的修正方法

技术领域

本发明涉及一种船舶领域模型的修正方法，尤其涉及一种基于广义自组织神经网络的船舶领域模型的修正方法。

背景技术

海上智能交通交通作为我国科技发展战略的重要组成部分，已逐渐成为船舶交通和信息科学有效融合的新兴交叉研究热点。而对于海上交通系统的个体船舶行为的研究，则显得尤为重要。20世纪六七十年代，日本的加藤[1]提出船舶航行安全领域的概念至今，文献[2][3][4][5]中可知，研究者提出了各种不同形状、大小的船舶航行安全领域模型。在现代船舶领域中有着广泛的应用。但是，始终无法形成一个统一的模型，造成上述问题的主要原因有：(1)不同的航行环境的因素导致产生不同形状、大小的模型；(2)大多数的模型都按照统计数据或模拟实验的方法形成；(3)现有的模型都易于理解，但却很难被应用到实际中去。文献[3][4]提出了一种复杂的六边形船舶领域模型，用船速和船舶回旋参数确定各边尺寸，该模型使得避碰情况下的船舶便于采用进化算法对其航迹进行优化，但其复杂程度较高，物理意思较含糊，不便于理解和实际应用。[5]结合船舶转向性能等因素给出几种情况下船舶领域边界的量化方法，船舶的操纵性能在该方法中得到体现，但模型尺寸与影响因素之间的函数关系是人为给定的一种粗略的估算公式。值得注意的是[2]提出的“横截面积”模型是由前后两个半椭圆拼合而成，由船舶操纵参数和航行速度等决定，是经典模型之一。

另一方面，模糊系统、神经网络和模糊神经网络快速发展，并因其具有非常好的逼近、泛化能力，迅速应用于工业领域中。设计模糊系统、神经网络和模糊神经网络时，都必须先确定规则数活隐节点数，同时应用误差反向传播的方式学习算法进行训练。众所周知，该方法学习速度慢，容易陷入局部极小点。因此，迫切需要找到一个针对实时应用的快速学习方法。为解决上述问题，研究者提出了动态神经网络。但D-FNN存在以下缺点：

动态模糊神经网络(DFNN)在输入空间划分是用标准高斯函数，其规则中输入变量的所有高斯函数的宽度都是相同，这一点与现实通常不相符合，特别是当输入变量具有很不一样的工作区间时。

动态模糊神经网络(DFNN)不管其隶属函数是如何分布的，其隶属函数与模糊规则的数量都相同。这导致一些隶属函数严重重叠，抽取出的模糊规则难以理解。

动态模糊神经网络(DFNN)中第一条模糊规则的高斯函数宽度为随机选取的。

动态模糊神经网络(DFNN)中存在太多预先设定的参数，且这些参数都缺乏物理意义，从而在选择这些特定参数时比较困难。对于动态模糊神经网络(DFNN)输入量必须进行归一化和输出量的反归一化，这样将加大计算量，达到较好的逼近效果的时间长。

因此，本发明则基于“横截面积”模型和自组织模糊神经网络提出一个新的智能船舶领域的模型。

发明内容

本发明针对以上问题的提出，而研制的一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，具有如下步骤：

—选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；

—建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络；

—使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；

—将两艘对应船舶的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到两艘船舶的船舶安全区域。

所述船舶安全区域模型为横截面积模型：该模型近似由前后两个半椭圆拼合而成，该模型的函数如下式所示：

$\left\{\begin{array}{c}{R}_{\mathrm{bf}}=L+(1+s)T_{90}U\\ R_{\mathrm{ba}}=L+T_{90}U\\ S_b=B+(1+t)T_{90}{D}_T\end{array}\right.$

其中，R_bf、R_ba和S_b分别代表区域的前、后椭圆的半径和横截半径，T₉₀为船舶转向90度所需的时间、D_T为回转直径、s与t为环境参数；

输入变量为：P^k＝[L^k，B^k，U₁ ^k，U₂ ^k，α^k]，期望输出为：k＝1，2.....n，U₂ ^k代表目标船船速；α^k代表两船夹角。

所述的动态模糊神经网络具体包括：

输入层：具有多个节点，每个节点代表一个输入的语言变量；

隶属函数层：具有多个节点，每个节点代表一个隶属函数，所述隶属函数使用高斯函数表述如下：

${\mathrm{\&mu;}}_{\mathrm{ij}}(x_i,c_{\mathrm{ij}},{{\mathrm{\&sigma;}}_{\mathrm{ij}}}^L,{{\mathrm{\&sigma;}}_{\mathrm{ij}}}^R)=\left\{\begin{array}{c}\exp [-\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\left({{\mathrm{\&sigma;}}_{\mathrm{ij}}}^R\right)}^2}],x_i\&GreaterEqual;c_{\mathrm{ij}}\\ \exp [-\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\left({{\mathrm{\&sigma;}}_{\mathrm{ij}}}^L\right)}^2}],x_i<c_{\mathrm{ij}}\end{array}\right.$

其中，i＝1,2......r，j＝1,2.....u，其中μ_ij为x_i的第j个隶属函数，c_ij是x_i的第j个高斯函数的中心，σ_ij ^L,σ_ij ^R分别代表x_i的第j个隶属函数的左右宽度，r是输入变量数，u是系统总的规则数，x代表一个输入的语言变量，x＝[x₁,x₂,........x_i]，x_i表示x在第i维上的数值；

T-范数层：具有多个节点，每个节点代表一个可能的模糊规则的IF-部分，第j个规则的输出为：

其中 ${\mathrm{\&sigma;}}_{\mathrm{ij}}\left(x_i\right)=\left\{\begin{array}{c}{{\mathrm{\&sigma;}}_{\mathrm{ij}}}^R,x_i\&GreaterEqual;c_{\mathrm{ij}}\\ {{\mathrm{\&sigma;}}_{\mathrm{ij}}}^L,x_i<c_{\mathrm{ij}}\end{array}\right.;$

输出层：至少具有一个节点，该层中的每个节点分别表示一个输出变量，该输出是所有输入信号的叠加：

y是输出变量，ω_j是THEN-部分，对于TSK模型：ω_j＝α_0j+α_1jx₁+α_2jx₂,.....,+α_rjx_r，j＝1,2，.....，u。

针对横截面积模型的三个变量构建三个独立的广义自组织神经网络：

$\left\{\begin{array}{c}{R}_{\mathrm{bf}}=f_{R_{\mathrm{bf}}}(L,B,U_1,U_2,\mathrm{\&alpha;})\\ R_{\mathrm{ba}}=f_{R_{\mathrm{ba}}}(L,B,U_1,U_2,\mathrm{\&alpha;})\\ S_b=F_{S_b}(L,B,U_1,U_2,\mathrm{\&alpha;})\end{array}\right.$

所述动态模糊神经网络训练包含如下步骤：

—用非对称高斯函数计算数据对各个高斯中心的隶属度，期望精度k_e与可容纳有效半径k_d，k_e＝max{e_maxβ^k-1,e_min}，k_d＝max{d_maxγ^k-1,d_min}；

—计算系统误差：‖e^k‖＝‖t^k-y^k‖；计算马氏距离：

${\mathrm{disk}}_{\mathrm{jk}}\left(X^k\right)=\sqrt{(X^k-C_j)T{\mathrm{\&Sigma;}}_j\left(X^k\right)(X^k-C_j)},$

其中并找到最小马氏距离d_min，找出离该样本最近的GEBF节点；

当(1)‖e_i‖＞k_e,d_min＞k_d时，需要增加一条模糊规则；

(2)‖e_i‖≤k_e,d_min≤k_d时，广义自组织神经网络可以完全容纳该数据；

(3)‖e_i‖≤k_e,d_min＞k_d时，广义自组织神经网络具有较好的泛化能力只需调整结果参数；

(4)‖e_i‖＞k_e,d_min≤k_d时，调整覆盖该数据的RBF节点以及更新结果参数；

—定义误差下降率：

运用线性回归方程T＝ΨA+E及QR分解Ψ＝PQ，其中T：期望输出向量；A：权向量；Ψ：回归矩阵；E误差向量；P：正交矩阵，P∈R^n*v；Q：上三角矩阵，Q∈R^v*v；

将err转换为：ERR＝[ρ₁,ρ₂,…ρ_u],ERR∈R^(r+1)*u；

定义并计算每条规则的重要性：

${\mathrm{sig}}_j=\sqrt{\frac{{\mathrm{\&rho;}}_j^T{\mathrm{\&rho;}}_j}{r+1}},j=\mathrm{1,2}.....u;$

判断：若sig_j＞k_s，则删除第j条规则，其中k_s为预定义参数，为判断灵敏度的参数；

—反复训练，直到网络输出误差达到要求，结束训练，当有障碍物或者其他船舶进入到本发明所得到的船舶安全领域时，船舶驾驶员可以根据本发明得到的数据来判断本船新的航行轨迹，避免发生碰撞。

训练得到动态模糊神经网络后，使用检验数据集检验动态神经网络的性能：分别对R_bf、R_ba和S_b作均方根误差，表示本动态模糊神经网络的性能。

由于采用了上述技术方案，本发明在提出了一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，提出了GOSFNN，在功能上等价于TSK模糊系统的在线自组织模糊神经网络。从原理上讲，与基于对称的高斯函数的D-FNN相比，基于不对称高斯函数的GOSFNN的接收域提供了更灵活、更广泛的非线性变换来逼近任意一个非线性系统，因此算法上更为复杂，更具有一般性；从应用上来说，该算法提取的模糊规则具有很好的可理解性。值得提出的是，尽管GOSFNN比D-FNN更加复杂，但是，它所需要预先设定的参数却比D-FNN少，因此它比D-FNN实现起来更加容易。相对与传统的船舶领域模型，经过本发明修正的安全模型，具有更好的精度，安全性也更高。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明广义自组织神经网络的拓扑结构图

图2为本发明广义自组织神经网络的算法流程图

图3为本发明采用的横截面积船舶区域模型

图4为本发明R_bf神经元数量与训练集样本数量的关系图

图5为本发明R_bf均方根误差与训练集样本数量关系图

图6为本发明R_ba神经元数量与训练集样本数量的关系图

图7为本发明R_ba均方根误差与训练集样本数量关系图

图8为本发明S_b神经元数量与训练集样本数量的关系图

图9为本发明S_b均方根误差与训练集样本数量关系图

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1-图9所示：一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，主要包括如下步骤：

首先，选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值：

采用的船舶区域模型为“横截面积”模型(如图2)，其中R_bf、R_ba和S_b分别代表区域的前后半径和横截半径，模型由如下公式确定：

$\left\{\begin{array}{c}{R}_{\mathrm{bf}}=L+(1+s)T_{90}U\\ R_{\mathrm{ba}}=L+T_{90}U\\ S_b=B+(1+t)T_{90}{D}_T\end{array}\right.$

其中，L、B、U分别代表船舶的长、宽和速度T₉₀为船舶转向90度所需的时间、D_T为回转直径、s与t代表环境参数，环境有：两船相对行驶(船头对船头)、两船相向行驶(船尾对船头)、两船交叉行驶(船舷对船头)。(前者代表本船，后者代表目标船)：

两船头对头时，

$\left\{\begin{array}{c}s=2-\mathrm{\&Delta;U}/U_1\\ t=1\end{array}\right.$

两船十字交叉时，

$\left\{\begin{array}{c}s=2-\mathrm{\&alpha;}/\mathrm{\&pi;}\\ t=\mathrm{\&alpha;}/\mathrm{\&pi;}\end{array}\right.$

两船首尾相接时，

$\left\{\begin{array}{c}s=1\\ t=1\end{array}\right..$

然后，建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络：

设OSFNN动态模糊神经网络分为四层(如图1)，分别为：输入层、隶属函数层、T-范数层、输出层，

输入层：每个节点分别代表一个输入的语言变量。

隶属函数层：每个节点分别代表一个隶属函数，该隶属函数用如下的高斯函数表示：

${\mathrm{\&mu;}}_{\mathrm{ij}}(x_i,c_{\mathrm{ij}},{{\mathrm{\&sigma;}}_{\mathrm{ij}}}^L,{{\mathrm{\&sigma;}}_{\mathrm{ij}}}^R)=\left\{\begin{array}{c}\exp [-\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\left({{\mathrm{\&sigma;}}_{\mathrm{ij}}}^R\right)}^2}],x_i\&GreaterEqual;c_{\mathrm{ij}}\\ \exp [-\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\left({{\mathrm{\&sigma;}}_{\mathrm{ij}}}^L\right)}^2}],x_i<c_{\mathrm{ij}}\end{array}\right.$

其中，i＝1，2......r，j＝1，2.....u，其中μ_ij为x_i的第j个隶属函数，c_ij是x_i的第j个高斯函数的中心，σ_ij ^L,σ_ij ^R分别代表x_i的第j个隶属函数的左右宽度，r是输入变量数，u是系统总的规则数。

T-范数层：该层中的每个节点分别代表一个可能的模糊规则中的IF-部分。

因此第j个规则的输出为：

其中 ${\mathrm{\&sigma;}}_{\mathrm{ij}}\left(x_i\right)=\left\{\begin{array}{c}{{\mathrm{\&sigma;}}_{\mathrm{ij}}}^R,x_i\&GreaterEqual;c_{\mathrm{ij}}\\ {{\mathrm{\&sigma;}}_{\mathrm{ij}}}^L,x_i<c_{\mathrm{ij}}\end{array}\right..$

输出层：该层中的每个节点分别表示一个输出变量，若只有一个输出节点，则为单输出，若有多个输出节点，则为多结果输出，该输出是所有输入信号的叠加：

其中，y是输出变量，ω_j是THEN-部分，对于TSK模型：ω_j＝α_0j+α_1jx₁+α_2jx₂,.....,+α_rjx_r，j＝1,2，.....，u。

本发明需构建三个独立的GOSFNN，分别为：

$\left\{\begin{array}{c}{R}_{\mathrm{bf}}=f_{R_{\mathrm{bf}}}(L,B,U_1,U_2,\mathrm{\&alpha;})\\ R_{\mathrm{ba}}=f_{R_{\mathrm{ba}}}(L,B,U_1,U_2,\mathrm{\&alpha;})\\ S_b=F_{S_b}(L,B,U_1,U_2,\mathrm{\&alpha;})\end{array}\right..$

使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求：

(1)用非对称高斯函数计算数据对各个高斯中心的隶属度，初始化系统的预定义参数。期望精度ke与可容纳有效半径kd。

其中k_e＝max{e_maxβ^k-1,e_min}，k_d＝max{d_maxγ^k-1,d_min}。

(2)计算系统误差：‖e^k‖＝‖t^k-y^k‖；计算马氏距离： ${\mathrm{disk}}_{\mathrm{jk}}\left(X^k\right)=\sqrt{(X^k-C_j)T{\mathrm{\&Sigma;}}_j\left(X^k\right)(X^k-C_j)},$

其中

并找到最小马氏距离，找出离该样本最近的GEBF节点。

(3)根据马氏距离判断：

1.‖e_i‖＞k_e,d_min＞k_d时，需要增加一条模糊规则。

2.‖e_i‖≤k_e,d_min≤k_d时，OSFNN可以完全容纳该数据。

3.‖e_i‖≤k_e,d_min＞k_d时，OSFNN具有较好的泛化能力只需调整结果参数。

4.‖e_i‖＞k_e,d_min≤k_d时，调整覆盖该数据的RBF节点以及更新结果参数。

(4)运用线性回归方程T＝ΨA+E及QR分解Ψ＝PQ，其中T：期望输出向量；A：权向量；Ψ：回归矩阵；E误差向量；P：正交矩阵，P∈R^n*v；Q：上三角矩阵，Q∈R^v*v。

定义误差下降率：

${\mathrm{err}}_i=\frac{{\left(p_i^{T}T\right)}^2}{p_i^T{p}_i{T}^{T}T},\mathrm{err}\&Element;R^{1*(r+1)v}.$

将err转换为：ERR＝[ρ₁,ρ₂,…ρ_u],ERR∈R^(r+1)u。

定义并计算每条规则的重要性：

${\mathrm{sig}}_j=\sqrt{\frac{{\mathrm{\&rho;}}_j^T{\mathrm{\&rho;}}_j}{r+1}},j=\mathrm{1,2}.....u.$

判断：若sig_j＞k_s，则删除第j条规则。反复训练，直到网络输出误差达到要求，结束训练。

由上述被模型重新得到检验数据集，用于检验GOSFNN动态模糊神经网络的性能,并分别对R_bf、R_ba和S_b作均方根误差，分别如图4，5，6所示。

船舶航行时，对目标船(可能进入本船安全领域)得到的R_bf、R_ba和S_b的数值，构建新的船舶领域。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于广义在线自组织模糊神经网络的船舶领域避碰模型的辨识方法，具有如下步骤：

—选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；

—建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络；

—使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；

—将本船的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到本船的船舶安全区域；

所述船舶安全区域模型为横截面积模型：该模型近似由前后两个半椭圆拼合而成，该模型的函数如下式所示：

$\left\{\begin{array}{c}{R}_{bf}=L+(1+s)T_{90}U\\ R_{ba}=L+T_{90}U\\ S_b=B+(1+t)T_{90}{D}_T\end{array}\right.$

其中，R_bf、R_ba和S_b分别代表区域的前、后椭圆的半径和横截半径；L、B、U分别代表船舶的长、宽和速度，T₉₀为船舶转向90度所需的时间、D_T为回转直径、s与t为环境参数；

输入变量为：P^k＝[L^k，B^k，U₁ ^k，U₂ ^k，α^k]，期望输出为：k＝1，2.....n，L^k代表船长、B^k代表船宽、U₁ ^k表示本船的速度，U₂ ^k代表目标船船速；α^k代表两船夹角。

2.根据权利要求1所述的一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，其特征还在于：所述的动态模糊神经网络具体包括：

输入层：具有多个节点，每个节点代表一个输入的语言变量；

隶属函数层：具有多个节点，每个节点代表一个隶属函数，所述隶属函数使用高斯函数表述如下：

${\mathrm{\&mu;}}_{ij}(x_i,c_{ij},{{\mathrm{\&sigma;}}_{ij}}^L,{{\mathrm{\&sigma;}}_{ij}}^R)=\left\{\begin{array}{c}\exp \&lsqb;-\frac{{(x_i-c_{ij})}^2}{{\left({{\mathrm{\&sigma;}}_{ij}}^R\right)}^2}\&rsqb;,x_i\&GreaterEqual;c_{ij}\\ \exp \&lsqb;-\frac{{(x_i-c_{ij})}^2}{{\left({{\mathrm{\&sigma;}}_{ij}}^L\right)}^2}\&rsqb;,x_i<c_{ij}\end{array}\right.$

其中，i＝1,2......r，j＝1,2.....u，其中μ_ij为x_i的第j个隶属函数，c_ij是x_i的第j个高斯函数的中心，σ_ij ^L,σ_ij ^R分别代表x_i的第j个隶属函数的左右宽度，r是输入变量数，u是系统总的规则数，x代表一个输入的语言变量，x＝[x₁,x₂,........x_i]，x_i表示x在第i维上的数值；

T-范数层：具有多个节点，每个节点代表一个可能的模糊规则的IF-部分，第j个规则的输出为：

j＝1,2，.....，u，其中 ${\mathrm{\&sigma;}}_{ij}\left(x_i\right)=\left\{\begin{array}{c}{{\mathrm{\&sigma;}}_{ij}}^R,x_i\&GreaterEqual;c_{ij}\\ {{\mathrm{\&sigma;}}_{ij}}^L,x_i<c_{ij}\end{array}\right.;$

输出层：至少具有一个节点，该层中的每个节点分别表示一个输出变量，该输出是所有输入信号的叠加：

y是输出变量，ω_j是THEN-部分，对于TSK模型：ω_j＝α_0j+α_1jx₁+α_2jx₂,.....,+α_rjx_r，j＝1,2，.....，u，α_ij为tsk模型中矩阵的元素。

3.根据权利要求2所述的一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，其特征还在于：

针对横截面积模型的三个变量构建三个独立的广义自组织神经网络，α为当前船舶与目标船舶的夹角：

$\left\{\begin{array}{c}{R}_{bf}=f_{R_{bf}}(L,B,U_1,U_2,\mathrm{\&alpha;})\\ R_{ba}=f_{R_{ba}}(L,B,U_1,U_2,\mathrm{\&alpha;})\\ S_b=f_{S_b}(L,B,U_1,U_2,\mathrm{\&alpha;})\end{array}\right.$

4.根据权利要求2所述的一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，其特征还在于所述动态模糊神经网络训练包含如下步骤：

—用非对称高斯函数计算数据对各个高斯中心的隶属度，期望精度k_e与可容纳有效半径k_d，k_e＝max{e_maxβ^k-1,e_min}，k_d＝max{d_maxγ^k-1,d_min}；

—计算系统误差：||e^k||＝||t^k-y^k||；计算马氏距离：

其中并找到最小马氏距离d_min，找出离该样本最近的GEBF节点；

当(1)||e_i||＞k_e,d_min＞k_d时，需要增加一条模糊规则；

(2)||e_i||≤k_e,d_min≤k_d时，广义自组织神经网络可以完全容纳该数据；

(3)||e_i||≤k_e,d_min＞k_d时，广义自组织神经网络具有较好的泛化能力只需调整结果参数；

(4)||e_i||＞k_e,d_min≤k_d时，调整覆盖该数据的RBF节点以及更新结果参数；

—定义误差下降率：

运用线性回归方程T＝ΨA+E及QR分解Ψ＝PQ，其中T：期望输出向量；A：权向量；Ψ：回归矩阵；E误差向量；P：正交矩阵，P∈R^n*v；Q：上三角矩阵，Q∈R^v*v；

err∈R^1*(r+1)v；将err转换为：ERR＝[ρ₁,ρ₂,…ρ_u],ERR∈R^(r+1)*u；

定义并计算每条规则的重要性：

${\mathrm{sig}}_j=\sqrt{\frac{{\mathrm{\&rho;}}_j^T{\mathrm{\&rho;}}_j}{r+1}},j=1,\mathrm{2.....}u;$

判断：若sig_j＞k_s，则删除第j条规则，其中k_s为预定义参数，为判断灵敏度的参数；

—反复训练，直到网络输出误差达到要求，结束训练，当有障碍物或者其他船舶进入到本发明所得到的船舶安全领域时，船舶驾驶员可以根据本发明得到的数据来判断本船新的航行轨迹，避免发生碰撞。

5.根据权利要求4所述的一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，其特征还在于：训练得到动态模糊神经网络后，使用检验数据集检验动态神经网络的性能：分别对R_bf、R_ba和S_b作均方根误差，表示本动态模糊神经网络的性能。