CN116167902A - 一种基于多属性分析的水面目标安全评估算法模型及方法 - Google Patents
一种基于多属性分析的水面目标安全评估算法模型及方法 Download PDFInfo
- Publication number
- CN116167902A CN116167902A CN202211593987.3A CN202211593987A CN116167902A CN 116167902 A CN116167902 A CN 116167902A CN 202211593987 A CN202211593987 A CN 202211593987A CN 116167902 A CN116167902 A CN 116167902A
- Authority
- CN
- China
- Prior art keywords
- target
- risk
- safety
- attribute
- algorithm model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及海洋技术和智能数据处理领域,尤其是指一种基于多属性分析的水面目标安全评估算法模型及方法。
背景技术
目标安全评估的主要任务是在对目标进行识别的基础上,通过分析目标的多元信息进行综合评估,自动或者半自动的实时判断目标对船舰的危险程度,辅助舰艇或轮船船长进行现场态势的推理、判断、决策和指挥。传统的舰艇安全判断是在传感器信息的基础上结合人工干预来实现。传感器信息的可信度在很大程度上受舰艇所处环境影响,而且存在实践经验的差异,人工干预时效性的问题,对安全判断输出结果的参考性也带来较大的影响。
随着机器学习的快速发展,以监督学习为主的智能方法被应用于舰船或无人设备的目标安全判断。例如,贝叶斯网络、支持向量机、神经网络、D-S证据理论等方法被先后应用于目标危险判断,无人控制等领域。常见的目标安全评估方法包括多属性决策法、贝叶斯推理法、模糊推理法等。其中,多属性决策法简单灵活,易于工程实现,该方法能够同时对多个目标进行安全评估。该方法首先根据目标集来构造加权决策矩阵,然后从加权决策矩阵中确定理想解(危险最大)和负理想解(危险最小),最后通过计算每个目标与理想解之间的近似度,得到最终的安全评估结果。合理的加权决策矩阵决定着安全评估的合理性,所以权值的计算尤为关键。传统的计算方法包括主观赋权法和客观赋权法两类:主观赋权法是指基于人的经验、知识、偏好等主观意识,按照各属性的重要程度进行赋值,计算得出其权重的方法,常见的包括层次分析法、环比评分法等,但是上述方法的透明度较差,并且时常会出现由于经验不足,给出不合理的权重比;客观赋权法是指通过对客观数据的差异进行计算,得到各属性的权重的方法,常见的包括主成分分析法、熵值法等,上述方法评价过程透明度高,但是仅依靠属性间的差异性,容易导致结果片面。
发明内容
为解决上述技术问题,本发明的一种基于多属性分析的水面目标安全评估算法模型,所述算法模型采用的是主客观加权集成法,包括:
多属性决策安全评估,将安全分为多个属性,通过隶属函数对属性进行量化,然后将量化后的属性与定义好的属性权重进行加权求和;
基于隶属度与信息熵的空间目标安全评估,首先根据空间目标特性得出目标的评价指标,然后基于指标的安全隶属度得到指标矩阵,应用信息熵得到空间目标的指标权重,最后建立指标优化函数,得出目标的安全排序,即实现空间目标的安全评估;
基于半监督学习的舰艇目标安全判断,采用半监督学习对舰艇目标安全进行评估,同时将半监督模糊识别理论引入目标安全判断;
基于直觉模糊推理的安全评估模型,首先要建立系统状态变量的属性函数,其次在确定的模糊空间,建立推理合成规则,设计推理算法和解模糊算法,最后进行规则库校验和安全评估实例研究,确定评估结果。
在本发明的一个实施例中,所述算法模型的多属性包括安全因子、目标危险度,其中的安全因子包括目标的类型、目标距船舰的距离、目标的移动速度、目标航向与船舰航向间的夹角,即四项因素构成决策的属性集,G={G1,G2,G3,G4}={目标类别,目标速度,目标航向,目标距离},采用AHP递阶层次结构表示基于多属性决策安全评估的模型。
在本发明的一个实施例中,其中的目标危险度与目标距离满足负相关,采用升岭形分布描述目标距离的危险度,即
式(1)中
其中,dmin和dmax分别为危险最大和无危险对应的临界距离值。
在本发明的一个实施例中,其中的目标危险度与目标速度满足目标速度越快,对船艇危险越大;当速度>v 2时,目标危险程度设为1;当速度≤v 1时,目标危险程度最小,设为0,用升岭形分布描述,即
当目标远离船艇时,与目标逼近我艇的情况恰好相反,利用降岭形分布描述,即
对于目标逼近和远离船艇这两种情况,均取v 2=8,v1=0.5。
在本发明的一个实施例中,其中的目标危险度与目标航向关系为以船舰所在位置建立坐标系,目标航向的方向为(0°,360°),当目标航向在(0°,180°)范围内时目标远离船舰行驶,此时风险应该在范围(0°,90°]时角度越大风险越低,[90°,180°)时角度越大风险越高,利用三角函数描述即
当目标航向为0°,180°,360°时,可根据专家经验设置数值范围。
在本发明的一个实施例中,其中的目标危险度与目标类型之间关系为根据专家系统的领域知识确定的常见目标归一化危险程度,并进行赋值。
本发明还提供一个多属性主客观融合模糊赋权目标安全评估算法方法,基于权利要求1-6的水面目标安全评估算法模型设计,其中融合了模糊计算与主客观协同求权,即吸收了人工经验合理准确判断的优点,又融合了客观赋权法求得的数据之间的关联性,如下步骤:
步骤S1:通过目标识别与跟踪获得目标的类别,目标速度,目标航向,目标距离的特征矩阵X={x1,x2,x3,x4};
步骤S2:根据目标航向判断目标移动方向然后基于速度隶属度函数式(3)、(4)将速度特征值转换为速度隶属度;根据式(1)将距离特征值转换为距离隶属度;根据式(5)将航向特征值转换为航向隶属度;根据表1将目标类别特征值转换为目标类别隶属度;得到隶属度矩阵Rnm,n表示目标个数,m表示特征因子个数;
步骤S4:利用如下公式进行加权求和得到最后的风险评分:
步骤S5:按将分数等距离分割为5个等级,0级对应范围[0,20],1级对应[20,40],2级对应[40,60],3级对应[60,80],4级对应[80,100],级别越高风险越大。
本发明的上述技术方案相比现有技术具有以下优点:本发明所述的安全评估算法模型及方法,利用主客观加权集成法,是将主观赋权法与客观赋权法进行加权求和,并构造多目标规划模型,计算加权值,从而得到更加合理的安全评估因子权重值。该方法依赖完善的数学理论,既保留了对某些安全评估因子的偏重,同时又包含了对数据差异性的分析,使安全评估因子的权重值保持主观、客观的一致性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是本发明所述多属性主客观融合模糊赋权法架构图;
图2是本发明所述基于多属性决策安全评估模型的框图;
图3是本发明所述多属性主客观融合模糊赋权目标安全评估算法方法的流程图。
具体实施方式
如图1和图2所示,本实施例提供一种基于多属性分析的水面目标安全评估算法模型,所述算法模型采用的是主客观加权集成法,包括:
多属性决策安全评估,将安全分为多个属性,通过隶属函数对属性进行量化,然后将量化后的属性与定义好的属性权重进行加权求和;而最后采用逼近与理想的排序法(TOPSIS)得到每个目标的风险等级排序。
其中多属性决策是指备选方案为有限个,并且备选方案的特征、功能或行为由多个属性描述的决策问题。确定方案集及属性集是多属性决策的首要问题,设多属性决策问题的方案集为A={A1,A2,...,An},属性集为G={G1,G2,...Gm}。方案Ai对属性Gj的属性值为yij(i=1,2,..,n;j=1,2,..m)。由Y=(yij)n×m称为决策矩阵。方案集是决策分析的客观对象,决策矩阵提供了分析问题的基本信息,各种决策方法均以决策矩阵作为分析的基础。
基于隶属度与信息熵的空间目标安全评估,首先根据空间目标特性得出目标的评价指标,然后基于指标的安全隶属度得到指标矩阵,应用信息熵得到空间目标的指标权重,最后建立指标优化函数,得出目标的安全排序,即实现空间目标的安全评估;
进一步地,首先为了进行安全评估并消除不同物理量纲对评估结果的影响,对矩阵指标特征矩阵作规格化处理得到新的指标的安全隶属度矩阵,然后分别执行对隶属度矩阵进行归一化处理,计算危险属性的信息熵,计算安全属性权重向量。最后通过安全程度评估函数得到危险等级排序。
基于半监督学习的舰艇目标安全判断,采用半监督学习对舰艇目标安全进行评估,同时将半监督模糊识别理论引入目标安全判断;
而进一步地,首先对目标安全进行不确定表示,如目标距离的安全度,目标相对速度的安全度,目标探距的安全度,目标相对类型的安全度等,得到相对隶属度矩阵R,然后采用半监督识别迭代的方法求得特征权向量W和标准特征矩阵S。W与S都是从样本中学习得到的减少了人为干预。用广义欧式权距离来表示样本j与危险等级h的差别d,并综合考虑全部样本和所有安全等级的关系,建立目标函数,在利用拉格朗日乘子法构建的模糊识别模型以求得相对隶属矩阵U。将半监督求得的W,S代入模型即可得到相对隶属矩阵U。最后通过公式并进行四舍五入得到最后的风险等级。
而进一步地,还提供基于排列法的目标安全评估模型是对多属性决策目标评估的一种改进,其优点是既可以处理定量的属性,也可以处理定性的属性。该算法首先对评估的目标建立决策矩阵D=[xij]n×m,其中n表示目标的个数,m表示评估安全程度时考虑的主要因素。该算法首先对所有的目标求出和谐矩阵C=[cik]n×n。cik表示目标Ti危险度大于目标Tk的优势。其次再将C进行转置得到劣矩阵B=[bik]n×n,其中bik表示目标Ti危险度大于目标Tk的优势。然后再计算C与B的差,得反对称矩阵N=[nik]n×n。Nik表示目标Ti对目标Tk总的优劣程度。最后利用反对称矩阵就可以对目标进行危险等级排序。
基于直觉模糊推理的安全评估方法,首先要建立系统状态变量的属性函数,其次在确定的模糊空间,建立推理合成规则,设计推理算法和解模糊算法,最后进行规则库校验和安全评估实例研究,确定评估结果。
其中设有直觉模糊集是对Zadeh模糊集的有效扩充和发展,该方法的主要贡献是将IFS理论引入信息融合领域,用来进行安全评估研究。该方法的优点是推理规则明确,思路清晰,便于体现专家的知识。
如图1所示,主客观加权集成法是将主观赋权法与客观赋权法进行加权求和,并构造多目标规划模型,计算加权值,从而得到更加合理的安全评估因子权重值。该方法依赖完善的数学理论,既保留了对某些安全评估因子的偏重,同时又包含了对数据差异性的分析,使安全评估因子的权重值保持主观、客观的一致性。光电自主决策及控制系统使用目标分类与识别模块获取目标类别,使用多目标实时跟踪模块获取目标移动航向、目标移动速度和目标大小。然后通过主客观融合模糊赋权法求出各个目标的安全等级。
进一步地,决定目标对船舰危险的因素有目标的类型、目标距船舰的距离、目标的移动速度、目标航向与船舰航向间的夹角等。通常,目标与船舰距离越小,船舰的防御时间越短,就对船舰危险程度就越大;目标速度越快,突破船舰防御的可能性越高,越可能对船舰造成危险,目标行驶方向越与船舰向对,对船舰危险更高。
当目标航向直指船舰时,其执行对船舰攻击任务的可能性就越大,攻击成功的可能性也越高;而当目标背离或偏离船舰航行时,其危险就可能小一些。选取目标航向与敌我连线之间的夹角(称作目标进攻角)作为一个危险因素是合理的。不同类型目标的功能、战术特性不一样,其载的武器装备及电子设备不相同,对船舰的危险程度也不同。故目标类型(如航母、军舰等)同样是安全评估的一个因素。以上每一项因素都可作为一个水上目标安全评估的属性,从不同方面反映水上目标的安全程度。
所述算法模型的多属性包括安全因子、目标危险度,其中的安全因子包括目标的类型、目标距船舰的距离、目标的移动速度、目标航向与船舰航向间的夹角,即四项因素构成决策的属性集,G={G1,G2,G3,G4}={目标类别,目标速度,目标航向,目标距离},采用AHP递阶层次结构表示基于多属性决策安全评估的模型。
而进一步地,为说明本方法的有效性本文选取目标距离、相对的目标速度、目标距离、目标类型这4个主要的目标特征进行研究,确定目标危险的特征值。
其中的目标危险度与目标距离满足负相关,采用升岭形分布描述目标距离的危险度,即
式(1)中
其中,dmin和dmax分别为危险最大和无危险对应的临界距离值。
其中的目标危险度与目标速度满足目标速度越快,对船艇危险越大;当速度>v2时,目标危险程度设为1;当速度≤v 1时,目标危险程度最小,设为0,用升岭形分布描述,即
当目标远离船艇时,与目标逼近我艇的情况恰好相反,利用降岭形分布描述,即
对于目标逼近和远离船艇这两种情况,均取v 2=8,v1=0.5。
其中的目标危险度与目标航向关系为以船舰所在位置建立坐标系,目标航向的方向为(0°,360°),当目标航向在(0°,180°)范围内时目标远离船舰行驶,此时风险应该在范围(0°,90°]时角度越大风险越低,[90°,180°)时角度越大风险越高,利用三角函数描述即
当目标航向为0°,180°,360°时,可根据专家经验设置数值范围。
其中的目标危险度与目标类型之间关系为根据专家系统的领域知识确定的常见目标归一化危险程度,并进行赋值,常见目标归一化危险程度如下表所示:
本发明中,算法模型采用的是主客观加权集成法,其中对于主观赋权法,常见的有层次分析法、环比评分法等。从工程实现性方面来看,由于层次分析法中,判断矩阵很难满足一致性要求,若要达到较好的一致性,需要结合判断矩阵一致性检验方法和一致性检验指标,并且不断调整矩阵,导致计算复杂、运算量大、工程实现性较差,而环比评分法需要的计算次数较少,且可靠性高、误差小,是一个更易工程实现的方法,因此本文选用环比评分法计算主观权重值。
而对于客观赋权法,常见的有主成分分析法、熵值法等。从算法中主观成分所占比例来看,主成分分析法在确定主成分权重的时候,用到了方差贡献率做权重,这一点包含了主观的成分,而熵值法利用信息效用值来确定指标的权重,是一个更加客观的赋权方法,因此该方法选用熵值法计算客观权重值。
主观赋权法中基于环比评分法中记各安全评估因子对应的权重值为W={w1,w2,w3,w4},分别对应目标类别,目标速度,目标方向,目标距离,并满足然后通过专家给出安全因子rm-1与rm之间的重要性比例um-1,m,其中m为安全评估因子的个数。权重值具体计算步骤如下:
Step 1专家评估各安全评估因子的重要性,并综合无源侦察设备上报的目标信息的可信度,给出两两之间的重要性之比分别为类别、速度的重要性之比u12为2,目标速度与目标航向的重要性之比u23为2,目标航向与目标距离的重要性之比u34为1。
Step 2计算权重中间量:
w′j=um-1,mw′m,j=m-1,m-2,…,1。 (6)
令w′m=1,m为安全评估因子的个数。
Step 3计算各安全评估因子最终权重值,构造权重向量wj:
而另一方面的基于熵值法的客观权重计算,从客观数据入手,通过对多个目标的同一安全评估因子的值进行分析,计算出权重值,是典型的客观权重计算方法。具体步骤如下:
Step 1构建目标原始数据矩阵:
其中n表示目标的个数,m表示特征的个数。snm表示第n个目标的第m个安全因子的原始数据。
Step 2根据隶属度函数构建量化矩阵:
Step4计算各安全评估因子的熵
Step 5计算各安全评估因子的权重,并构造权重向量wj:
同时主客观融合赋权法,众所周知,主观赋权法能够较好的体现决策者的主观意识和经验,但也会因为个人的偏好及经验的欠缺,导致决策结果不可靠;而客观赋权法虽然能够通过数学计算得到数据之间的联系,但是由于缺乏主观意识,常常导致结果片面。因此为了取长补短,本方法采用一种集成方法,将主观经验与客观事实进行加权综合。该方法具有通用性,根据应用场景的不同,选用合适的主观赋权法、客观赋权法后,均能采用下述步骤进行集成,得到更合理的权重值。以环比评分法和熵值法为例,具体步骤如下:
Step 1假设环比评分法得出的权重向量为w1j={w11,w12,w13,w14},熵值法得出的权重向量为w2j={w21,w22,w23,w24},考虑工程应用,减少计算量采用线性加权求和法构造多目标规划模型,令集成后的权重为wj=k1w1j+k2w2j,其中k1+k2=1,k1,k2>0。
Step 3根据上述模型,利用多目标规划求解方法可得
最终如图3所示,多属性主客观融合模糊赋权目标安全评估算法方法融合了模糊计算与主客观协同求权,即吸收了人工经验合理准确判断的优点,又融合了客观赋权法求得的数据之间的关联性,取长补短,更利于判断的科学性与合理性。
具体步骤如下:
步骤S1:通过目标识别与跟踪获得目标的类别,目标速度,目标航向,目标距离的特征矩阵X={x1,x2,x3,x4};
步骤S2:根据目标航向判断目标移动方向然后基于速度隶属度函数式(3)、(4)将速度特征值转换为速度隶属度;根据式(1)将距离特征值转换为距离隶属度;根据式(5)将航向特征值转换为航向隶属度;根据表1将目标类别特征值转换为目标类别隶属度;得到隶属度矩阵Rnm,n表示目标个数,m表示特征因子个数;
步骤S4:利用如下公式进行加权求和得到最后的风险评分:
步骤S5:按将分数等距离分割为5个等级,0级对应范围[0,20],1级对应[20,40],2级对应[40,60],3级对应[60,80],4级对应[80,100],级别越高风险越大。
而进一步地,通过仿真实验验证了算法的优越性,预先选择了6个不同种类,不同速度,不同航向,不同距离的目标。其中速度单位是,像素/帧,这是通过目标跟踪得到的模拟速度。
距离我们用目标出现在画面上的面积近似表示。并规定航向是以船舰位置为中心建立直角坐标系范围是[0,360°],如下的模拟目标列表所示:
通过专家分析各个安全因子的等级得到人工分析结果。以这个结果为基准,我们构造目标的安全特征矩阵。并将特征矩阵进一步转换成隶属度函数。转换后的特征隶属度范围是[0,1]隶属度越大说明该安全因子的安全程度越高。然后我们通过这些数据基于主客观融合法求得每个安全因子对应的特征权重。将特征权重线性加权求和的到风险评估分数,按照预先定义好的得分对应等级进行最后的等级划分。我们将模型得到的结果进行分析验证算法的合理性。
实验结果如下表所示:
通过安全等级评估功能可以得到当前各个目标的风险等级,以及安全因子的数值,自主决策控制系统会对1级风险的目标开启监视功能,2级风险的目标开启避让功能,3级风险的目标开启警告功能,4级风险的目标开启高速脱离功能。
航路规划主要通过判断目标当前的航向,行驶速度,以及距离进行规划。对于2级风险的目标如果目标航向与我方同相,且距离较远则无人艇应执行主动减速指令。如果目标离我方较近应向与该目标航向夹角>±10°的方向进行避让。如果目标航向与我方相向,应当及时开启转向避让,转向方向与目标航向夹角>±10°。对于3级风险的目标开启警告功能并及时调整航向进行避让。如果目标移动方向与我方同向应立即减速并转向避让,避让角度应与目标航向夹角>±30°,如果目标移动方向与我方相向应立即采取转向避让角度应与目标航向夹角>±50°。对于风险等级为4级的目标,应采取紧急逃脱功能,此时应立即掉头转向并加速远离目标。其中转向角度中,加角度表示左转,减角度表示右转,正值角度表示前行,负值角度表示掉头。此功能输出的信息通过串口传输协议传递给下行设备以对无人艇进行实际控制。
该技术的安全评估算法模型和方法所用方法为多特征主客观融合模糊赋权法,通过将安全因子转换成相应隶属度,让各安全因子有相同的量化标准。然后我们通过熵值法和环比评分法融合的办法得到了一个更加合理的安全因子权重值。工程应用应该具有短时间决策的属性,因此线性加权法更适合该应用。线性加权法保证了计算的简单性,缩短了决策时间。通过隶属度和权重进行加权求和并转换成百分制得到一个风险分数,最后通过专家知识给分数进行风险等级划分,最后得到评估的风险等级。
由上述算法模型,10个目标时决策时间不到2秒,满足技术指标中设定的决策时间≤10s的要求,同时系统具有自主决策控制功能,根据目标的不同风险等级采取不同的决策方案,决策信息将通过串口传输协议传递给下行设备以对无人艇进行实际控制,达到规避风险的效果。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种基于多属性分析的水面目标安全评估算法模型,所述算法模型采用的是主客观加权集成法,其特征在于,包括:
多属性决策安全评估,将安全分为多个属性,通过隶属函数对属性进行量化,然后将量化后的属性与定义好的属性权重进行加权求和;
基于隶属度与信息熵的空间目标安全评估,首先根据空间目标特性得出目标的评价指标,然后基于指标的安全隶属度得到指标矩阵,应用信息熵得到空间目标的指标权重,最后建立指标优化函数,得出目标的安全排序,即实现空间目标的安全评估;
基于半监督学习的舰艇目标安全判断,采用半监督学习对舰艇目标安全进行评估,同时将半监督模糊识别理论引入目标安全判断;
基于直觉模糊推理的安全评估模型,首先要建立系统状态变量的属性函数,其次在确定的模糊空间,建立推理合成规则,设计推理算法和解模糊算法,最后进行规则库校验和安全评估实例研究,确定评估结果。
2.根据权利要求1所述的水面目标安全评估算法模型,其特征在于:所述算法模型的多属性包括安全因子、目标危险度,其中的安全因子包括目标的类型、目标距船舰的距离、目标的移动速度、目标航向与船舰航向间的夹角,即四项因素构成决策的属性集,G={G1,G2,G3,G4}={目标类别,目标速度,目标航向,目标距离},采用AHP递阶层次结构表示基于多属性决策安全评估的模型。
6.根据权利要求2所述的水面目标安全评估算法模型,其特征在于:其中的目标危险度与目标类型之间关系为根据专家系统的领域知识确定的常见目标归一化危险程度,并进行赋值。
7.多属性主客观融合模糊赋权目标安全评估算法方法,基于权利要求1-6的水面目标安全评估算法模型设计,其中融合了模糊计算与主客观协同求权,即吸收了人工经验合理准确判断的优点,又融合了客观赋权法求得的数据之间的关联性,其特征在于:如下步骤:
步骤S1:通过目标识别与跟踪获得目标的类别,目标速度,目标航向,目标距离的特征矩阵X={x1,x2,x3,x4};
步骤S2:根据目标航向判断目标移动方向然后基于速度隶属度函数式(3)、(4)将速度特征值转换为速度隶属度;根据式(1)将距离特征值转换为距离隶属度;根据式(5)将航向特征值转换为航向隶属度;根据表1将目标类别特征值转换为目标类别隶属度;得到隶属度矩阵Rnm,n表示目标个数,m表示特征因子个数;
步骤S4:利用如下公式进行加权求和得到最后的风险评分:
步骤S5:按将分数等距离分割为5个等级,0级对应范围[0,20],1级对应[20,40],2级对应[40,60],3级对应[60,80],4级对应[80,100],级别越高风险越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593987.3A CN116167902A (zh) | 2022-12-13 | 2022-12-13 | 一种基于多属性分析的水面目标安全评估算法模型及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593987.3A CN116167902A (zh) | 2022-12-13 | 2022-12-13 | 一种基于多属性分析的水面目标安全评估算法模型及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167902A true CN116167902A (zh) | 2023-05-26 |
Family
ID=86419094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211593987.3A Pending CN116167902A (zh) | 2022-12-13 | 2022-12-13 | 一种基于多属性分析的水面目标安全评估算法模型及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167902A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521815A (zh) * | 2024-01-04 | 2024-02-06 | 交通运输部水运科学研究所 | 航路与平台之间安全距离的评估方法、电子设备 |
-
2022
- 2022-12-13 CN CN202211593987.3A patent/CN116167902A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521815A (zh) * | 2024-01-04 | 2024-02-06 | 交通运输部水运科学研究所 | 航路与平台之间安全距离的评估方法、电子设备 |
CN117521815B (zh) * | 2024-01-04 | 2024-04-02 | 交通运输部水运科学研究所 | 航路与平台之间安全距离的评估方法、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100917B (zh) | 一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法 | |
Goerlandt et al. | A risk-informed ship collision alert system: Framework and application | |
Henne et al. | Benchmarking Uncertainty Estimation Methods for Deep Learning With Safety-Related Metrics. | |
CN110400491A (zh) | 一种宽水域多目标辅助避碰决策方法及决策系统 | |
CN110083155B (zh) | 一种实现船舶拟人智能避碰决策的机器学习方法 | |
Perera et al. | Intelligent ocean navigation and fuzzy-Bayesian decision/action formulation | |
Sahin et al. | A novel process model for marine accident analysis by using generic fuzzy-AHP algorithm | |
Shi et al. | Fuzzy logic-based modeling method for regional multi-ship collision risk assessment considering impacts of ship crossing angle and navigational environment | |
CN111582740B (zh) | 一种多旋翼无人机风险评估系统 | |
Ozturk et al. | Evaluating navigational risk of port approach manoeuvrings with expert assessments and machine learning | |
Wang et al. | Multi-ship encounter situation adaptive understanding by individual navigation intention inference | |
CN116167902A (zh) | 一种基于多属性分析的水面目标安全评估算法模型及方法 | |
Ma et al. | A data-driven approach for collision risk early warning in vessel encounter situations using attention-BiLSTM | |
Li et al. | An empirical research on the investment strategy of stock market based on deep reinforcement learning model | |
CN111400864A (zh) | 一种基于前景理论的船舶避碰决策优化方法 | |
CN114266355A (zh) | 一种基于BiLSTM-Attention的战术意图识别方法 | |
CN113436174A (zh) | 一种人脸质量评估模型的构建方法及应用 | |
CN114464014A (zh) | 基于模糊逻辑的区域船舶碰撞风险处理方法、系统和介质 | |
Segú et al. | A general framework for uncertainty estimation in deep learning | |
Chen et al. | Survey on Cooperative Collision Avoidance Research for Ships | |
Vestre et al. | AIS-based near-collision database generation and analysis of real collision avoidance manoeuvres | |
Hoang et al. | Optimizing YOLO Performance for Traffic Light Detection and End-to-End Steering Control for Autonomous Vehicles in Gazebo-ROS2 | |
Ren et al. | Curiosity-driven attention for anomaly road obstacles segmentation in autonomous driving | |
Li et al. | Neural network credit-risk evaluation model based on back-propagation algorithm | |
Song et al. | Interference intention classification of moving obstacles used for USV collision avoidance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |