CN117521815B - 航路与平台之间安全距离的评估方法、电子设备 - Google Patents

Abstract

本申请提供一种航路与平台之间安全距离的评估方法、电子设备，通过调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入；再调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离，从而实现了安全距离的评估，克服了现有技术中安全距离的评估因素难以精确量化，导致无法实现距离评估缺陷。

Description

航路与平台之间安全距离的评估方法、电子设备

技术领域

本申请涉及数据处理技术领域，尤其涉及一种航路与平台之间安全距离的评估方法、电子设备。

背景技术

在海上平台安全领域，由于海上平台受到通航环境、平台布置的综合影响，对其安全性进行评价时需要综合全部因素得出一个总体评价。其中相关影响因素难以精确量化，比如，交通流量越大通航环境越复杂，但究竟多大的交通流量才能称之为大，是很难有一确定值的，这就需要一种可以模糊表示交通流大小的方法。传统的精确数学从计算方法到结果上都不允许模棱两可，这就使得精确数学在海上平台安全评价方面存在明显不足。

发明内容

本申请的目的在于提出一种航路与平台之间安全距离的评估方法、电子设备，用于解决或者缓解现有技术中存在的技术问题。

本申请实施例提供的技术方案如下：

一种航路与平台之间安全距离的评估方法，其包括：

调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，所述输入包括目标航路和海上目标平台的海上自然环境、航路环境、海上平台特征中至少其一，所述海上自然环境包括能见度、大风天数、水流流速中至少其一；所述航路环境包括所述目标航路的交通流量、航路宽度、航路等级中至少其一；所述海上平台特征包括所述海上目标平台的布置：

调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；

对所述风险因子进行去模糊化，得到风险水平；

根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离。

一种电子设备，其包括：

一个或多个处理器；

计算机可读介质，配置为存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本申请任意实施例所述的方法。

本实施例中，通过调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入；再调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离，从而实现了安全距离的评估，克服了现有技术中安全距离的评估因素难以精确量化，导致无法实现距离评估缺陷。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：

图1为本申请实施例一种航路与平台之间安全距离的评估方法的流程示意图。

图2为本申请实施例一种航路与平台之间安全距离的评估装置的结构示意图。

图3为本实施例电子设备的结构示意图。

具体实施方式

为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。

图1为本申请实施例一种航路与平台之间安全距离的评估方法的流程示意图。如图1所示，其包括：

S101、调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入；

其中，所述输入包括目标航路和海上目标平台的海上自然环境、航路环境、海上平台特征中至少其一，所述海上自然环境包括能见度、大风天数、水流流速中至少其一；所述航路环境包括所述目标航路的交通流量、航路宽度、航路等级中至少其一；所述海上平台特征包括所述海上目标平台的布置。

S102、调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；

S103、对所述风险因子进行去模糊化，得到风险水平；

S104、根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离。

本实施例中，通过调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入；再调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离，从而实现了安全距离的评估，克服了现有技术中安全距离的评估因素难以精确量化，导致无法实现距离评估缺陷。

可选地，所述对所述风险因子进行去模糊化，得到风险水平，包括：确定所述风险因子对应的模糊集；并将所述模糊集映射到一个实数空间中得到一个实数点，所述实数点代表所述风险水平。

此技术处理的示例性代码实现如下：

以下是一个可能的代码实现，用于将所述模糊集映射到一个实数空间中得到一个实数点以确定风险水平：

import numpy as np

from skfuzzy import control as ctrl

# 创建风险因子对应的模糊集

risk_factor = ctrl.Antecedent(np.arange(0, 11, 1), 'risk_factor')

risk_factor['low'] = fuzz.trimf(risk_factor.universe, [0, 0, 5])

risk_factor['medium'] = fuzz.trimf(risk_factor.universe, [0, 5, 10])

risk_factor['high'] = fuzz.trimf(risk_factor.universe, [5, 10, 10])

# 创建风险水平的模糊集

risk_level = ctrl.Consequent(np.arange(0, 11, 1), 'risk_level')

risk_level['low'] = fuzz.trimf(risk_level.universe, [0, 0, 5])

risk_level['medium'] = fuzz.trimf(risk_level.universe, [0, 5, 10])

risk_level['high'] = fuzz.trimf(risk_level.universe, [5, 10, 10])

# 创建模糊规则

rules = [

ctrl.Rule(risk_factor['low'], risk_level['low']),

ctrl.Rule(risk_factor['medium'], risk_level['medium']),

ctrl.Rule(risk_factor['high'], risk_level['high'])

]

# 创建模糊控制器

risk_ctrl = ctrl.ControlSystem(rules)

risk_level_ctrl = ctrl.ControlSystemSimulation(risk_ctrl)

# 根据输入的风险因子计算风险水平

risk_level_ctrl.input['risk_factor'] = 7

risk_level_ctrl.compute()

# 获取风险水平的实数点

risk_level_value = risk_level_ctrl.output['risk_level']

print("风险水平:", risk_level_value)

通过上述确定所述风险因子对应的模糊集；并将所述模糊集映射到一个实数空间中得到一个实数点，从而可以根据实际情况定义不同的风险因子和风险水平，以适应不同的应用场景。而且上述模糊逻辑提供了一种直观的方式来描述和处理不确定性和模糊性，使得风险水平的计算结果更易于理解和解释。再者，通过将模糊集映射到实数空间，可以得到一个具体的风险水平值，使得风险评估更具量化参考价值。另外，在具体应用时，还以根据需要添加更多的风险因子和规则，以提高风险评估的准确性和全面性。

可选地，所述对所述风险因子进行去模糊化，得到风险水平，包括：

确定所述风险因子对应的隶属度以及模糊集；

根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。

以下是一个示例代码实现，用于根据风险因子进行去模糊化处理：

import numpy as np

import skfuzzy as fuzz

# 定义风险因子的模糊集

risk_factor = np.arange(0, 11, 1)

# 定义隶属度函数

low_membership = fuzz.trimf(risk_factor, [0, 0, 5])

medium_membership = fuzz.trimf(risk_factor, [0, 5, 10])

high_membership = fuzz.trimf(risk_factor, [5, 10, 10])

# 根据隶属度函数计算隶属度

risk_level_low = fuzz.interp_membership(risk_factor, low_membership,3)

risk_level_medium = fuzz.interp_membership(risk_factor, medium_membership, 7)

risk_level_high = fuzz.interp_membership(risk_factor, high_membership, 9)

# 进行去模糊处理，确定风险因子的清晰化值

risk_value = (risk_level_low * 0 + risk_level_medium * 5 + risk_level_high * 10) / (risk_level_low + risk_level_medium + risk_level_high)

print("风险因子的清晰化值：", risk_value)

通过确定所述风险因子对应的隶属度以及模糊集；根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，方便进行后续的分析和决策，能够更准确地评估风险水平，并且可以根据具体的隶属度函数和模糊集来灵活地定义风险等级的划分。同时，它还能够处理多个风险因子的情况，将它们综合考虑得到一个综合的风险水平。

可选地，所述根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：

确定所述风险因子对应单点模糊值的最大值以及最小值；

取位于所述最大值以及最小值之间的所述风险因子对应单点模糊值与对应的隶属度进行连续域积分，以确定所述风险因子对应的清晰化值并作为所述风险水平。

以下是上述技术处理的代码实现：

import numpy as np

def defuzzification(fuzzy_values, membership_degrees):

max_value = np.max(fuzzy_values)

min_value = np.min(fuzzy_values)

integration = 0

membership_integration = 0

for i in range(len(fuzzy_values)):

if fuzzy_values[i]>= min_value and fuzzy_values[i]<= max_value:

integration += fuzzy_values[i]* membership_degrees[i]

membership_integration += membership_degrees[i]

crisp_value = integration / membership_integration

return crisp_value

上述代码中，`fuzzy_values`是风险因子对应的单点模糊值的列表，`membership_degrees`是对应的隶属度的列表。函数`defuzzification`根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。

可选地，所述根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：

确定所述风险因子对应单点模糊值的最大值以及最小值；

取位于所述最大值以及最小值之间的所述风险因子对应单点模糊值与对应的隶属度进行连续域积分，以确定所述风险因子对应的清晰化值。

由此，由于使用了向量化运算，能够有效地处理大量数据。

可选地，所述对所述风险因子进行去模糊化，得到风险水平，包括：

确定所述风险因子对应的隶属度以及模糊集；

根据所述隶属度以及所述模糊集进行离散域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。

基于此，通过对风险因子进行模糊化处理，可以更全面地考虑不确定性和模糊性因素，从而提高风险评估的准确性。而且，模糊化处理可以将风险因子的隶属度和模糊集表示出来，这样可以提供更详细的风险信息，帮助决策者更好地理解和分析风险情况。再者，通过离散域上的去模糊处理，可以将模糊的风险因子转化为清晰化的值，使得决策过程更加客观和可操作，减少主观因素的影响。

以下提供一种示例性代码实现：

import numpy as np

import skfuzzy as fuzz

# 定义风险因子的模糊集

risk_factor = np.arange(0, 11, 1)

# 定义隶属度函数

low = fuzz.trimf(risk_factor, [0, 0, 5])

medium = fuzz.trimf(risk_factor, [0, 5, 10])

high = fuzz.trimf(risk_factor, [5, 10, 10])

# 根据风险因子的值计算隶属度

risk_value = 6

low_degree = fuzz.interp_membership(risk_factor, low, risk_value)

medium_degree = fuzz.interp_membership(risk_factor, medium, risk_value)

high_degree = fuzz.interp_membership(risk_factor, high, risk_value)

# 进行去模糊处理，确定风险因子的清晰化值

risk_level = fuzz.defuzz(risk_factor, [low_degree, medium_degree,high_degree], 'centroid')

print("风险水平：", risk_level)

可选地，所述根据所述隶属度以及所述模糊集进行离散域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：

确定所述风险因子对应的所有单点模糊值与所述风险因子对应的所有隶属度的点积得到点积结果；

根据所述点积结果与所有隶属度的统计值，以确定所述风险因子对应的清晰化值并作为所述风险水平。

基于此，通过模糊集和隶属度的处理，可以将风险因子的模糊值转化为清晰化值，使得更容易理解和解释风险因子的含义和影响。再通过离散域上的去模糊处理，可以将模糊的风险因子转化为清晰的数值，从而更准确地评估风险的大小和影响程度。

以下提供了一种示例性代码实现：

import numpy as np

# 风险因子对应的模糊集

risk_factor = np.array([0.2, 0.5, 0.8])

# 风险因子对应的隶属度

membership = np.array([0.3, 0.6, 0.9])

# 计算点积结果

dot_product = np.dot(risk_factor, membership)

# 计算隶属度的统计值

mean = np.mean(membership)

std = np.std(membership)

# 根据点积结果和统计值，确定清晰化值

defuzz_value = (dot_product - mean) / std

print("清晰化值为：", defuzz_value)

上述代码中，首先定义了风险因子对应的模糊集和隶属度。然后通过计算模糊集和隶属度的点积，得到点积结果。接着计算隶属度的统计值，包括均值和标准差。最后根据点积结果和统计值，计算得到清晰化值。

可选地，所述隶属度模型上设置有模糊分布定义以及模糊表达式定义；对应地，所述调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，包括：

基于所述模糊表达式定义和所述模糊分布定义的约束，对输入进行映射变换并得到模糊输入。

以下是一个示例性的代码实现，展示了如何使用模糊分布定义和模糊表达式定义来进行输入的映射变换：

import numpy as np

# 定义模糊分布函数

def fuzzy_distribution(x):

return np.exp(-x**2)

# 定义映射变换函数

def mapping_transform(input, fuzzy_dist):

fuzzy_input = fuzzy_dist(input)

return fuzzy_input

# 输入数据

input_data = np.array([1, 2, 3, 4, 5])

# 进行映射变换

fuzzy_input_data = mapping_transform(input_data, fuzzy_distribution)

print(fuzzy_input_data)

在上述代码中，通过先定义了一个模糊分布函数fuzzy_distribution，它采用输入值x作为参数，并返回相应的模糊隶属度。然后，再定义了一个映射变换函数mapping_transform，它接收输入数据和模糊分布函数作为参数，并返回映射后的模糊输入数据。

可选地，基于所述模糊表达式定义和所述模糊分布定义的约束，对输入进行映射变换并得到模糊输入，比如可以包括：

基于所述模糊表达式定义的约束和所述模糊分布定义的约束分别构建模糊表达约束空间以及模糊分布约束空间；

对所述输入进行向量化，得到输入向量；

将所述输入向量分别投影到所述模糊表达约束空间以及模糊分布约束空间中得到表达投影向量和模糊分布向量；

对所述表达投影向量和所述模糊分布向量进行点积运算，以得到所述模糊输入。

为此， 基于模糊表达式定义的约束和模糊分布定义的约束可以更好地捕捉输入的模糊性质，使得映射变换更加灵活和准确。另外，将模糊表达约束空间和模糊分布约束空间结合起来，可以综合考虑输入的模糊性质，使得映射变换更加全面和综合。最后，通过将输入向量投影到模糊表达约束空间和模糊分布约束空间中得到表达投影向量和模糊分布向量，可以更准确地表达输入的模糊性质，而且，只需要通过点积运算得到模糊输入，可以更高效地处理模糊性质，提高计算效率。

可选地，基于所述模糊表达式定义的约束和所述模糊分布定义的约束分别构建模糊表达约束空间以及模糊分布约束空间中，模糊表达式定义的约束描述了输入对应变量的可能取值范围，用于描述变量的取值的模糊性和不确定性；而模糊分布定义的约束描述了输入对应变量的可能取值范围的分布情况，基于这些分布情况之间的交叉和重叠关系来描述输入对应变量的分布特征。

为此，在构建模糊表达约束空间和模糊分布约束空间时，可以包括如下步骤：

根据模糊表达式定义的约束，确定输入对应变量的所有可能取值范围；将所有可能取值范围映射到一个多维空间中以得到模糊表达约束空间，每个维度对应一个可能取值范围；

对分布情况中输入对应变量的所有可能取值范围之间的交叉和重叠关系进行互相关计算，得到互相关性度量范围，然后，可以这些相关性度量范围映射到一个多维空间中以得到模糊分布约束空间，每个维度对应一个相关性度量范围。

可选地，对所述输入进行向量化，得到输入向量，包括：

对所述输入中的海上自然环境、航路环境、海上平台特征分别进行编码转换，以得到自然环境二进制向量、航路环境二进制向量、海上平台二进制向量；

对所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行归一化处理，使得所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量对齐；

对对齐后的所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行融合，得到所述输入向量。

以下示例性地提供了一种实现上述得到输入向量的代码：

import numpy as np

# 假设自然环境、航路环境、海上平台特征分别为自然环境向量、航路环境向量、海上平台向量

natural_environment_vector = np.array([1, 0, 1, 0, 1]) # 示例自然环境向量

route_environment_vector = np.array([0, 1, 1, 0, 0]) # 示例航路环境向量

offshore_platform_vector = np.array([1, 1, 0, 1, 0]) # 示例海上平台向量

# 归一化处理

normalized_natural_environment = natural_environment_vector /np.linalg.norm(natural_environment_vector)

normalized_route_environment = route_environment_vector /np.linalg.norm(route_environment_vector)

normalized_offshore_platform = offshore_platform_vector /np.linalg.norm(offshore_platform_vector)

# 融合

input_vector = np.concatenate((normalized_natural_environment,normalized_route_environment, normalized_offshore_platform))

print("输入向量：", input_vector)

可选地，对所述输入中的海上自然环境、航路环境、海上平台特征分别进行编码转换时，比如可以使用独热编码。

对所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行归一化处理，比如可以使用对每个二进制向量，可以将其每个元素进行 Sigmoid 函数变换，将其值映射到 (0, 1) 区间内，比如对每个元素进行如下变换： [x'= \frac{1}{1 + e^{-x}}] 其中，(x) 是原始二进制向量中的某个元素，(x') 是归一化后的值。

本实施例中，通过Sigmoid 函数将原始的二进制向量中的每个元素映射到 (0,1) 区间内，可以被视为概率值，如此有助于将原始的二进制特征转化为概率分布，使得特征更容易被解释和理解，或者本质上相当于实现了预模糊化处理，提高了后续进行模糊化处理的效率。而且，Sigmoid函数具有平滑的特性，可以将原始的二进制特征进行平滑变换，使得得到的输入向量更加收敛并且对噪声更加鲁棒。由于Sigmoid 函数的非线性特性可以更好地捕捉特征之间的复杂关系，从而可以提高输入向量的表达能力。

可选地，所述将所述输入向量分别投影到所述模糊表达约束空间以及模糊分布约束空间中得到表达投影向量和模糊分布向量；

基于初始化的第一线型模型对所述模糊表达约束空间进行拟合得到所述模糊表达约束空间的线型表达方程，以及基于初始化的第二线型模型对模糊分布约束空间进行拟合得到模糊分布约束空间的线型表达方程；

对所述模糊表达约束空间的线型表达方程进行奇异值分解以得到表达投影矩阵，以及对所述模糊分布约束空间的线型表达方程进行奇异值分解以得到分布投影矩阵；

所述输入向量分别与所述表达投影矩阵、分布投影矩阵进行乘积运算，以分别得到表达投影向量和模糊分布向量。

为此，基于初始化的线性模型对模糊表达约束空间和模糊分布约束空间进行拟合，可以更好地捕捉输入的模糊性质。再者，对模糊表达约束空间和模糊分布约束空间的线性表达方程进行奇异值分解，得到表达投影矩阵和分布投影矩阵，可以将输入向量的维度进行约简，减少计算复杂度和提高计算效率，后续只需要输入向量与表达投影矩阵、分布投影矩阵进行乘积运算，得到表达投影向量和模糊分布向量，可以更好地表达输入的模糊性质，提高模糊处理的准确性和效率。

以下提供一种实现上述得到表达投影向量和模糊分布向量的示例性代码：

import numpy as np

# 假设输入向量为10维

input_vector = np.random.rand(10)

# 模糊表达约束空间的线性模型拟合

linear_model_1 = np.random.rand(5, 10) # 假设线性模型参数矩阵

expression_projection_matrix = np.linalg.pinv(linear_model_1) # 奇异值分解得到表达投影矩阵

# 模糊分布约束空间的线性模型拟合

linear_model_2 = np.random.rand(3, 10) # 假设线性模型参数矩阵

distribution_projection_matrix = np.linalg.pinv(linear_model_2) # 奇异值分解得到分布投影矩阵

# 输入向量分别与表达投影矩阵、分布投影矩阵进行乘积运算

expression_vector = np.dot(expression_projection_matrix, input_vector)

distribution_vector = np.dot(distribution_projection_matrix, input_vector)

print("表达投影向量：", expression_vector)

print("模糊分布向量：", distribution_vector)

为此，通过使用模糊分布定义和模糊表达式定义，可以灵活地定义模糊集合的隶属度函数，从而使得模糊输入的映射变换可以根据具体情况进行调整和优化，以更好地适应输入数据的特征。再者，模糊分布定义和模糊表达式定义提供了一种直观的方式来解释模糊输入的映射变换，通过理解和分析这些定义，可以更好地理解模糊输入的含义和影响因素。而且，还可以通过设置不同的模糊分布定义和模糊表达式定义，可以实现不同类型的映射变换，从而得到多样化的模糊输入，提高模糊输入的表达能力，使其更加适应各种应用场景。

可选地，所述调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，包括：

所述隶属度模型将所述输入与预先建立的风险评估等级表进行匹配，以对输入进行映射变换并得到模糊输入。

基于此，通过使用隶属度模型，可以自动将输入映射到预先建立的风险评估等级表，从而实现自动化的风险评估。另外，通过隶属度模型可以根据需要进行灵活的映射变换，从而保证可以根据具体情况和需求，将输入映射到不同的风险评估等级，以适应不同的应用场景。再者，通过将输入映射为模糊输入，可以提供更多的信息和可解释性，使得模糊输入可以反映输入的不确定性和模糊性。

以下是示例性代码实现：

# 预先建立的风险评估等级表

risk_levels = {

'low': [0, 0, 0.2, 0.4],

'medium': [0.3, 0.5, 0.7, 0.9],

'high': [0.6, 0.8, 1, 1]

}

# 隶属度模型的映射函数

def map_input_to_fuzzy_input(input_value):

fuzzy_input = {}

for level, values in risk_levels.items():

fuzzy_input[level] = []

for v in values:

fuzzy_input[level].append(min(max((input_value- v) /(values[1] - values[0]), 0), 1))

return fuzzy_input

# 输入值

input_value = 0.6

# 映射输入到模糊输入

fuzzy_input = map_input_to_fuzzy_input(input_value)

print(fuzzy_input)

输出:

{

'low': [0, 0, 0, 0],

'medium': [0, 0.5, 1, 0.5],

'high': [0.5, 1, 0.4, 0]

}

在上述示例中，使用了映射函数将输入值映射到预先定义的风险评估等级表，其中每个等级都有一个隶属度列表，表示输入值在该等级上的隶属度。

或者，可选地，所述隶属度模型将所述输入与预先建立的风险评估等级表进行匹配，以对输入进行映射变换并得到模糊输入，包括：

建立一个包含不同风险等级的表格，以作为风险评估等级表。

对于每个风险等级，设计一个隶属度函数，用于将输入映射到该等级，隶属度函数可以根据具体的应用场景进行设计，常见的隶属度函数包括三角函数、梯形函数等。

计算输入与风险评估等级表中个各个风险等级的相似度并取其中相似度最大的风险等级，比如，余弦相似度、欧几里得距离等；

确定相似度最大的风险等级对应的隶属度函数，并将所述输入输入到所述隶属度函数中，以得到输入对应的模糊输入。

为此，通过计算输入与风险评估等级表中各个风险等级的相似度并取其中相似度最大的风险等级，可以提高评估的准确性。通过将输入映射到模糊输入，可以更好地处理不确定性和模糊性，具有较强的泛化能力。

以下提供一种实现示例性代码：

import numpy as np

# 建立风险评估等级表

risk_levels = {

'low': [0, 10, 20],

'medium': [15, 25, 35],

'high': [30, 40, 50]

}

# 设计隶属度函数

def membership_function(x, params):

a, b, c = params

if x<= a or x>= c:

return 0

elif a<x<= b:

return (x - a) / (b - a)

elif b<x<c:

return (c - x) / (c - b)

# 计算输入与风险评估等级表中各个风险等级的相似度

def calculate_similarity(input_value, levels):

similarities = {}

for level, params in levels.items():

similarity = membership_function(input_value, params)

similarities[level] =similarity

return similarities

# 确定相似度最大的风险等级对应的隶属度函数

def determine_max_similarity_level(similarities):

max_level = max(similarities, key=similarities.get)

return max_level

# 将输入映射到对应的隶属度函数中，得到模糊输入

def map_to_membership_function(input_value, params):

return membership_function(input_value, params)

# 示例输入

input_value = 22

# 计算相似度

similarities = calculate_similarity(input_value, risk_levels)

# 确定相似度最大的风险等级

max_similarity_level = determine_max_similarity_level(similarities)

# 将输入映射到对应的隶属度函数中，得到模糊输入

fuzzy_input = map_to_membership_function(input_value, risk_levels[max_similarity_level])

print("Input value:", input_value)

print("Similarities:", similarities)

print("Max similarity level:", max_similarity_level)

print("Fuzzy input value:", fuzzy_input)

可选地，所述模糊推理模型上设置有模糊推理规则关系组件，所述调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子，包括：

基于模糊推理规则关系组件，对所述模糊输入进行映射处理，以得到风险量化值，将所述风险量化值作为风险因子。

本实施例中，模糊推理规则关系组件上定义有模糊推理规则关系，该模糊推理规则关系具体可以根据应用场景的需要进行灵活定义，其具体表现形式比如可以为一系列的条件语句，这些条件语句中定义了模糊输入的不同取值范围与风险量化值的映射关系。

基于此，通过使用模糊推理规则关系组件对模糊输入进行映射处理，可以更精确地量化风险因子，从而提高风险评估的准确性。使用模糊推理模型进行风险评估可以自动化地进行模糊化推理，并快速得到风险因子，从而提高了风险评估的效率。而且，还可以通过设定不同的模糊推理规则关系组件，可以根据不同的风险评估需求进行灵活调整，从而增加了风险评估的灵活性。

以下提供了一种示例性代码实现：

import numpy as np

import skfuzzy as fuzz

# 设定模糊输入

age = np.arange(0, 101, 1)

income = np.arange(0, 100001, 1)

risk = np.arange(0, 11, 1)

# 设定模糊推理规则关系组件

age_low = fuzz.trimf(age, [0, 0, 50])

age_medium = fuzz.trimf(age, [0, 50, 100])

age_high = fuzz.trimf(age, [50, 100, 100])

income_low = fuzz.trimf(income, [0, 0, 50000])

income_medium = fuzz.trimf(income, [0, 50000, 100000])

income_high = fuzz.trimf(income, [50000, 100000, 100000])

risk_low = fuzz.trimf(risk, [0, 0, 5])

risk_medium = fuzz.trimf(risk, [0, 5, 10])

risk_high = fuzz.trimf(risk, [5, 10, 10])

# 进行模糊化推理

age_level_low = fuzz.interp_membership(age, age_low, 30)

age_level_medium = fuzz.interp_membership(age, age_medium, 30)

age_level_high = fuzz.interp_membership(age, age_high, 30)

income_level_low = fuzz.interp_membership(income, income_low, 25000)

income_level_medium = fuzz.interp_membership(income, income_medium,25000)

income_level_high = fuzz.interp_membership(income, income_high,25000)

# 设定模糊推理规则

rule1 = np.fmin(age_level_low, income_level_low)

rule2 = np.fmin(age_level_medium, income_level_medium)

rule3 = np.fmin(age_level_high, income_level_high)

# 进行模糊推理

risk_activation_low = np.fmin(rule1, risk_low)

risk_activation_medium = np.fmin(rule2, risk_medium)

risk_activation_high = np.fmin(rule3, risk_high)

# 得到风险因子

risk_factor = fuzz.defuzz(risk, np.fmax(risk_activation_low, np.fmax(risk_activation_medium, risk_activation_high)), 'centroid')

可选地，所述根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离，包括：

将所述风险水平映射到预先建立的距离区间风险空间中，预估出所述目标航路与海上目标平台间的风险等级，以基于所述风险等级评估所述目标航路与所述海上目标平台间的安全距离。

可选地，所述将所述风险水平映射到预先建立的距离区间风险空间中，预估出所述目标航路与海上目标平台间的风险等级，以基于所述风险等级评估所述目标航路与所述海上目标平台间的安全距离，包括：

获取风险等级与距离区间之间的风险模糊推理规则；

基于所述风险模糊推理规则对风险水平进行模糊推理，得到预估的风险等级；

确定该风险水平对应风险因子的模糊集，以确定该模糊集的中心；

基于该模糊集的中心以及预估出的风险等级，评估所述目标航路与所述海上目标平台间的安全距离。

上述中心比如可以为均值、中位数、众数等。

可选地，比如基于该模糊集的中心以及预估出的风险等级，评估所述目标航路与所述海上目标平台间的安全距离时，包括如下步骤：

获取模糊集的中心点为 c，风险等级为 r，安全距离阈值为 d。

建立以下数学模型：实际安全距离 = c - d × r，其中，c 是模糊集的中心点，r是预估出的风险等级，d 是安全距离阈值，公式中的 c 表示目标航路与海上目标平台间的模糊集的中心点，它反映了航路和平台之间的平均距离或中间值，r 表示预估出的风险等级，d 是安全距离阈值，根据实际需求和业务场景进行设置，例如可以根据风险等级的不同设置不同的安全距离阈值。

基于所述数学模型评估所述目标航路与所述海上目标平台间的安全距离包括如下步骤：根据模糊集的中心点和风险等级计算出实际安全距离，当模糊集中心点小于安全距离阈值时，实际安全距离为两者之间的差值；否则实际安全距离为零。

为此，通过将风险水平映射到预先建立的距离区间风险空间中，可以准确预估出所述目标航路与海上目标平台间的风险等级。而且基于风险等级评估所述目标航路与所述海上目标平台间的安全距离，可以提供具体的安全距离建议，这有助于避免潜在的危险情况发生。另外，通过准确评估风险等级和提供安全距离建议，可以更好地规划航路和选择合适的平台，从而提高航行效率。

以下提供了一种示例代码实现：

def assess_risk_level(risk_level):

distance_ranges = {

'low': (0, 100),

'medium': (101, 200),

'high': (201, 300)

}

for level, distance_range in distance_ranges.items():

if risk_level>= distance_range[0]and risk_level<= distance_range[1]:

return level

return 'unknown'

def evaluate_safe_distance(risk_level):

risk_levels = {

'low': 'Maintain a minimum distance of 50 meters.',

'medium': 'Maintain a minimum distance of 100 meters.',

'high': 'Maintain a minimum distance of 200 meters.'

}

return risk_levels.get(risk_level, 'Unable to evaluate safedistance.')

# 示例调用

risk_level = 150

evaluated_risk_level = assess_risk_level(risk_level)

safe_distance = evaluate_safe_distance(evaluated_risk_level)

print(f"Evaluated risk level: {evaluated_risk_level}")

print(f"Safe distance recommendation: {safe_distance}")

上述代码中，assess_risk_level函数根据风险水平映射到预先建立的距离区间风险空间中，评估出风险等级。evaluate_safe_distance函数根据风险等级评估所述目标航路与所述海上目标平台间的安全距离，并返回相应的建议。最后，通过示例调用展示了如何使用这两个函数来评估风险等级和安全距离。

图2为本申请实施例一种航路与平台之间安全距离的评估装置的结构示意图。如图2所示，其包括：

输入模糊单元201，用于调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，所述输入包括目标航路和海上目标平台的海上自然环境、航路环境、海上平台特征中至少其一，所述海上自然环境包括能见度、大风天数、水流流速中至少其一；所述航路环境包括所述目标航路的交通流量、航路宽度、航路等级中至少其一；所述海上平台特征包括所述海上目标平台的布置：

模糊推理单元202，用于调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；

去模糊单元203，用于对所述风险因子进行去模糊化，得到风险水平；

距离评估单元204，用于根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离。

此处，图2实施例中，有关各个功能单元的示例性说明可参见上述图1的说明。

图3为本实施例电子设备的结构示意图；该电子设备可以包括：

一个或多个处理器301；

计算机可读介质302，可以配置为存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例所述的方法。

处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

计算机可读介质可以是，但不限于，随机存取存储介质（Random Access Memory，RAM），只读存储介质（Read Only Memory，ROM），可编程只读存储介质（Programmable Read-Only Memory，PROM），可擦除只读存储介质（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储介质（ElectricErasable Programmable Read-Only Memory，EEPROM）等。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含配置为执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元（CPU）执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质（RAM）、只读存储介质（ROM）、可擦式可编程只读存储介质（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储介质（CD-ROM）、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输配置为由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写配置为执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络：包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个配置为实现规定的逻辑功能的可执行指令。上述具体实施例中有特定先后关系，但这些先后关系只是示例性的，在具体实现的时候，这些步骤可能会更少、更多或执行顺序有调整。即在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本申请还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所描述的方法。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，所述输入包括目标航路和海上目标平台的海上自然环境、航路环境、海上平台特征中至少其一，所述海上自然环境包括能见度、大风天数、水流流速中至少其一；所述航路环境包括所述目标航路的交通流量、航路宽度、航路等级中至少其一；所述海上平台特征包括所述海上目标平台的布置：调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离。

在本公开的各种实施方式中所使用的表述“第一”、“第二”、“所述第一”或“所述第二”可修饰各种部件而与顺序和/或重要性无关，但是这些表述不限制相应部件。以上表述仅配置为将元件与其它元件区分开的目的。例如，第一用户设备和第二用户设备表示不同的用户设备，虽然两者均是用户设备。例如，在不背离本公开的范围的前提下，第一元件可称作第二元件，类似地，第二元件可称作第一元件。

当一个元件(例如，第一元件)称为与另一元件(例如，第二元件)“(可操作地或可通信地)联接”或“(可操作地或可通信地)联接至”另一元件(例如，第二元件)或“连接至”另一元件(例如，第二元件)时，应理解为该一个元件直接连接至该另一元件或者该一个元件经由又一个元件(例如，第三元件)间接连接至该另一个元件。相反，可理解，当元件(例如，第一元件)称为“直接连接”或“直接联接”至另一元件(第二元件)时，则没有元件(例如，第三元件)插入在这两者之间。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种航路与平台之间安全距离的评估方法，其特征在于，包括：

调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，所述输入包括目标航路和海上目标平台的海上自然环境、航路环境、海上平台特征中至少其一，所述海上自然环境包括能见度、大风天数、水流流速中至少其一；所述航路环境包括所述目标航路的交通流量、航路宽度、航路等级中至少其一；所述海上平台特征包括所述海上目标平台的布置：

调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；

对所述风险因子进行去模糊化，得到风险水平；

根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离；

其中，所述隶属度模型上设置有模糊分布定义以及模糊表达式定义；对应地，所述调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，包括：

基于所述模糊表达式定义和所述模糊分布定义的约束，对输入进行映射变换并得到模糊输入；

其中，基于所述模糊表达式定义和所述模糊分布定义的约束，对输入进行映射变换并得到模糊输入，包括：

基于所述模糊表达式定义的约束和所述模糊分布定义的约束分别构建模糊表达约束空间以及模糊分布约束空间；

对所述输入进行向量化，得到输入向量；

将所述输入向量分别投影到所述模糊表达约束空间以及模糊分布约束空间中得到表达投影向量和模糊分布向量；

对所述表达投影向量和所述模糊分布向量进行点积运算，以得到所述模糊输入；

其中，在构建模糊表达约束空间和模糊分布约束空间时，包括如下步骤：

根据模糊表达式定义的约束，确定输入对应变量的所有可能取值范围；将所有可能取值范围映射到一个多维空间中以得到模糊表达约束空间，每个维度对应一个可能取值范围；

对分布情况中输入对应变量的所有可能取值范围之间的交叉和重叠关系进行互相关计算，得到互相关性度量范围，然后，将这些相关性度量范围映射到一个多维空间中以得到模糊分布约束空间，每个维度对应一个相关性度量范围；

其中，对所述输入进行向量化，得到输入向量，包括：

对所述输入中的海上自然环境、航路环境、海上平台特征分别进行编码转换，以得到自然环境二进制向量、航路环境二进制向量、海上平台二进制向量；

对所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行归一化处理，使得所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量对齐；

对对齐后的所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行融合，得到所述输入向量；

其中，对所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行归一化处理，使用对每个二进制向量，将其每个元素进行 Sigmoid 函数变换，将其值映射到(0, 1) 区间内，包括：对每个元素进行如下变换： [x' = \frac{1}{1 + e^{-x}}] 其中，(x) 是原始二进制向量中的某个元素，(x') 是归一化后的值。

2.根据权利要求1所述的方法， 其特征在于，所述对所述风险因子进行去模糊化，得到风险水平，包括：

确定所述风险因子对应的模糊集；

并将所述模糊集映射到一个实数空间中得到一个实数点，所述实数点代表所述风险水平。

3.根据权利要求1所述的方法， 其特征在于，所述对所述风险因子进行去模糊化，得到风险水平，包括：

确定所述风险因子对应的隶属度以及模糊集；

根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。

4.根据权利要求3所述的方法， 其特征在于，所述根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：

确定所述风险因子对应单点模糊值的最大值以及最小值；

取位于所述最大值以及最小值之间的所述风险因子对应单点模糊值与对应的隶属度进行连续域积分，以确定所述风险因子对应的清晰化值并作为所述风险水平。

5.根据权利要求1所述的方法， 其特征在于，所述对所述风险因子进行去模糊化，得到风险水平，包括：

确定所述风险因子对应的隶属度以及模糊集；

根据所述隶属度以及所述模糊集进行离散域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。

6.根据权利要求5所述的方法， 其特征在于，所述根据所述隶属度以及所述模糊集进行离散域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：

确定所述风险因子对应的所有单点模糊值与所述风险因子对应的所有隶属度的点积得到点积结果；

根据所述点积结果与所有隶属度的统计值，以确定所述风险因子对应的清晰化值并作为所述风险水平。

7.根据权利要求1所述的方法， 其特征在于，所述调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，包括：

所述隶属度模型将所述输入与预先建立的风险评估等级表进行匹配，以对输入进行映射变换并得到模糊输入。

8.根据权利要求1所述的方法， 其特征在于，所述根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离，包括：

将所述风险水平映射到预先建立的距离区间风险空间中，预估出所述目标航路与海上目标平台间的风险等级，以基于所述风险等级评估所述目标航路与所述海上目标平台间的安全距离。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

计算机可读介质，配置为存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任意一项权利要求所述的方法。