船舶区域溢油风险程度甄别的人工神经网络方法.pdf

船舶区域溢油风险程度甄别的人工神经网络方法 大连海事大学 肖井坤 殷佩海 【内容摘要1本文利用误差反向传播(BP)人工神经网络，建立了海域船舶溢油风险程度甄别 的评价模型。实例的结果表明该模型具有一定的客观性和实用性，能够反映出研究海域各 部分区域发生船舶溢油事件的风险等级差别。 关键词:BP算法 人工神经网络 溢油 风险 海洋环境保护是事关国计民生的重要问题，防止船舶发生溢油污染在海洋环境保护的 诸多环节中尤为重要。正确区分所研究海域不同部分在发生船舶溢油事件风险上的不同， 对于船舶滋油的监控、清除设备布设等的合理安排，针对性地控制主要溢油危险区，具有 重要的指导作用。人工神经网络作为对人脑思维过程的模拟，在模式识别等领域已经取得 了良好的结果同时利用人工神经网络方法可有效地避免主观因素的影响。本文尝试利用BP 人工神经网络方法对海洋船舶溢油危险区溢油风险程度甄别这一问题进行研究。 1 BP网络的基本原理 人工神经网络理论是一种智能理论。经过数十年的发展与完善，在神经网络系统的理 论和实现方法上都有了长足的进步和提高，如多种神经网络模型的提出和网络学习方法的 丰富P]。人工神经网络在结构上是由大量的结构非常简单的神经元按照一定的规则连接而 成的复杂的网络系统。神经元是网络信息的处理单位，在网络的学习和推断过程中，所有 重要的数据处理大都是在这些基本单元中进行的.神经元之间的连接反映和保证了网络具 有联想容错的功能。 神经元的结构 图〔1)和数 学模型可以简单描述如下: V,=习..U,.W}+B, Y,=.f((;) 其中，U为‘上层单元的输出 (j=1,2,…，n);V，为单元总 输入:61为单元闭值:Y 为 图一t神经元的荃本结构 单元物出;Wi;为个神经元之间 的连接权值:f为激励函数(transferfunction)，一般为非线性形式. 利用人工神经网络求解问题时，不濡要做出任何关于数据的假设。而是通过人工神经 网络对于典型事例的学习，在网络上存储这种映射关系的信息t丰富的稳定系统。利用神 经网络系统求解问题的过程通常分为两个阶段，即:网络的自学习阶段(训练阶段)和利用 训练后的网络进行推理的阶段。在网络的自学习阶段中，通过训练样本的学习，建立输入 指标和输出指标的非线性映射关系。这些可用于问题求解所需的 “知识’.，分布式地存储在 网络的神经元以及它们之间的连接权值和各节点的阐值变化上。对于训练过的网络，通常 还需要对其进行检验，当然这种检验的过程也是一种训练和学习推断的过程。当网络的输 出与实际输出之间的误差过大时，表明网络的推断能力不强，需要对网络的参数进一步调 整，重新训练，直到学习误差与检验误差均符合要求。在此之后，这个神经网络便有了良 好的推断能力，可以应用于问题的实际应用中。推断过程中无论所需要解决的样本空间容 量如何，实际参与推理的是固定数目的网络权值和阐值。简而言之，神经网络具有大规模 的信息处理，分布式联想存储，自学习自组织的特点。神经网络作为一个非线性的动力系 统，可以处理线性的问题也可以处理非线性的问题，且具有较强的容错性能。利用神经网 络进行问题的求解，对于问题的结构没有任何要求，也不必对各种变量间的关系作任何假 设，正是这种特点使得神经网络能够解决很多现实世界中含有模糊性，随机性，不确定性 的问题。 2海域溢油风险区划的神经网络实现方法 研究海域滋油风险度的确定问题，其 “不确定”属性较强，变量间的关系难以确立十 分复杂，因此可以应用神经网络的方法对其求解。 2.1分析指标的筛选，训练样本集的确