本文阐述模糊的方式来解决该问题的方法论船舶碰撞预防交通拥挤区。作者的技术使用操纵董事会组成学习样本的元素。作者证明它是合理使用模糊系统,一代是由晶格没有聚类方法。作者调查质量优化的效果差异。研究人员定义最优隶属度函数,用于生成的输入语言变量模糊系统。
尽管有显著的积极成果,船舶避碰的问题在交通拥挤区(
在报纸上(
这些天,神经网络技术广泛应用于导航问题[
神经网络也在警告[被证明是成功的
使用神经网络(也有明显的益处
数篇论文(
为了提高模糊系统的影响(
模糊船舶碰撞预防系统在交通拥挤区是一个自适应模糊推理系统(简称ANFIS) [
简称ANFIS的第一层是一层隶属度函数。有一个在第一层模糊化;即。,fuzzy sets are established corresponding to the terms of source (input) and target (output) linguistic variables.
模糊船舶碰撞预防系统在交通拥挤区观察到纸(图
模糊船舶碰撞预防交通拥挤区。
(我)电子方位目标船,即。,on that one to which the operator vessel needs to prevent collision safely
(二)ship操作符
(3)课程目标船,即。,a vessel in a heavy traffic zone, to which, if necessary, it is required to prevent collision
(iv)靶船的速度(
输入值的集合“轴承”,“ship操作符课程”和“vessel-target课程”是一组(0;360°。ship-target速度的范围值决定根据信息来源审查反馈的俄罗斯海上船舶登记局(RS), [0;34节。
在第一层节点的数目等于项之和的输入语言变量集。第一层的输出值集中的值输入变量的隶属度函数与特定的值。隶属度函数的特点在第一层组成第一批功能设置在学习过程。
简称ANFIS的第二层是一层模糊产生式规则。节点的数目是一样的规则数量在第二层。此外,每个节点连接到那些在第一层,形成相应的规则的前提(祖先)。一般来说,第一次和第二次之间的联系的分布层执行以这样一种方式,每个输入变量的模糊神经元网络与每个规则的层。
第二层的输出值对应的相对程度(权重)规则,计算为一个逻辑产品(十字路口)的输入变量的隶属度函数。
简称ANFIS的第三层是一层的输出值绝对值这一层是由添加规则的所有节点的输出层和分裂的每个输出值在第二层的总价值。这确保比例输出值,这样就增加了模糊网络的弹性。
简称ANFIS的第四层是输出层的线性组合。每个节点的第四层是连接到一个节点的上一层,因此,所有输入的模糊网络。第四层有确定系数的线性组合,因此,例如,一个反向传播算法(backpropa)或混合,这是一个组合的方法的普通最小二乘(OLS)和反向传播的错误(backpropa)。系数的线性组合构成的特性来确定第二组学习的过程。
最后,简称ANFIS的第五层是输出层。第五层,对应的加法器遗留神经网络,完成去模糊化。
学习一种模糊网络,这是两个阶段的组合,是一个迭代过程,允许确定隶属度函数的特性,减少之间的差异“真实(或有效)和期望的行为的模式。”
在第一阶段,学习样本的输入,然后第四层的模糊网络的参数设置以这样一种方式以减少参考输出值之间的差异,计算模糊网络的输出。
在第二阶段,剩余差异转移从网络输入输出,和backpropa修改节点的参数在第一层。此外,结论的系数在第一阶段产生的规则不改变。
设置迭代过程一直持续到差异超过预设值。
因此,构造模糊网络的通用方法的模糊船舶碰撞预防系统在交通拥挤区包括以下步骤。
形成对学习样本,其中包含隐含的知识,揭示由于学习模糊网络。
选择模糊推理参数,即。,selection of membership functions, fuzzy intersection, and defuzzification.
选择一个学习算法和模糊网络的设置参数。
直接学习的模糊网络配置两组参数。
优化和验证学习成果的一个模糊网络。
模糊的实现船舶碰撞预防系统在交通拥挤区进行了MATLAB模糊逻辑工具箱的系统[
此外,一系列的计算机实验进行了定义如下。
(1)最好的隶属函数类型用于指定输入语言变量
(2)最好的隶属函数类型用于指定输出语言变量的条件,即。,a type of dependence that connects input and output linguistic variables (constant or linear coefficients)
(3)最好的学习算法:反向传播算法(АОРОbackpropa)或混合算法。他们是一个组合AOPO和OLS (
(4)最优模糊网络学习的周期数
一套学习设计进行仿真建模的模糊碰撞船舶预防系统。首先,列出不同的情况下与船舶交通拥挤区是通过开发一个完整的搜索输入范围扩大了。然后,每个特定情况下的方程和评估改变值的运营商船舶操纵董事会了。应该注意的是,方程操纵董事会随后的规则国际海上避碰规则(COLREGS),评论,和建议在所谓“良好的船艺。”最后,输入向量的值和相对应的价值,一个由操纵董事会改变运营商船被记录在一个学习样本。
作者想要呈现的方式设计一个学习对。他们还想象情况当船舶在一个交通繁忙区域,如图
生成的仿真模型与船舶交通拥挤区域。
描述的情况下,目标船正前方ship操作符和碰撞的危险,因为ship操作符和目标船太接近对方。是16规则规定的国际海上船舶避碰规则,ship操作符必须让路而不是运行到目标船。在模拟这种情况下操纵董事会,并计算它,学者发现新的ship操作符是120度。它需要把船向右30度和ship操作符不会撞上ship-target船船尾在一个安全的距离。在考虑这种情况可以设置一个学习对编号为91。其余的525个训练对类似的设置。
仿真模型的模糊船舶碰撞预防系统进行了两种模式。首先,模糊网络使用点阵方法没有聚类,生成,其次,它是由subclustering方法。192种不同的模糊网络训练的第一模式。他们每个人有五个在一年的四个输入语言变量。虽然反向传播算法和混合使用(
由于仿真建模的模糊模式的船舶碰撞预防系统光栅代没有集群,这是显示最好的混合学习算法,方法不变的因素是一种输出语言变量,两个乙状结肠的乘积,曼氏金融两个乙状结肠函数之间的区别,和u型隶属函数得到输入语言变量。
作者选择了学习的模糊网络学习最少的错误。他们给每一个测试和质量评价。
美是由公式(
RMSE是由公式(
SMAPE是由公式(
结果仿真建模的模糊船舶碰撞预防系统光栅代没有集群。
| 类型的MF输入lv | 数量的训练时间间隔 | 学习错误 | 美 | RMSE | SMAPE |
|---|---|---|---|---|---|
| psigmf | 500年 | 5.4532·10−5 | 1.165·10−5 | 6.063·10−5 | 6.2555·10−7 |
| psigmf | 600年 | 5.4532·10−5 | 1.165·10−5 | 6.063·10−5 | 6.2555·10−7 |
| dsigmf | 600年 | 5.4553·10−5 | 1.166·10−5 | 6.063·10−5 | 6.257·10−7 |
| dsigmf | 400年 | 5.4556·10−5 | 1.166·10−5 | 6.063·10−5 | 6.257·10−7 |
| psigmf | 400年 | 5.456·10−5 | 1.1656·10−5 | 6.063·10−5 | 6.257·10−7 |
| pimf | 600年 | 5.5002·10−5 | 1.171·10−5 | 6.064·10−5 | 6.2836·10−7 |
产生模糊的定性评价船舶碰撞预防系统培训晶格的一代没有聚类方法。
第二模式,288种不同的模糊网络训练由backpropa和混合优化方法(144/144)。subclustering方法的参数变化如下:参数“影响范围”从0.2到0.5;步长为0.1,参数“南瓜因素”从1到1.375;步长是0.125;“接受比”参数从0到0.4;步长是0.2;和参数“废品率”从0到0.3;步长是0.15。100年所有288个模糊网学习间隔被选中。
作者得出以下结论后模拟模糊subclustering船舶碰撞预防系统的生成模式。最好的方法是混合优化方法为模糊网络学习算法,以及供电一代模式,而“影响范围”不断= 0.3,“南瓜因素”是最好的率等于1的参数,以及参数等于0.4为“接受比率。”
六个最佳模糊网络选择测试。此外,作者让他们每个人定性评价。结果表
结果仿真建模的模糊船舶碰撞预防系统通过subclustering生成方法。
| 范围的影响 | 南瓜的因素 | 接受率 | 废品率 | Optim。方法 | 学习错误 | RMSE | 美 | SMAPE |
|---|---|---|---|---|---|---|---|---|
| 0.3 | 1 | 0 | 0 | backpropa | 1.26·10−1 | 3.865·10−1 | 5.05·10−2 | 2.7·10−3 |
| 0.3 | 1.125 | 0 | 0 | backpropa | 1.26·10−1 | 1.365·10−1 | 3.54·10−2 | 1.9·10−3 |
| 0.3 | 1 | 0 | 0.15 | backpropa | 1.26·10−1 | 3.865·10−1 | 5.05·10−2 | 2.7·10−3 |
| 0.3 | 1 | 0.4 | 0 | hibrid | 1.363·10−3 | 1.36·10−3 | 5.5·10−4 | 2.94·10−5 |
| 0.3 | 1 | 0.4 | 0.15 | hibrid | 1.363·10−3 | 1.36·10−3 | 5.5·10−4 | 2.94·10−5 |
| 0.3 | 1 | 0.4 | 0.3 | hibrid | 1.363·10−3 | 1.36·10−3 | 5.5·10−4 | 2.94·10−5 |
结果定性评价的模糊船舶碰撞预防系统培训在生成通过subclustering方法误差反向传播算法。
产生模糊的定性评价船舶碰撞预防系统培训通过subclustering混合算法的生成方法。
让作者比较结果与模糊的结果提出了船舶碰撞预防系统在交通拥挤区(
在文献[
第二个和第三个输入语言变量
第四个输入语言变量
根据规则8点在国际海上避碰规则,COLREGS”,如果有足够的水,只有一门课程改变可能是最有效的方式行动,防止碰撞。“Boatmasters状态,大多数的方法防止海上碰撞将演习。所以,operator-vessel课程选择的变化为输出语言变量。
描述的条款为输出语言变量的值模糊集芯对应条款(
在文献[
作者(
模拟仿真的结果模糊船舶碰撞预防系统在交通拥挤区提出了
| 去模糊化方法 | 美 | RMSE | SMAPE |
|---|---|---|---|
| Сentroid | 2.2460·10−1 | 2.3120·10−1 | 1.19·10−2 |
| 平分线 | 1.2379·100 | 1.2568·100 | 7.12·10−2 |
| 妈妈 | 1.2379·100 | 1.2568·100 | 7.12·10−2 |
| 耶鲁大学管理学院 | 1.2379·100 | 1.2568·100 | 7.12·10−2 |
由于测试模糊船舶碰撞预防系统在交通拥挤区提供
在验证了模拟结果的模糊船舶碰撞预防系统模式(grid-generated没有集群和subclustering生成),作者得出以下结论。
首先,建议使用模糊船舶碰撞预防系统在交通繁忙区域,避免船舶碰撞,一代通过晶格举行没有聚类方法。的比较的结果表
第二,优化的混合方法给出更好的结果比反向传播算法在使用点阵方法没有集群和subclustering。特别是,АОРО产生最好的美结果等于3.54×10−2,而混合算法产生美结果等于5.5×10−4当由subclustering方法生成。
第三,作者认为最好的结果发展给出输入语言变量的隶属度函数两个乙状结肠MF的乘积作为两个乙状结肠函数和一个u型的隶属函数之间的区别。证明的结果表
第四,有必要把常系数的模糊模式的船舶碰撞预防系统光栅代没有集群,作为输出语言变量的类型。
总之,192种不同的模拟模型的模糊船碰撞预防系统通过lattice-free生成的聚类方法,以及288个模糊船舶碰撞预防系统,网络是通过subclustering方法生成的地方。完成仿真后,混合优化方法被证明是最好的(允许美价值约10−5)。最好的模糊船舶碰撞预防系统测试证明,他们可以确定准确的价值改变ship操作符课程,以避免船舶碰撞在一个拥挤的交通区,这是危险的ship操作符。作者比较了结果反映在这篇文章中,例如,模糊的船舶碰撞预防系统在交通拥挤区提出了论文
独立作者获得的数据。使用的数据来支持本研究的结果中包括文件的补充信息。
作者宣称没有利益冲突。
表1 _1。xlsx:测试数据生成的模糊船舶碰撞预防系统是由晶格的方法没有集群,与500年培训间隔,使用隶属函数作为一个产品的两个乙状结肠为输入语言变量的隶属度函数,进行必要的质量评估(美、RMSE和SMAPE)计算。
表1 _2。xlsx:测试数据生成的模糊船舶碰撞预防系统是由晶格的方法没有集群,与600年培训间隔,使用隶属函数作为一个产品的两个乙状结肠为输入语言变量的隶属度函数,进行必要的质量评估(美、RMSE和SMAPE)计算。
表1 _3。xlsx:测试数据生成的模糊船舶碰撞预防系统是由晶格的方法没有集群,与600年培训间隔,使用隶属函数的不同功能(由于减法)两个乙状结肠函数输入语言变量,进行必要的质量评估(美、RMSE和SMAPE)计算。
表1 _4。xlsx:测试数据生成的模糊船舶碰撞预防系统是由晶格的方法没有集群,与400年培训间隔,使用隶属函数的不同功能(由于减法)两个乙状结肠函数输入语言变量,进行必要的质量评估(美、RMSE和SMAPE)计算。
表1 _5。xlsx:测试数据生成的模糊船舶碰撞预防系统是由晶格的方法没有集群,与400年培训间隔,使用隶属函数作为一个产品两个乙状结肠函数输入语言变量,进行必要的质量评估(美、RMSE和SMAPE)计算。
表1 _6。xlsx:测试数据生成的模糊船舶碰撞预防系统是由晶格的方法没有集群,与600年培训间隔,使用u型隶属函数对输入语言变量,进行必要的质量评估(美、RMSE和SMAPE)计算。
表2 _1。xlsx:数据用于测试神经模糊subclustering生成的船舶碰撞预防系统,与100年培训间隔,使用反向传播参数范围的影响,南瓜因素,接受率,并拒绝比率等于0.3,1,0,0,分别进行必要的质量评估(美、RMSE和SMAPE)计算。
表2 _2。xlsx:测试数据生成的模糊船舶碰撞预防系统subclustering,与100年培训间隔,使用反向传播参数范围的影响,南瓜因素,接受率,并拒绝比率等于0.3,1.125,0,0分别和必要的质量评估(美、RMSE和SMAPE)计算。
表2 _3。xlsx:数据用于测试神经模糊subclustering生成的船舶碰撞预防系统,与100年培训间隔,使用反向传播参数范围的影响,南瓜因素,接受率,并拒绝比率等于0.3,1,0和0.15,分别与必要的质量评估(美、RMSE和SMAPE)计算。
表2 _4。xlsx:测试数据生成的模糊船舶碰撞预防系统subclustering,与100年培训间隔,使用混合优化方法与参数范围的影响,南瓜因素,接受率和废品率等于0.3,1,0.4,0,分别进行必要的质量评估(美、RMSE和SMAPE)计算。
表2 _5。xlsx:数据用于测试神经模糊subclustering生成的船舶碰撞预防系统,与100年培训间隔,使用混合优化方法与参数范围的影响,南瓜因素,接受率和废品率等于0.3,1,0.4,和0.15,分别与必要的质量评估(美、RMSE和SMAPE)计算。
表2 _6。xlsx:数据用于测试神经模糊subclustering生成的船舶碰撞预防系统,与100年培训间隔,使用混合优化方法与参数范围的影响,南瓜因素,接受率和废品率等于0.3,1,0.4,和0.3,分别与必要的质量评估(美、RMSE和SMAPE)计算。