（交通信息工程及控制专业论文）基于BP神经网络的水上交通事故预测及MATLAB实现.pdf

武汉理工大学硕士学位论文 摘要 随着我国水上交通运输事业的大力发展，各类船舶的数目日益增多，水 上交通事故时有发生。我国是航运大国，做好准确、有效的水上交通事故预 测对水上交通安全起着重要的作用。准确的预测，势必减少人员伤亡和财产 损失。 本文首先讲解了运用b p 神经网络进行水上交通事故预测的原理，并分 析了影响水上交通事故的诸多因素，而且进行了量化处理。b p 神经网络由 大量处理单元组成，具有很强的平行计算、学习、容错和抗干扰能力，由输 入向量和目标输出向量来训练网络并建立模型。目前b p 网络采用误差逆传 播算法学习训练神经网络，该算法是基于网络误差函数梯度下降的。为了克 服b p 网络在学习训练过程中收敛速度慢、容易陷入局部极小的不足，本文 采用了自适应的学习速率和附加动量法。水上交通事故是由自然、航道、交 通、船舶、船员及管理这6 个条件单独或综合作用于人一船一环境所组成的 水上交通系统，使系统在其自身的运动中某些因素产生不协调动作而造成 的。本文分析了以上因素，并找出主要因素进行了量化处理。 然而，b p 网络的模型的实现需要掌握计算机编程语言及较高的编程能 力，这在一定程度上不利于神经网络技术的推广和使用。而m a t l a b 软件 提供了一个现成的神经网络工具箱( n e u r a ln e t w o r kt o o l b o x ，简称n n t ) ，为 解决这个难题提供了便利条件。本文详细介绍了利用m a t l a b 神经网络工 具箱进行b p 网络模型建立、训练、仿真的编程方法。同时，为了弥补m a t l a b 在入机交互性能上的欠缺，建立m a t l a b 与v c + + 之间的应用程序接口， 将v c + + 灵活强大的编程能力、m a t l a b 强大的科学计算能力相结合。 最后本文用v c + + 制作界面，基于m a t l a b 的神经网络工具箱建立了水 上交通事故的b p 神经网络预测系统，采取三层b p 神经网络，输入层有7 个输入神经元( 船员平均水上资历、平均船龄、平均标准风天数、水域平均 流速、能见度、水深和交通密度) ，输出层有4 个神经元( 重大事故、大事故、 一般事故和小事故) ，并通过对长江干线重庆水域的预测来检验模型的效果。 实验结果证明了该模型用于水上交通事故预测的可行性，具有很好的应用价 值。 武汉理工大学硕士学位论文 全文分为5 章。第1 章为绪论部分，综述了本文研究的背景、论文研究 的目的和意义等。第2 章为b p 神经网络的水上交通事故预测的原理部分。 第3 章为基于b p 网络水上交通事故预测的m a t l a b 实现部分。第4 章为 水上交通事故预测系统的界面设计、功能模块实现和仿真实验部分。第5 章 是结束语和展望。 本系统如果投入使用将提高水上交通事故预测的水平。由于时间和本人 水平有限，此系统的界面和功能等方面仍然有待进一步改进。 关键词：水上交通事故预测，m a t l a b ，b p 神经网络，v c + + i i 武汉理工大学硕十学位论文 a b s t r a c t w i t ht h ed e v e l o p m e n to fm a r i t i m et r a d e ，m a r i t i m ea c c i d e n t so f t e nt a k ep l a c e b e c a u s eo fm o r ea n dm o r ew a t e r c r a f t i ti sa ni m p o r t a n tp a r tf o rm a r i t i m et r a f f i c s a f e t yt h a te x a c ta n de f f e c t i v em a r i t i m ea c c i d e n tf o r e c a s t o u rc o u n t r yi sag r e a t s h i p p i n gc o u n t r y e x a c t m a r i t i m ea c c i d e n tf o r e c a s tw i l lr e d u c ep e r s o n n e l c a s u a l t ya n dp r o p e r t yd a m n i f i c a t i o n t h ef o r e c a s tt h e o r yi se x p l a i n e df i r s ti nt h et h e s i s ，w h i c hi sb a s e do nb p n e u r a ln e t w o r kt h e o r y ag o o dm a n yf a c t o r st h a te f f e c t i n gm a r i t i m ea c c i d e n t sa r e a n a l y z e da n da r ed i s p o s e d b yq u a n t i t y b a c k p r o p a g a t i o nn e u r a ln e t w o r ka r e c o m p o s e do fag o o dm a n ys i m p l ee l e m e n t so p e r a t i n gi np a r a l l e l t h ec o r e so f b a c k p r o p a g a t i o nn e u r a ln e t w o r ka r et h ec a p a c i t y o fp a r a l l e l c o m p u t i n g ， s e l f - s t u d y i n g ，f a u l t t o l e r a n ta n dn o n l i n e a rf u n c t i o na p p r o x i m a t i n g i n p u tv e c t o r s a n dt h ec o r r e s p o n d i n gt a r g e tv e c t o r sa r eu s e dt ot r a i nan e t w o r ku n t i li tc a n a p p r o x i m a t eaf u n c t i o n ，s ot h a tt h em o d e li se s t a b l i s h e d ，a tp r e s e n t ，d u r i n gt h e c o u r s eo fb pn e u r a ln e t w o r k s l e a r n i n ga n dt r a i n i n g ，w e o f t e na d o p tt h e a l g o r i t h mo fb a c k e r r o rp r o p a g a t i o n ，w h i c hi s b a s e do ng l o b a le r r o rf u n c t i o n s g r a d i e n td e s c e n t i no r d e rt os o l v et h eb pn e u r a ln e t w o r k si n h e r e n td e f i c i e n c y o fs l o w l yc o n v e r g i n ga n de a s i l yf a l l i n gi n t ol o c a lm i n i m u m ，w ep r o p o s et ou s e a n a l g o r i t h mc o m b i n e ds e l f - a d a p t i n gl e a r n i n g r a t ea n de x t r am o m e n t u m e n v i r o n m e n t 、s e a r o u t e 、t r a f f i cd e n s i t y 、s h i p 、s a i l o ra n dm a n a g e m e n tb yo n e s e l f o r s y n t h e t i c a l l y a c to n m a r i t i m e a c c i d e n t ， w h i c h c o m p o s e db y h u m a n - s h i p e n v i r o n m e n ts y s t e m s o m ef a c t o rd o e sn o ta s s o r tw i t hs y s t e mb y o n e s e l fm o v e m e n t ，s or e s u l t si nm a r i t i m ea c c i d e n t ag o o dm a n yf a c t o r st h a t e f f e c t i n gm a r i t i m ea c c i d e n t sa r ea n a l y z e da n da r ed i s p o s e db yq u a n t i t yi nt h e t h e s i s b u t ，t oe s t a b l i s hb pn e u r a ln e t w o r km o d e l ，y o um u s th a v er i c hp r o g r a m e x p e r i e n c e s ，w h i c hh a m p e r st h ed e v e l o p m e n to fn e u r a ln e t w o r k si naw a y a n a v a i l a b l en e u r a ln e t w o r kt o o l b o x ( n n t ) i nm a t l a b ，h o w e v e r ，s o l v e st h e p r o b l e m i nt h et h e s i s ，h o wt ou s ct h eb a c k p r o p a g a “o nt r a i n i n gf u n c t i o n si nt h e i 武汉理二1 大学硕士学位论文 m a i l a bt o o l b o xt ot r a i nf e e d f o r w a r dn e u r a ln e t w o r k st os o l v e s p e c i f i c p r o b l e m s i s e x p l a i n e d b e s i d e st h a t ，i n o r d e rt om a k eu pt h em a t l a b a l t e r n a t i o nd e f i c i e n c yo fm a na n dc o m p u t e r ，h o wt od e s i g nt h ei n t e r f a c eb e t w e e n m a t l a ba n dv c + + i sp r e s e n t e d t h r o u g ht h et h e s i s ，w ec a ns e et h a ti t se a s ya n de f f e c t i v et om a k eb pn e u r a l n e t w o r km o d e lb yu s i n gt h en e u r a ln e t w o r kt o o l b o xr n n t ) b a s e do nm a t l a b a n dv c + + t oe v a l u a t et h ep r e d i c t i v em o d e l w ea d o p tat h r e e l a y e rb pn e u r a l n e t w o r k i n p u t - l a y e rc o n t a i n s s e v e nn e r v ec e l l s ( s a i l o ra v e r a g em a r i t i m e e x p e r i e n c e 、a v e r a g es h i p p i n gy e a r s 、a v e r a g es t a n d a r dw i n dd a y s 、a v e r a g er i v e r v e l o c i t y 、v i s i b i l i t y 、w a t e rd e p t ha n dt r a f f i cd e n s i t y ) a n do u t p u t - l a y e rc o n t a i n s f o u rn e r v ec e l l s ( g r e a ta c c i d e n t 、l a r g ea c c i d e n t 、c o m m o na c c i d e n ta n ds m a l l a c c i d e n t ) t h et e s tt h a tu s et h ed a t ao fh i s t o r i c a lo c c u l t e n c el e v e lo fm a r i t i m e a c c i d e n t si nc h e n g q i n gw a t e ra r e ai sd o n e ，t h er e s u l ts h o w st h ef e a s i b i l i t yo ft h e p r e d i c t i v em o d e l s oi t sv a l u a b l ea n d h a sab r i g h tf u t u r e t h et h e s i si n c l u d e sf i v ec h a p t e r s i nt h ef i r s tc h a p t e r ，i ti st h ep r e f a c eh a v i n g s t a t e dt h eb a c k g r o u n d 、t h ep u r p o s ea n dm e a n i n g so ft h es t u d ya n ds oo n i nt h e s e c o n dc h a p t e r ，t h et h e o r i e so fm a r i t i m ea c c i d e n t sf o r e c a s tb a s e do nb pn e u r a l n e t w o r ka r et a l k e da b o u t i nt h et h i r dc h a p t e r , i ti st h em a r i t i m ea c c i d e n t s f o r e c a s tm a t l a bp r o g r a m m ep a r tb a s e do nb pn e u r a ln e t w o r k i nt h ef o u r t h c h a p t e r ，t h ed e s i g no ft h ei n t e r f a c e 、s o m ef u n c t i o n so fm a r i t i m e a c c i d e n t s f o r e c a s ts y s t e ma n de m u l a t ee x p e r i m e n ta r ee x p l a i n e d i nt h el a s tc h a p t e r ，t h e c o n c l u s i o na n df u r t h e rw o r ka r et a l k e do u t m a r i t i m ea c c i d e n t sf o r e c a s ts y s t e m w i l la d v a n c et h el e v e lo fm a r i t i m ea c c i d e n t sf o r e c a s t ，i fi ti su s e d ，h o w e v e r ，i t s i n t e r f a c ea n df u n c t i o n sn e e di m p r o v i n go na c c o u n to ft h el i m i t e dt i m ea n d c a p a c i t yo ft h ea u t h o r k e yw o r d s ：m a r i t i m ea c c i d e n tf o r e c a s t ，m a t l a b ，b pn e u r a ln e t w o r k ，v c + 十 i v 武汉理丁大学硕士学位论文 第1 章绪论 1 1 课题研究的背景 随着我国远洋、沿海和内河交通运输事业的大力发展，各类船舶的数目 日益增多，水上交通事故时有发生。为了保证海上交通运输事业的顺利发展， 国家对船舶安全较为重视，水上交通事故研究工作的广度与深度也逐步有所 发展，并取得了一定成果。然而，也应该看到在水上交通事故研究工作中存 在重统计轻预测的现象。 预测，是对某一事物未来发展和其结果的一种预先测求。更确切地说， 预测是人们试图预见某一事物有无变化、有何变化及其最终结果。【i j 预测是 决策的重要依据，做好预测工作能更好的管理水上交通，减少人身伤亡和财 产损失，达到“船舶更安全，海洋更清洁”的目的。 水上交通事故的预测是指某一地区或某一单位未来一定时期内事故总的 发展趋势，将会达到什么样的水平，特别是近期的发展趋势和水平，这是交 通安全管理机关所关心的主要方面，如能有效地得到这方面的资料，进而根 据本地单位水上交通事故的特点采取相应的有效措施将事故控制在一定的 限度，都是很有帮助的。 人工神经网络是一类模拟人类神经系统的结构，他揭示数据样本中蕴含 的非线性关系，大量处理单元组成非线性自适应动态系统，具有良好的自适 应性、自组织及很强的学习、联想、容错和抗干扰能力，在不同程度和层次 上可模仿大脑的信息处理机理，可灵活方便的对多成因的复杂未知系数进行 建模。特别是b p 网络近年来广泛应用于模式识别、预测评估等领域，并取 得良好的效果。然而，b p 网络的模型的实现需要掌握计算机编程语言及较 高的编程能力，这在一定程度上不利于神经网络技术的推广和使用。而 m a t l a b 软件提供了一个现成的神经网络工其箱( n e u r a ln e t w o r kt o o l b o x ， 简称n n t ) ，为解决这个难题提供了便利条件。我们可利用m a t l a b 神经 网络工具箱进行b p 网络模型建立、训练、仿真的编程方法。水上交通事故 的预警与预测是水上安全方面的重要课题，把b p 网络的预测技术应用于水 上交通事故领域有其现实的价值。 武汉理： 大学硕士学位论文 1 2 神经网络国内外研究现状 自2 0 世纪9 0 年代起，神经网络的应用领域迅速扩大。人工神经网络模 型与算法仅1 9 9 8 年c a 摘录的关于神经网络的文献就有2 5 0 多篇，特别是 在工业生产中的应用是广大科技工作者研究的热点，表明神经网络科学理论 正在向生产力的实现进行转化。在其他领域a n n ( a r t i f i c i a ln e u r a ln e t w o r k l 的应用研究也取得了可喜成果。这些都表明a n n 的研究具有光明的前景。 a n n 方法在预测领域的研究也越来越深入，并逐渐用于实际中。美国军方 在海湾战争中利用神经网络进行决策控制，美国能源部利用它来预测世界原 油价格。另外，神经网络和专家系统相结合己成为重要的发展趋势。这两者 的结合，更好地发挥了各自的专长。最简单的办法是神经网络作为系统的前 端即预处理器来处理含糊不清或不完整的数据，或者电可以作为系统的后端 来增强由专家系统所进行的判断。这方面成功应用的例子有：美国e a t o n 公 司利用神经网络在平衡的牵引车制动平衡系统中进行前端信号分类，由专家 系统提供调节制动系统的建议；美国f r o n t i e rf i n a n c i a l 公司利用神经网络来 对股票市场进行预测，再由专家系统给出相应的建议等等。【1 8 】总的来说，这 种应用并不成熟，关于如何结合和信息转换等问题还有待进一步研究。 国内也有神经网络在预报分析领域中实际应用的一些探讨。如用b p 神 经网络预测全国私人汽车拥有量，为交通公路部门以及汽车行业的规划和决 策提供了有力依据。 1 9 1 建立b p 神经网络对农作物虫情进行预测预报而且用 m a t l a b 工具进行编程完成，害虫预测预报它使治虫工作得以有目的、有 计划、有重点的进行，从而达到从虫口中夺回大量农产品，保证农业经济持 续、高效的发展。【2 l j 把人工神经网络应用于电力系统短期负荷预测的研究， 负荷预测对电力系统控制、运行和计划都是非常重要的，提高负荷预测的精 度既能增强电力系统运行的安全性，又能改善电力系统运行的经济性。神经 网络在其他领域的应用就不一一详细描述。 1 3 水上交通事故分析预测的研究现状 水上交通事故预测可分为定性预测和定量预测。定性预测已发展的比较 成熟，但定量预测相对来说还比较薄弱。一般意义上的定量研究是指在对问 题的论证中采用数学工具，从量上进行的分析研究，从中找出其普遍规律性， 揭示其内在联系，抓住其主要矛盾，从而为科学管理提供科学依据，有助于 武汉理工大学硕士学位论文 管理者做出最佳决策。因此，进行水上交通事故的定量研究是十分必要的。 水上交通事故定量研究可以分为以下四个领域：交通实态与交通流；船 舶行为；交通事故统计分析；交通安全评价。在水上交通事故定量分析领域， 我国学者多采用灰色系统关联分析模型来分析水上交通事故的致因，找出其 主要的原因，为决策者制定科学的管理办法提供依据。在水上交通安全定量 研究中，多采用模糊综合评判的方法进行研究。国内的应用主要有1 9 9 5 年8 月。中远( 集团) 总公司与上海海运学院共同研制了“海事数据库及海事统计、 分析与评估系统”，并交付中远( 集团) 总公司及所属各公司投入使用。厦门 港航道环境危险度的分析与评价等等。 1 4 论文研究的目的及意义 预测是决策的重要依据，是“鉴往知来”，借对过去的探讨，得对事物未 来状况的了解。事物从过去、现在到将来的发展总是有其内在规律性的，只 有发现和掌握了事物发展的固有规律，才能把预测置于科学的基础之上，引 导事物朝着预期的方向发展。随着现代水上交通运输事业的大力发展，预测 越来越需要人们的重视，对预测技术的要求也越来越高。人工神经网络研究 方法具有能对信息进行大规模并行处理、且有很强的容错性，善于联想、概 括、类比和推理，而且具有很强的自学习能力等特性，善于从大量统计资料 中分析提取宏观统计规律。因此把神经网络方法应用于现代水上交通事故的 定量研究具有很好的现实意义。由于目前a n n 方法还存在一些技术问题没 有解决，比如建模时没有统一的基础理论作指导、没有统一的可靠的训练算 法使网络运行在最佳状态、需要大量的训练数据等，这些都限制了神经网络 方法的应用，尤其在复杂的水上交通运输系统中的应用。因此本课题的研究 预期达到以下目的： 1 ) 针对某直属海事局提供一个对水上交通事故信息进行科学预测的信息 平台，能够对某区域的事故数进行预测； 2 ) 减少直属海事局工作人员的工作量； 3 ) 为直属海事局的安全监督和水上交通安全管理法规的制定提供科学决 策依据。 把神经网络方法应用于现代水上交通事故的定量研究的现实意义 1 ) 能进一步提高水上交通事故的预警、预测能力，减少水上交通事故 2 ) 准确的预测为管理者进行决策提供了科学有力的依据 武汉理t 大学硕士学位论文 1 5 论文的结构及研究方法 1 5 1 论文的结构 全文分为5 章，其中第l 章为绪论部分，综述了课题研究的背景、神经 网络技术国内外发展概况、论文研究的目的和意义以及论文的结构、研究方 法等；第2 章为b p 神经网络的水上交通事故预测的原理部分，在介绍了b p 神经网络基本原理及其算法的基础上，分析了影响水上交通事故的主要因素 以及如何进行b p 网络的设计。第3 章为基于b p 网络水上交通事故预测的 m a t l a b 实现，主要介绍了利用m a t l a b 神经网络工具箱进行b p 网络模型 建立、训练、仿真的编程方法以及如何实现在v c + + 中对m a t l a b 进行调 用。第4 章为b p 网络应用于水上交通事故预测的仿真实验及结果分析，用 v c + + 语言开发了基于m a t l a b 神经网络工具箱的仿真软件，并利用该软件 对长江干线重庆水域的水上交通事故进行预测检验，验证该方法的可行性。 第5 章结束语。全文总结，并提出下一步的研究方向。附录包括参考文献、 发表论文情况以及致谢等。 1 5 2 论文的研究方法 ( 1 ) 定性分析与定量分析相结合的方法，对影响水上交通事故发生的 诸多因素进行分析。 。 ( 2 ) 算法优化的方法，根据水上交通事故特点对b p 算法进行改进和优 化。 ( 3 ) 数学建模的方法，利用m a t l a b 神经网络工具箱进行b p 网络模 型建立、训练、仿真的编程设计，并建立友好的用户界面。 ( 4 ) 仿真试验的方法，使用具体数据进行仿真试验，检验模型的效果。 4 武汉理： ：大学硕士学位论文 第2 章基于b p 神经网络的水上交通事故预测 的原理 2 1 水上交通事故预测简介 2 1 1 预测与事故预测的概念 从管理科学的观点来看，预测就是根据事物过去的发展变化的客观过程 和某些规律，参照已经出现或正在出现的各种可能性，运用现代管理的、数 学的和统计的方法，对事物未来可能出现的趋势和可能达到的水平所作的科 学推测。简单的理解，预测是指按目前规律发展下去会得到什么结果，其前 提是环境和规律均不改变或改变是己知的。十分明显，预测不研究必然事件， 因为必然事件用不着去研究，它是必然会发生的。预测研究的是随机事件， 因为只有随机事件才需要人民去研究、去预测，才有根据其以往的客观变化 过程研究其今后可能出现的趋势及可能达到的水平的必要。 水上交通事故是小概率事件，其发生是多种因素在各自的发展变化过程 中相互影响、相互作用的结果。从这一点上来说，水上交通事故的总体发展 水平和趋势是可以用适当的数学方法进行分析和预测的，因为不管事故原因 有多少种，相互作用有多么复杂，事故总是有其规律性的。 要明确的一点是，水上交通事故预测并不是去预测在什么时间什么地点 会发生什么样的交通事故，根据水上交通事故发生的特点可以知道这是难以 作到的，如果能够做到这一点，那么水上交通事故完全可以避免，这当然是 交通行业各方面希望得到的结果，但这只不过是一种希望，实际工作中人们 只能采取各种有效措施保证一定时期一定范围内事故不发生，从长远的角度 和更大的范围来说，事故的发生又是不可避免的，原因就是在于水上交通事 故是随机事故。 因而，本文中所说的水上交通事故的预测是指某一地区或某一单位未来 一定时期内事故总的发展趋势，将会达到什么样的水平，特别是近期的发展 趋势和水平，这是交通安全管理机关所关心的主要方面，如能有效地得到这 方面的资料，进而根据本地单位水上交通事故的特点采取相应的有效措施将 事故控制在一定的限度，都是很有帮助的。 武汉理工大学硕士学位论文 2 1 2 水上交通事故的特点5 】 从安全系统工程学的观点出发，结合水上交通事故的特点，可以认为水 上交通事故是在人( 船员、管理人员) 一船舶一环境三者组成的水上交通系统 中由于6 种基本条件( 自然、航道、交通、船舶、船员及管理) 下不协调运动 造成的。每个具体的事故又是一系列相互关联的事件顺序发展的结果，这些 事件概括起来不外乎人的不安全行为和物的不安全状态，人的不安全行为和 物的不安全状态的发展也不是相互独立的。人的不安全行为造成了物的不安 全行为，如超载会造成船舶的抗沉性减少：物的不安全行为同样会导致人的 不安全行为，如罗经的误差过大会造成驾驶员的操作失误从而使船舶搁浅等 事故，正是由于上述3 种基本条件的复杂作用，使水上交通事故具有其自身 的特点。 ( 1 ) 水上交通事故的发生具有的随机性 水上交通事故是由于客观存在的不安全因素随时间的推移出现的某些 意外事件而造成的，这些意外事件往往又是不可预知，事故的偶然性是客观 存在的。换言之，即使完全掌握了水上交通运输事故的原因，也不能保证绝 对不发生事故，这是因为作为交通运输工具的船舶本身是一个由各个部件组 成的机械系统，当船舶在船员的操级下航行于受环境条件影响的水域时，就 牵涉到一个更大的更复杂的水上交通系统，船舶仅是其中的一个子系统，交 通系统的子系统之间，子系统内部之间，子系统内部的各个因素之间相互连 接、相互作用，其中如果某一个因素发生失误与别的因素产生不协调的动作， 就可能引发一系列的其他的失误，从而造成事故。 水上交通事故往往是多种因素共同作用或相互引发的，其中有许多因素 本身就是随机的( 如遇到强风暴) ，而多种因素正好凑在一起或相互引发则需 要更大的机遇，因此水上交通事故的发生必定带有极大的随机性。 以系统论的观点看，重大交通事故一般是系统事故，系统中失误、故障 多为随机事件，而这与事件的相互作用又有一定的随机性，因而事故的随机 性也就不可避免的。 ( 2 ) 水上交通事故是小概率事件 水上交通事故的另一个特点是它是小概率事件，1 9 9 0 年，我国全社会水 路货运总量为8 3 ，0 0 0 万吨，而每万吨货运量对应的事故率仅为o 0 1 0 3 2 件， 另据统计，我国沿海航行的船舶若以3 0 0 0 吨为标准将货运量折算成当年的 船舶交通量，该年度全国各港口船舶交通总量总和为2 7 ，6 6 6 7 艘次，当年全 6 武汉理：【大学硕士学位论文 国共发生达上报等级的水上交通事故6 8 0 件，事故率为2 4 6 交通事故是小概率事件有其深刻的内在原因。首先，只有很成熟的技术 才披应用于公共交通运输。十七世纪末、十八世纪初，蒸汽机己逐渐应用于 工业中，但直到18 3 3 年加拿大的“威廉王号”轮以蒸汽动力全程横渡大西 洋开始，机械动力船舶才正式进入国际航运界，而此时蒸汽机早己成为工业 领域中的广泛使用的动力了。其可靠性和工作效率已经达到了很高的程度。 因此，从交通系统中的机械子系统中( 船舶) 来说，成熟的技术保证了它的可 靠性，并且随着技术的进步这种可靠性会越来越高。 其次，作为公共交通工具的船舶和交通系统在设计、制造时已经考虑到 它的安全性能，配备了相应的安全设备，制定了有关的规则制度和国际公约， 建立了专职的水上交通安全管理机构，所有这些对减少船舶交通事故，促进 水上交通安全起了积极的作用。 第三，从系统论的观点来看，水上交通系统本身具有一定的“容错性能”， 表现为并非每一个失误或故障都会引发一起事故。大部分失误和故障都被及 时纠正，只有极小部分最终导致事故，安全系统工程学的许多方法，如故障 树分析法，可以很好地说明这一点。另外，从数学上说，水上交通事故是一 连串的失误或故障顺序产生作用造成的，每个失误或故障的出现具有一定的 概率，多种因素聚在一块发生的概率可以是单个事件概率乘积来计算，所以， 作为最终事件的水上交通事故的发生概率必定是很小的。 ( 3 ) 绝大多数事故的发生涉及人的因素 水上交通事故与人的因素关系密切，特别是船舶驾驶人员，国内外许多 事故统计资料表明，由于人的失误和违章违纪造成的水上交通事故均占到总 量的8 0 以上。 根据这些事实，我们可以认为人的因素是造成水上交通事故的关键，尽 管每次事故发生后，各方面均采取大量的措施改进安全管理工作，但从长期 实践来看，效果并不理想，各类事故照样发生，原因就在于人的因素f 包括 船员的条件和管理条件) 是最复杂、最活跃的，而这些因素与当时的环境条 件产生综合作用时，就会变的更加无法预知和控制了。 实际当中，船舶从业人员进行违章操作时并不直接考虑其行为的后果， 而是采取这种行动带来的收益和损失期望值之间的关系，多次冒险成功后， 他们认识到尽管事故的损失是巨大的，但由于事故是小概率事件，每次冒 险的损失期望值却很小，当收益明显高于损失期望值时，侥幸心理会促使他 们采取违章行动，正是由于经济效益可观，地方小船往往是减员、超载航行， 武汉理。f 大学硕士学位论文 挖沙船才会违章进入主航道挖沙，造成船员采取冒险行动的另一个原因是来 源于完成运输任务的生产压力，美国国家研究理事会专门小组进行的调查表 明：经济压力导致冒险。大部分被调查者认为，能否挣钱是公司评价船长工 作成绩的最重要指标，同时，冒险行动的增加会使事故发生的概率上升，实 际的损失期望值提高，加之各方面的管理工作也因此而加强，又会暂时抑制 他们的侥幸冒险心理，使事故率下降，所以，这也是一定时期内水上交通事 故呈现有起有伏的波动性变化的一个原因。综上所述，水上交通事故是一系 列事件相互联系，一步步组合的结果，进行科学的管理必须对造成事故的基 本条件做充分的研究，透过基本条件的表象分析它们之间内在的联系，弄清 它们相互作用的规律，作者认为，人的因素是管理的首要因素，因为绝大多 数事故涉及到人的因素，就水上交通事故的6 种基本条件来看，船员条件和 管理条件是主要条件，除人力尚无法控制的自然条件外，无论船舶、交通、 航道莫不涉及人的因素，因为这些条件是入所设计的、为人所使用的，如果 能加强这方面的研究，找到针对船员和管理现状的行之有效的安全管理方 法，水上交通事故是完全可以得到有效控制的。 2 1 3 水上交通事故预测方法的选取 历年的水上交通事故统计数据表明，某一地区一定时期的水上交通事故 数的统计数据是在一定范围内变化与时间坐标有关的随机交量，一列初看起 来似乎杂乱无章的交通事故统计数据后面，实际上必然隐藏某些客观规律， 预测就是要利用这些规律对事故的未来的发展趋势和水平做出判断和推测， 而要达到这个目的，就要选择适当的预测方法，使预测模型能够充分体现这 个规律，使预测的结果能够更加“贴近”事故发展的状况，因此，预测方法 就应该根据预测对象历史的表现规律，根据人们对影响预测对象未来发展变 化的种种因素的认识程度，根据未来这些影响因素可能的变化情况来选择。 如果对于影响预测对象的说明性变量( 自变量) 有了明确的认识，对于这 些自变量之间的相互作用机制也有了一定深度的了解，并且能够比较正确地 将这些影响和作用以量化的形式加以描述，我们可以选择因果关系模型，即 回归模型进行预测，即使这样还存在一个问题，就是必须首先对这些说明性 变量进行预测，两这样很可能会比对预测对象本身进行预测还要困难，如果 回归模型拟合很好，利用说明性变量的预测值求得预测对象的预测值的误差 可能会很小，但是说明性变量未来值的误差太大反而会使预测对象的总误差 武汉理： j 大学硕士学位论文 大得无法接受。 我们已经知道，水上交通事故是由自然、航道、交通、船舶、船员及管 理这6 个条件单独或综合作用于人一船一环境所组成的水上交通系统，使系 统在其自身的运动中某些因素产生不协调动作而造成的，尽管这是国内外许 多专家学者在大量研究水上交通事故后得出的结论，但由于交通系统的复杂 性和条件的多变性，使对这些条件与事故之间具体的因果关系的研究仍停留 在定性描述的范畴而没能上升到定量研究的高度，所以对于水上交通事故的 预测采用回归模型存在一定的困难。 基于以上观点，本文采用b p 神经网络的模型对水上交通事故进行预测。 b p 神经网络揭示数据样本中蕴含的非线性关系，大量处理单元组成非线性 自适应动态系统，具有良好的自适应性、自组织及很强的学习、联想、容错 和抗干扰能力，在不同程度和层次上可模仿大脑的信息处理机理，可灵活方 便的对多成因的复杂未知系数进行建模。b p 神经网络近年来广泛应用于模 式识别、预测评估等领域，并取得良好的效果。运用b p 神经网络进行水上 交通事故预测，只要收集输入层和输出层的数据，不必考虑输入层多个影响 因素的相互作用权重。在b p 神经网络( 一般为三层) 中，计算机会自己根 据输入数据和输出数据的特征，寻找它们之间的联系，自动调整三层网络之 间的“系数”( 在b p 神经网络中为权值和阀值) ，当目标误差和检验误差率 达到预测标准时网络停止运算，模型建立。 2 2 人工神经网络简介 人工神经网络( a r t m c i a ln e u r a ln e t w o r k 简称a n n ) 是一个由大量简单的 处理单元( 神经元) 广泛连接组成的人工网络，用来模拟大脑神经系统的结构 和功能。它能从已知数据中自动的归纳规则，获得这些数据的内在规律，具 有很强的非线性映射能力。人工神经网络己经广泛的应用于模式识别、信号 处理及人工智能等各个领域。【1 2 】 2 2 1 人工神经网络的特点 1 9 4 3 年心理学家w m c c u l l o c h 和数理逻辑学家w p i t t s 首先提出了一个 简单神经网络模型， 4 1 1 其神经元的输入输出关系为： 9 武汉理r ：大学硕士学位论文 枷偿一卅 陋t ， 其中，x j ( j = l ，2 ，n ) 是输入信号，y i ( i = l ，2 ，n ) 是输出信号，w j i 为固 定的权值，翻为阀值，s i g n ( ) 为传递函数。利用该简单网络可以实现一些逻 辑关系，为进一步研究打下了基础。从8 0 年代开始，人工神经网络理论得 到了快速的发展。 人工神经网络有以下几个突出的优点： 2 3 1 2 4 j f 1 1 高度的并行性。人工神经网络是有许多相同的简单处理单元并联组合 而成，虽然每个单元的功能简单，但大量简单处理单元的并行活动，使其对 信息的处理能力与效果惊人。 ( 2 ) 高度的非线性全局作用。人工神经网络每个神经元接受大量其他神经 元的输入，并通过并行网络产生输出，影响其他神经元。网络之间的这种互 相制约和影响，实现了从输入到输出的非线性映射。 f 3 1 良好的容错性与联想记忆功能。 ( 4 ) 十分强的自适应、自学习功能。人工神经网络可以通过训练和学习来 获得网络的权值与结构，呈现出很强的自学习能力和对环境的适应能力。 2 2 2 人工神经网络的模型 神经网络模型各种各样，他们是从不同的角度进行不同层次的描述和模 拟。神经网络按网络结构可分为前馈型和反馈型；按学习方式可分为有导师 和无导师学习。1 2 5 】有代表性的模型主要有以下几种： b p 网络是基于b p ( b a c kp r o p a g a t i o n ) 误差反向传播算法的多层前馈神经 网络，1 9 8 6 年由d e r u m e l h a r t 等人提出。f 2 3 】每个神经元只前馈到其下一层 的所有神经元，没有层内联结、各层联结和反馈联结。采用s i g m o i d 型传递 函数。 h o p f i e l d 网络是一种反馈网络，网络中的每一个神经元都将自己的输出 通过连接权传递给所有其他神经元，同时又接收其它神经元传递过来的信 息，所以该系统具有系统的动态性能，一般用于联想记忆和优化计算。 径向基函数网络( r b f 网络) 也是一种前馈网络。网络的学习速度和收敛 较快，但是，所需训练样本要多一些。r b f 网络采用高斯型传递函数。 1 0 武汉理工大学硕士学位论文 2 3 误差反向传播( b p ) 网络 反向传播网络( b a c k - - p r o p a g a t i o nn e t w o r k ，简称b p 网络) 是对非线性可 微分函数进行权值训练的多层网络。b p 网络包含了神经网络理论中最精华 的部分，由于其结构简单、可塑性强，得到了广泛的应用。特别是它的数学 意义明确、步骤分明的学习算法更使其具有广泛的应用背景。 b p 网络主要用于： 2 9 1 1 ) 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函 数； 2 ) 模式识别：用一个特定的输出矢量将它与输入矢量联系起来； 3 ) 分类：把输入矢量以所定义的合适方式进行分类； 4 ) 数据压缩：减少输出矢量维数以便于传输或存储。 2 3 1b p 网络的结构 b p 网络是基于b p 误差传播算法的多层前馈网络，多层b p 网络不仅有 输入节点、输出节点，而且还有一层或多层隐含节点。三层b p 网络的拓扑 结构如图2 1 。包括输入层、输出层和一个隐含层。各神经元与下一层所 有的神经元联结，同层各神经元之间无联结，用箭头表示信息的流动。 误差反传( 学习算法) x x x 输入层隐层输出层 信号流 图2 - 1 基于b p 算法的神经网络的结构 出 武汉理工大学硕士学位论文 图2 - - 2 人工神经元结构模型 在人工神经网络中，最基本的组成单位就是人工神经元( 如图2 2 ) 人工 神经元相当于一个多输入多输出的非线性阀值器件。人工神经元的输出可以 描述为： h = 厂( 嘞一& ) ( 2 2 ) 式中：x 1 ，x 2 ，x 。为输入信号，w k l ，w k2 ，w k j 为神经元权值， 睐为阀值，“) 为激活函数，y k 为神经元输出。 神经元模型中的激活函数可以有多种不同的形式，常用的有以下几种： ( 1 ) 阀值函数 m 们= 诧：糍 ( 2 - s ) 即阶梯函数。这时相应的输出y k 为： p = ：! ： 其中，n e h = 一良，常称此种神经元为m p 模型。 户i ( 2 ) 分段线性函数 f 1订甜1 f ( n e t ) = ( 1 + n e t ) 2 1 n e t e ( 七一1 ) + 1 0 4 小c = u