馬大勇，李安卓

(沈陽航空航天大學(xué)，遼寧 沈陽 110000)

0 引 言

海運(yùn)行業(yè)的持續(xù)發(fā)展對于海員的適任提出更高要求，艦船虛擬駕駛系統(tǒng)的設(shè)計(jì)與研究能夠訓(xùn)練海員的艦船駕駛技能，而艦船虛擬駕駛效果的評價(jià)對于艦船虛擬駕駛訓(xùn)練具有重要意義。

朱冰等在研究駕駛效果評價(jià)過程中，以自然駕駛數(shù)據(jù)為基礎(chǔ)，構(gòu)建自然駕駛數(shù)據(jù)的邏輯場景，采集駕駛數(shù)據(jù)，分析參數(shù)概率分布，獲取評價(jià)結(jié)果。但該方法在實(shí)際應(yīng)用過程中所使用的評價(jià)指標(biāo)體系內(nèi)包含大量冗余指標(biāo)，導(dǎo)致最終評價(jià)結(jié)果存在一定偏差。趙曉華等構(gòu)建柯氏層次評估模型，利用該模型評價(jià)駕駛效果，但該方法在實(shí)際應(yīng)用過程中所得結(jié)果與實(shí)際需求具有顯著的不匹配性。

基于此，研究基于數(shù)據(jù)挖掘的艦船虛擬駕駛效果評價(jià)方法，利用數(shù)據(jù)挖掘技術(shù)中的聚類算法與神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)艦船虛擬駕駛效果評價(jià)，提升艦船駕駛的安全性。

1 艦船虛擬駕駛效果評價(jià)方法

1.1 艦船虛擬駕駛效果評價(jià)方法體系架構(gòu)

圖1為基于數(shù)據(jù)挖掘的艦船虛擬駕駛效果評價(jià)方法基本步驟。

圖1 基于數(shù)據(jù)挖掘的艦船虛擬駕駛效果評價(jià)方法基本步驟Fig. 1 Basic steps of ship virtual driving effect evaluation method based on data mining

依照系統(tǒng)性、層次性、簡潔性、可量化、可對比等原則，選取初始評價(jià)指標(biāo)構(gòu)建初始艦船虛擬駕駛效果評價(jià)指標(biāo)體系；采用數(shù)據(jù)挖掘技術(shù)中的聚類算法對初始指標(biāo)體系內(nèi)的指標(biāo)進(jìn)行篩選，清除重復(fù)指標(biāo)，得到最終使用的艦船虛擬駕駛效果評價(jià)指標(biāo)體系；采集評價(jià)指標(biāo)相關(guān)數(shù)據(jù)，同時(shí)對所采集數(shù)據(jù)實(shí)施歸一化與標(biāo)準(zhǔn)化等預(yù)處理。采用數(shù)據(jù)挖掘技術(shù)中的神經(jīng)網(wǎng)絡(luò)算法構(gòu)建評價(jià)模型：構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)模型，采用粒子群優(yōu)化算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，構(gòu)建基于徑向基神經(jīng)網(wǎng)絡(luò)的艦船虛擬駕駛效果評價(jià)模型，得到艦船虛擬駕駛效果評價(jià)結(jié)果。

1.2 基于聚類算法的評價(jià)指標(biāo)體系構(gòu)建

1.2.1 初始艦船虛擬駕駛效果評價(jià)指標(biāo)體系構(gòu)建

艦船虛擬駕駛過程中，以實(shí)現(xiàn)任意特定目標(biāo)為目標(biāo)，需要求操作者在操作艦船裝置過程中動作的先后順序準(zhǔn)確，同時(shí)也要求操作的實(shí)際與幅度滿足相關(guān)標(biāo)準(zhǔn)。上述要求并不具備嚴(yán)格標(biāo)準(zhǔn)，一般情況下，采用快、慢、多、少等較為模糊的度量關(guān)系表示虛擬駕駛的效果。基于上述分析將從不同組合操作中動作的準(zhǔn)確性、駕駛行為銜接的連貫性、駕駛行為柔順性、駕駛行為的效率等方面選取37個(gè)二級評價(jià)指標(biāo)構(gòu)建初始艦船虛擬駕駛效果評價(jià)指標(biāo)體系。

1.2.2 基于聚類算法的評價(jià)指標(biāo)篩選

采用數(shù)據(jù)挖掘技術(shù)中的R聚類算法對初始艦船虛擬駕駛效果評價(jià)指標(biāo)體系內(nèi)的評價(jià)指標(biāo)進(jìn)行篩選，清除重復(fù)指標(biāo)，利用剩余的評價(jià)指標(biāo)構(gòu)建最終使用的艦船虛擬駕駛效果評價(jià)指標(biāo)體系。基于聚類算法的評價(jià)指標(biāo)篩選過程分為聚類分析與變異系數(shù)分析，前一部分對處于相同準(zhǔn)則層內(nèi)的評價(jià)指標(biāo)實(shí)施分類處理，同時(shí)對不同類別內(nèi)的評價(jià)指標(biāo)實(shí)施非參數(shù)檢驗(yàn)，令各類均能夠描述艦船虛擬駕駛效果評價(jià)的不同方面；后一部分利用變異系數(shù)表征鑒別能力，通過確定相同類別內(nèi)評價(jià)指標(biāo)的變異系數(shù)，系數(shù)值越大說明其鑒別能力越強(qiáng)，越能代表類別信息，保留變異系數(shù)值最大的評價(jià)指標(biāo)，清除剩余評價(jià)指標(biāo)，由此既能夠保障篩選后的評價(jià)指標(biāo)體系可全方位覆蓋艦船虛擬駕駛效果評價(jià)的不同方面，同時(shí)還能夠確保有所差異對類內(nèi)篩選出的評價(jià)指標(biāo)所描述的信息為非重復(fù)信息。

聚類分析部分的主要過程如下：

1）利用R型聚類算法對不同準(zhǔn)則層內(nèi)所包含的評價(jià)指標(biāo)進(jìn)行分類處理，并確定不同類內(nèi)指標(biāo)的數(shù)量。選取離差平方和法對評價(jià)指標(biāo)R型分層聚類，若任意準(zhǔn)則層內(nèi)所包含的評價(jià)指標(biāo)數(shù)量為個(gè)，將全部個(gè)指標(biāo)劃分為個(gè)類別，由此可利用式(1)確定第類評價(jià)指標(biāo)的離差平方和(=1,2,···,)：

基于式 (1) 所獲取的第類評價(jià)指標(biāo)的離差平方和能夠確定全部個(gè)類別的整體離差平方和，公式描述如下：

3）確定聚類數(shù)量。以防止聚類分析過程中給定條件下的主觀任意性為目的，對聚類分析所獲取的各類評價(jià)指標(biāo)實(shí)施非參數(shù)K-W檢驗(yàn)，分析的科學(xué)性。上述檢驗(yàn)過程以各評價(jià)指標(biāo)在數(shù)值特征上不具備明顯差異性為基礎(chǔ)。若不同類別的評價(jià)指標(biāo)顯著性等級Sig大于0.05，那么接受說明初始類別數(shù)量設(shè)定較為科學(xué)，也就是相同類評價(jià)指標(biāo)之間不具備明顯差異，聚類數(shù)量較為合適。相反，說明初始類別數(shù)量設(shè)定不科學(xué)，需在此實(shí)施聚類處理。變異系數(shù)分析部分的主要過程如下：

分析評價(jià)指標(biāo)的變異系數(shù)就是確定評價(jià)指標(biāo)分辨信息的水平，變異系數(shù)同任意評價(jià)指標(biāo)在不同決策單元內(nèi)的部分變異性之間呈正比例相關(guān)，即與評價(jià)指標(biāo)的信息分辨能力之間呈正比例相關(guān)。變異系數(shù)較小的評價(jià)指標(biāo)需清除。經(jīng)由清除變異系數(shù)較小的評價(jià)指標(biāo)，能夠簡化評價(jià)指標(biāo)體系。利用下式計(jì)算第個(gè)評價(jià)指標(biāo)的變異系數(shù)：

式中：b和h分別表示整體變異系數(shù)標(biāo)準(zhǔn)差和均值，其計(jì)算公式分別如下：

利用式(4)能夠描述不同評價(jià)指標(biāo)的標(biāo)準(zhǔn)化變異水平。通過上述處理過程后可簡化初始艦船虛擬駕駛效果評價(jià)指標(biāo)體系，得到最終使用的艦船虛擬駕駛效果評價(jià)指標(biāo)體系，如表1所示。

1.3 艦船虛擬駕駛效果評價(jià)模型構(gòu)建

采用數(shù)據(jù)挖掘技術(shù)中的徑向基神經(jīng)網(wǎng)絡(luò)構(gòu)建艦船虛擬駕駛效果評價(jià)模型。作為單隱層、前饋型神經(jīng)網(wǎng)絡(luò)，徑向基神經(jīng)網(wǎng)絡(luò)的主要優(yōu)勢表現(xiàn)為分類性能好、可最大限度逼近任意非線性不間斷函數(shù)。將評價(jià)指標(biāo)體系內(nèi)的評價(jià)指標(biāo)輸入徑向基神經(jīng)網(wǎng)絡(luò)內(nèi)，通過訓(xùn)練與學(xué)習(xí)過程獲取艦船虛擬駕駛效果評價(jià)結(jié)果。徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

利用式(6)能夠獲取徑向基神經(jīng)網(wǎng)絡(luò)的輸出：

式中：={,,}表示輸入向量，即組合操作準(zhǔn)確性、駕駛行為連貫性和駕駛行為柔順性；w和η分別表示第個(gè)隱含層神經(jīng)元同輸出層神經(jīng)元的連接權(quán)值和第個(gè)隱含層神經(jīng)元的輸出。

表1 艦船虛擬駕駛效果評價(jià)指標(biāo)體系Tab. 1 Evaluation index system of ship virtual driving effect

圖2 徑向基神經(jīng)網(wǎng)絡(luò)評價(jià)模型結(jié)構(gòu)Fig. 2 Structure of RBF neural network evaluation model

式中，u和δ分別表示中心和方差。

隱含層內(nèi)所包含的神經(jīng)元數(shù)量通常依照問題的復(fù)雜度來計(jì)算，神經(jīng)元數(shù)量同神經(jīng)網(wǎng)絡(luò)分類精度之間呈正比例相關(guān)；但神經(jīng)元數(shù)量過大將造成神經(jīng)網(wǎng)絡(luò)訓(xùn)練效率下降，同時(shí)有較大概率產(chǎn)生擬合過度的問題。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 評價(jià)指標(biāo)體系構(gòu)建的科學(xué)性分析

以數(shù)據(jù)方差描述評價(jià)指標(biāo)信息含量的原理為基礎(chǔ)，設(shè)定評價(jià)指標(biāo)體系構(gòu)建科學(xué)性的分析標(biāo)準(zhǔn)。

以和分別表示篩選后評價(jià)指標(biāo)對海選評價(jià)指標(biāo)的信息貢獻(xiàn)率和評價(jià)指標(biāo)數(shù)據(jù)的協(xié)方差矩陣，則

式中：表示跡；和分別表示篩選后評價(jià)指標(biāo)數(shù)量和海選評價(jià)指標(biāo)數(shù)量。

通過式(8)能夠描述篩選后評價(jià)指標(biāo)的整體方差與海選評價(jià)指標(biāo)整體方差間的比值，由此能夠獲取篩選后評價(jià)指標(biāo)所描述的海選指標(biāo)信息。一般情況下，在篩選后指標(biāo)能夠體現(xiàn)90%以上的海選指標(biāo)信息，即可說明篩選后的評價(jià)指標(biāo)所構(gòu)建的評價(jià)指標(biāo)體系科學(xué)。

將本文方法篩選后評價(jià)指標(biāo)的整體方差與海選37個(gè)評價(jià)指標(biāo)的整體方差代入式(8)，得到本文方法所構(gòu)建的評價(jià)指標(biāo)體系科學(xué)性分析結(jié)果，如圖3所示。分析可知，對初始評價(jià)指標(biāo)體系內(nèi)的評價(jià)指標(biāo)進(jìn)行篩選后，當(dāng)評價(jià)指標(biāo)數(shù)量達(dá)到13個(gè)條件下，信息貢獻(xiàn)率達(dá)到92%以上，由此說明本文方法所構(gòu)建的評價(jià)指標(biāo)體系具有較高科學(xué)性。雖然在評價(jià)指標(biāo)數(shù)量持續(xù)提升的條件下，信息貢獻(xiàn)率也有所提升，但評價(jià)指標(biāo)體系的復(fù)雜度與冗余性也隨之提升。

圖3 評價(jià)指標(biāo)體系科學(xué)性分析結(jié)果Fig. 3 Scientific analysis results of evaluation index system

2.2 徑向基神經(jīng)網(wǎng)絡(luò)測試

圖4為本文方法中所使用的徑向基神經(jīng)網(wǎng)絡(luò)測試結(jié)果。分析可知，采用本文方法訓(xùn)練所得的徑向基神經(jīng)網(wǎng)絡(luò)模型具有較高的評價(jià)精度，由此說明本文方法能夠較好地評價(jià)艦船虛擬駕駛效果，滿足實(shí)際評價(jià)所需的精度要求。

圖4 徑向基神經(jīng)網(wǎng)絡(luò)測試結(jié)果Fig. 4 Test results of radial basis function neural network

2.3 評價(jià)結(jié)果

將實(shí)驗(yàn)對象艦船虛擬駕駛效果劃分為5個(gè)等級，分別是：好、較好、中等、較差、差。表2為本文方法對各實(shí)驗(yàn)對象的艦船虛擬駕駛效果評價(jià)結(jié)果?？芍捎帽疚姆椒軌蛴行?shí)驗(yàn)對象內(nèi)的艦船虛擬駕駛效果進(jìn)行評價(jià)，且本文方法結(jié)果與實(shí)驗(yàn)對象實(shí)際艦船虛擬駕駛效果一致，說明本文方法具有較好的評價(jià)精度。

表2 實(shí)驗(yàn)對象審計(jì)風(fēng)險(xiǎn)評估結(jié)果Tab. 2 Audit risk assessment results of experimental subjects

3 結(jié) 語

本文研究基于數(shù)據(jù)挖掘的艦船虛擬駕駛效果評價(jià)方法，采用數(shù)據(jù)挖掘技術(shù)中的聚類算法與神經(jīng)網(wǎng)絡(luò)分別篩選指標(biāo)和構(gòu)建評價(jià)模型，由此獲取艦船虛擬駕駛效果評價(jià)結(jié)果。實(shí)驗(yàn)結(jié)果顯示本文方法所構(gòu)建的評價(jià)指標(biāo)體系具有較高科學(xué)性，并且能夠準(zhǔn)確評價(jià)虛擬駕駛效果。