周洪景 任 凯

（海军工程大学动力工程学院 武汉 430033）

1 引言

随着数据库技术、人工智能、数理统计和并行计算等技术的发展与融合，数据挖掘技术（Data mining，DM）应运而生，数据挖掘［1］是一门新兴的交叉学科，能够从大量数据中提取知识，是一种高效的数据处理技术。数据挖掘技术主要有决策树技术、神经网络技术、回归分析技术、关联规则技术、聚类分析技术、贝叶斯分类技术六种，自20 世纪末提出以来，引起了许多专家学者的广泛关注，它实现的算法多样，其中人们更是给予了基于神经网络算法的数据挖掘技术厚望。

在舰船安全技术领域，如何有效地利用和处理大量的数据成为当今世界共同关心的问题。运用人工智能对海量的数据进行有效的处理，是保障舰船生命力的重要手段。但是在我国舰艇安全智能化领域研究，目前相关的学习研究还不系统，而且研究层次较低，还有广阔的开发前景和研究价值。因此正确地理解基于神经网络的数据挖掘各种方法的优势与不足，对现有的、潜在的应用领域进行研究，对于减少今后在舰船安全相关技术中神经网络技术应用的盲目性和充分发挥神经网络的优势，具有一定的参考价值和指导意义。

2 基于数据支撑的舰船安全技术研究

数据的质量将决定舰船的安全，从保证安全的角度出发，数据挖掘是必不可少的，舰船安全依赖准确有效的数据，所以数据挖掘涉及到舰船安全技术的多方面及全流程。如：舰船运动的实时预测［2～3］、舰船航行避碰、防搁浅［4］，舰船的稳性［5～6］、浮性［7］、预测与控制，航行风险安全评估与指导［8～10］，舰船的损害管制［11］，船舶受损辅助决策［12］等，这些都是一系列复杂的，需要交叉学科知识的工程，都高度依赖数据挖掘技术。

以舰船的损害管制为例，它一直以来都是各国海军舰艇部队的一项重要工作，也牵涉到多个方面，例如破损进水，火灾与烟雾蔓延，爆炸，航向调整等。因此在发生损害时，就需要进行综合分析，重点管控。

为了保证舰船的生命力，除了对舰船人员损害管制处理的业务素质有比较高的要求外，还要求舰船损管系统在舰船受损，比如遭遇破损进水或起火后，在短短几分钟内要做出准确的损害评估与辅助决策。在这期间，会有大量的数据涌入，如何高效地处理这些数据，从中提取对于战时损管决策更为有用的信息，学习推测损害情况的发展趋势并给出合适的处理方案，显然即使是训练有素的人员，也做不到在短时间内达到要求，只能通过功能强大的计算机来实现这个功能，其中算法是解决上述问题的关键。上述提到的情况当中，数据大多具有快速变化、非线性变化、随机变化等特征，用传统的方法并不容易处理，但是舰船很多受损情况的数据可以通过平时的试验获得，面对这个数据“海洋”，神经网络不失为学习解决这类问题的一个不错思路。在处理数据之前就训练好神经网络模型，系统就可以在战时的紧张之际，将受损情况和发展趋势在很短时间内判断清楚，克服仅仅依靠舰艇人员经验判断的不足。基于神经网络进行数据挖掘是通过仔细分析大量数据来揭示有意义的新关系、趋势和模式的过程，能够对当前或者未来的情况做出可靠的判断。

3 舰船运动状态参数和生命力指标计算中的数据挖掘方法

舰船生命力的保证就是舰船战斗力的保证，实时掌握舰船相关信息对保证舰船生命力来说至关重要，无论是动态信息还是静态信息，如舰船的浮性和稳性，这是舰船必须具备的两个最基本的性能。需要运用数据挖掘技术，对各类险情相关数据信息进行定性、定量分析，从而准确预报险情。

船舶横倾运动是一个复杂的时变非线性过程，它随各种航行条件以及时变环境因素而变化。鉴于船舶鳍系统存在不确定性，需要对系统进行补偿。Sun M［13］应用径向基函数（Radial Basis Function，RBF）神经网络来估计不确定性，RBF 神经网络属于前馈式神经网络，可以在线识别系统模型错误，从而可以保证闭环系统的稳定性。仿真结果表明，控制策略的设计可以有效提高舰船防侧倾效果；同时Yin J C［14］也利用离散小波变换（DWT）方法与变结构径向基函数相结合的方法，实现了精确的船舶侧倾实时预测。Yin J C［15］等提出了基于在线序贯极限学习机（OS-ELM）的灰色预测模型，该模型能够以极快的计算速度准确地生成侧倾角预测。此外Gunnu G R 等［16］在研究中将多层神经网络选择为网络模型，在操作参数和静态横倾角之间建立了基于人工神经网络的功能关系，借助合适的船载监控系统获得训练数据，进行神经网络训练，该结果表明，人工神经网络可以根据操作参数准确估计静态横倾角，因此，提出的数学模型可用于评估预测锚固期间的船舶稳定性。

由于非线性和环境的不确定性，船舶转向控制器的设计是一项长期挑战，这与船舶安全息息相关。Wang Y 等［17］设计了一种基于扩展卡尔曼滤波器（EKF）训练的径向基函数神经网络控制算法的智能自动驾驶仪。研究表明，所开发的控制系统在存在环境干扰的情况下可用于船舶的运动控制。Naoki Mizuno［18］提出了一种基于非线性最优反馈控制器的自动泊船系统。该方法将递归神经网络用于非线性最优反馈控制器，以适应不同的泊位距离和扰动等实际工况。Kosmas O T［19］提出了一种基于模拟退火的算法，在考虑船舶安全性的前提下，可通过最小化成本函数（确定航程时间和航程舒适度的加权总和）来确定最佳船舶路线。

水面舰艇的抗爆炸，抗撞击能力直接影响舰艇的生命力和攻击能力，是衡量水面舰艇作战性能的重要指标之一。概率神经网络结合径向基函数神经网络和经典概率密度估计原理，是基于统计原理的前馈神经网络，它的非线性学习过程可以用线性学习算法来实现。其结构简单和分类准确度高的优点使其特别适合描述船舶冲击环境的高度非线性特征。因此，Guo J［20］基于概率神经网络研究了水下非接触爆炸作用下水面舰艇的冲击环境。建立并训练的概率神经网络模型对未知船舶的撞击环境预测具有参考价值。

以上均是关于舰船运动状态参数和生命力指标计算中的数据挖掘方法的相关研究，上述研究对保证舰船生命力有较大贡献。

4 舰船安全风险评估与预测模型中的数据挖掘技术

保障生命力的同时也需要对各类事故能否发生做出风险预测，仅通过船员的经验和直观感受以及传统的设备已不足以满足要求，我们需要在各类风险预测模型中更多的应用人工智能的技术。在舰船运行过程中，有大量的数据产生，这些数据往往是动态的、迅速变化的，所以我们需要应用数据挖掘的技术对这些数据进行处理，实现舰船安全风险评估和预测。国内外许多学者都对基于神经网络的数据挖掘技术进行了研究。

文献［21～22］都是利用反向传播神经网络或者称误差逆传播神经网络（后面简称BP网络）来实现舰船的安全风险评估与预测。张慧［21］分析船舶航行风险要素，并结合风险内涵，综合考虑多项致灾的因素，构建舰船航行倾覆风险评价体系，最后根据BP 神经网络原理构建船舶倾覆风险的结构，利用Matlab 实现了BP 神经网络的训练和拟合，可以用来预测计算大样本的船舶倾覆风险值。同样Wang Y F［22］等提出了一种新的船舶量化风险评估框架，开发了BP 神经网络模型来估计不同碰撞后果的概率，并通过将碰撞概率与相应后果进行积分来预测碰撞风险。此外Hai Zhou［23］等利用BP 神经网络来预测未来舰船航迹，有效保证舰船安全稳定的运行。BP 神经网络在自学能力、非线性问题的处理能力方面具有显著优势，但存在收敛速度慢，容易陷入局部最小的缺陷。

卷积神经网络是具有深度结构的前馈神经网络，具有很强的表达能力和学习能力。卷积神经网络被广泛应用于图像处理，计算机视觉，语音识别与目标检测等。尤其是图像、视频和语音领域效果卓然。Zhang W［24］提出了一种基于卷积神经网络和图像识别的新方法，以解释和分类遇到不同情况下的船舶碰撞风险。研究表明基于卷积神经网络的模型可以快速、准确地解释根据来自自动识别系统的数据在碰撞风险方面构建的图像。

前面提到径向基函数神经网络也是一种前馈型神经网络，可以认为它是一种通过改变神经元非线性系变换函数的参数以实现非线性映射，并由此而导致连接权值调整的线性化，从而提高学习速度的神经网络，特点是学习速度快，所以近年来在数据挖掘中受到重视，特别是在支持向量机理论（Support Vector Machine，SVM）的应用和研究逐步深入之后［25］，在舰船安全风险评估也有一些关于支持向量机理论的应用，例如Zheng K［26］提出了一种基于支持向量机（SVM）技术的船舶碰撞风险定量评估算法，并通过仿真研究检验了这种方法的有效性。仿真研究表明了新的风险评估算法的优势，可以克服常规风险评估方法的某些弱点。另外径向基函数神经网络还在提高舰船生命力方面有应用，也在上文提到。上述神经网络均属于前馈式神经网络，是一种最简单的神经网络。

Hopfield 神经网络是反馈型网络的代表，具备连续性和精确定位的特点。针对非线性时变系统具有复杂的非线性时变动态特性，李鸿鹏［27］研究了基于Hopfield 神经网络的建模方法，给出了几类Hopfield 神经网络的逼近定理及其相应的辨识算法，可以用于非线性系统的建模与辨识中比如木材干燥建模过程，纤维板热压传热过程中的导热问题等，这对舰艇火灾的预防有借鉴意义。Lúcia Moreira［28］等提出了一种基于人工神经网络的时域技术，根据船舶运动可以预测波浪引起的船体弯曲力矩和剪切力，从而获得了一种在船上使用的快速船体监测工具。

自组织神经网络是一类无教师学习的神经网络模型，这类模型大都采用了竞争学习机制。蒋丰等［29］针对舰艇生命力分析中评估舰艇系统冲击损伤的传统方法的一些不足之处，提出了一种新的舰艇系统冲击损伤决策方法。它利用自组织映射神经网络的聚类功能，将舰艇系统在冲击环境中的损伤程度评估作为一个分类问题进行处理，在不需要学习样本的情况下建立了预测舰艇在冲击荷载作用下生命力分类模型。此外，史光宝［30］在分析研究预警理论的基础上，借鉴其在其他领域应用的经验，将预警理论运用到海上安全领域，进行海事预警的探索性研究，运用重复传播模型（Counter Propagation Networks，CPN）建立了海事预警分析模型，利用渤海水域客船的数据对模型进行了验证分析。

以上研究都是在风险预测模型中基于神经网络的数据挖掘，都可对各类风险判断提供高效有用的数据支撑。

5 智能化舰船损管辅助决策中的数据挖掘技术

结合风险评估进行辅助决策，智能化舰船损管辅助决策是我们需要达到的最高目标。完好的数据处理对辅助决策有很大的用处，在舰船受到平时或战时的损害时，我们会接受到海量的信息反馈，这使我们需要有效的数据挖掘技术提炼出有用的数据，基于有效数据支撑的辅助决策将会使舰船的损管行动事半功倍。

火灾探测是火灾预防的关键环节，舰船发生火灾时，它的发展与起火舱室结构，舱室与各类管路分布，燃烧物种类等密切相关，其造成的结果就是船舱温度升高，烟雾和有毒气体排放，舰艇结构材料性质变化。因此监测的数据往往也是来自温度的变化，气体和烟雾的产生，火灾产生时的红外辐射信号，热辐射和烟雾图像等［31］。林高华［32］发展了一种基于不规则运动区域动态纹理烟雾探测算法，首先提出并发展了合成烟雾图像生成训练数据的方法，然后合成烟雾图像进行了基于二维卷积神经网络的烟雾探测研究，并继续发展了一种基于三维卷积神经网络的视频烟雾识别方法，设计相应的视频烟雾探测系统。为视频烟雾探测技术走向实际应用提供理论和技术支撑；同样徐高［33］在火灾烟雾图像识别中，研究发展了基于深度域适应的烟雾图像分类模型。

舰船破损进水时，受损位置，大小及进水规模，航向航速等特征会对舰船浮性、稳性造成重要影响，这些可通过液位测量仪，舱室可视化系统，舰船破舱稳性实时计算系统等得出数据和图像［34］。

之前我们已经提到舰船的自动目标识别对舰艇安全有重大意义，而图像分割是自动目标识别应用的关键步骤［35］。它通常用于将目标与其周围的背景分开以执行目标识别。在大多数情况下，是舰船的自动目标识别是使用红外图像，红外图像可以缓解计算机视觉中的一些问题，例如阴影的存在和照明的突然变化。然而，红外图像本身存在挑战，这些挑战使红外图像中的舰船目标分割变得困难。为了解决该问题，在基于神经网络的现有方法中，通常利用Hopfield 神经网络进行图像分割［36］，但Hopfield 神经网络的一个已确定问题是难以选择惩罚参数，尽管已经提出了一些标准来解决该问题，但它们很耗时。DZLAC 等［37］对它改进了一些，提出了一种全局背景减法滤波器（GBSF）来抑制背景，以及一种自适应行均值减法滤波器（ARMSF）来增强目标。该方法有效地分割了红外图像中来自不同背景的不同尺寸的舰船目标。此外Chen Z［38］提出了一种新颖的混合深度学习方法，该方法结合了改进的生成对抗网络和基于卷积神经网络的检测方法，用于小型舰船检测，有效的解决了传统基于舰载雷达的物体检测技术不适合进行近距离和小型船舶检测的问题。Shuai Zhang［39］提出了一种基于模糊精确更新的对称自适应共振理论模型（Adaptive Resonance Theory，ART）的红外弱光目标检测方法，该方法可以在各种情况和目标下进行。在变化的光照，连续的云，破碎的云，大海和复杂的地面的天空背景下进行实验。实验结果表明，该方法可以更好地增强目标，消除干扰。Zhu X［40］开发了一个三层反向传播神经网络，该网络使用从导航器收集的调查数据进行训练，表达可见性和船舶操纵性的影响，并对各种情况做出快速反应。

此外Zhang Y［41］等提出了基于频率变化的BP神经网络智能方法，可以很好地定位和量化船舶结构的损伤。Allouche M K 等［42］使用基于自组织特征映射网的方法解决了战时对舰船受到鱼雷（反潜战），其他舰船（反水面战）或敌机（反空战）发射的导弹的各种威胁进行优先级划分和分类的稳定性问题。

上述是基于数据支撑的辅助决策技术的相关研究，结合风险评估进行智能化的损管辅助决策来保障舰船生命力是我们的最高目标。

6 数据挖掘新技术在舰船安全领域的前沿发展

为了更好地开展舰船安全技术研究，准确进行生命力评估、风险预测以及损管辅助决策等，我们还有必要谈一谈深度学习算法，深度学习是机器学习（Machine Learning，ML）领域中一个新的研究方向，是源于对神经网络的进一步研究，它与神经网络模型密切相关。

国防大学的陶九阳等［43］提到，智能态势感知理解和自主决策是目前人工智能亟待解决的领域，是通向真正意义的智能化战争的关键一环。AlphaGo 的成功极有可能带来这类智能军事决策的突破。这其中就不乏在船舶安全技术中智能化决策的参考。不久，在2020 年8 月［44～45］，美国国防高级研究计划局（DAPRA）的战略办公室（STO）主持的一场令人瞩目的人机模拟空战-“阿尔法狗斗”（AlphaDogfight）比赛中，以赫伦系统公司（Heron Systems）的AI 算法5：0 完胜了F16 飞行教官Banger，也验证了现代战争演变为包含更多的人机协同甚至是无人系统的自主决策趋势不可阻挡。

这对舰船安全领域相关技术有不少的借鉴意义。例如在防撞决策方面［46］，诸如神经网络和模糊逻辑之类的人工智能方法已应用于该问题。如今，船员可以通过雷达，自动识别系统（AIS）和其他系统获取周围船只的交通数据。然而，与预期相反，过多的信息会分散官员的注意力，并经常导致错误的决策，目前已经可以通过使用深度学习结合其他算法提高船舶的自动化程度来有效地减少大量的碰撞［47～48］。

7 结语

通过上述探究分析，无论是在船舶目标和航迹的识别——用于防撞防搁浅，火灾和破损进水的识别，稳性和浮性的预测，还是对舰船安全有影响的损害和威胁进行及时而精确的类型、等级的划分等方面，利用神经网络技术进行数据分析与挖掘在目前国内外都取得了一些进展。但是相关的应用开发还具有很大空间，从当前的情况出发，可以从两个方面进行考虑，能够在提升舰船安全性，保障舰船生命力上提供重要思路。

一方面是舰艇无人化。无人水面舰艇将对现有的安全技术会产生重要革新，由于人为失误可能是许多海上事故的成因［49～50］，同时保障舰船人员生命安全是大多数舰船安全技术首要考虑的因素，因此通过操作海上无人水面舰艇或者是无人水面舰艇自主操作可能比传统的载人舰船更安全。即使发生事故，更少的船员或无人驾驶船也可能导致更少的死亡和伤害［51］。因此这项内容的发展会让现有舰船安全相关技术遇到的许多问题得到很大程度上的解决。

但是在安全方面，无人舰艇目前也还存在一定的问题。比如战时网络保障，能否应对敌方的网络攻击；对于有人操作的无人艇如何避免人为失误的影响；在设备故障时如何保证无人舰艇的安全返航；尤其是无人驾驶的船舶对潜在事故的反应仍不确定，尚不能证明它在气象海洋状况不好时在面对有人船，或者海上小型物体能够正确检测和识别、安全操纵来避免发生碰撞，这些方面还缺乏比较系统的研究［52］。

另一方面是改善或者提出新的神经网络模型或算法来解决舰艇安全技术中的数据挖掘问题。比如利用红外图像、遥感图像、雷达图像、声纳图像等进行水面及水下目标识别的综合判断，对其他多个航行船只的航迹预判，舰艇遭遇火灾、爆炸冲击、破损进水时进行完善的辅助决策等。

因为基于上述分析，在舰艇安全中我们对学习数据，分析数据的方法不论是采用哪种神经网络模型，目前基本上都是这样一个过程-建立模型，选择算法从而进行预先学习。这也许可以取得不错的效果，但是也要知道，这个世界不是一成不变的，人类学习有一个关键特征：对不断变化的任务和连续的经验具有鲁棒性［53］，这也是现代神经网络的局限性，从上世纪各类神经网络模型概念提出发展到如今［54～56］，其内容已经得到极大丰富，尤其是以深度学习得到深度神经网络为代表的新一代神经网络技术也彰显了这一领域强大的生命力，这对于将舰艇安全技术的数据挖掘是一个很好的启示，或许可以基于此方向开发更多基础性的神经网络算法作支撑。在舰艇安全领域如果对于基于神经网络的数据挖掘有更大野心，在未来应当将目光放在舰船的自动化系统能够在自主模拟的动态环境中，自主地学习、持续地学习以到达“终生学习”的目标，摆脱平时训练所难以实现的情况，从而准备好趋于完善的战时应对方案［56］。