中国航海杂志已发表格式范文参考
1.基于驾驶员状态的动态船舶领域研究
作者：刘东琴;郑中义;谯森
作者单位：大连海事大
关键词：模糊四元船舶领域;驾驶员状态的可靠度;驾驶员状态;动态四元船舶领域
摘 要：为克服基于分析型的模糊四元船舶领域（Ｆｕｚｚｙ Ｑｕａｔｅｒｎｉｏｎ Ｓｈｉｐ Ｄｏｍａｉｎ，ＦＱＳＤ ）模型边界难以确定、考虑因素 不充分和难以用于实际等问题，增加驾驶员人为因素对船舶领域影响的考虑，建立基于驾驶员状态的动态四元船 舶领域模型，对基于分析型的模糊四元船舶领域进行改进。计算驾驶员状态的可靠度，获得船舶领域的形状函数 Ｋ值并确定领域的边界，经过计算机仿真验证模型的有效性后，得到不同驾驶员状态下的船舶领域形状。结果表 明：不同驾驶员状态下的船舶领域形状和领域面积是动态变化的，驾驶员状态为优秀时，船舶领域形状呈不规则菱 形，领域面积最小；驾驶员状态为差时，船舶领域形状近似呈矩形，领域面积最大。相比传统的基于分析型的船舶 领域，所建立的领域模型边界是动态变化的，更符合实际航行情况且灵活性更强。
船舶领域是海上交通安全研究的重要部分，在 《海上交通工程》中，将船舶领域定义为绝大多数后 继船舶驾驶员避免进入前一艘在航船舶周围的领 域［１］ 。为确定船舶领域的边界，文献［２］进行海上 交通观测，归纳出船舶领域的几何形状大致为椭圆 形，通过进一步的分析得到通常情况下船舶领域的 长轴为８． ０ 倍船长，短轴为３． ２ 倍船长。ＧＯＯＤ? ＷＩＮ［３］ 对北海南部水域的海上交通观测数据进行统 计分析，考虑《国际海上避碰规则》对船舶避让行为 的影响，建立开阔水域的船舶领域模型为３ 个面积和大小不同的扇形合成。ＤＡＶＩＳ等［４］将ＧＯＯＤＷＩＮ 模型的３个扇形面积相加并用１个面积相等的圆代 替原来的领域模型，将圆心置于左下方，使３个扇形 能保留平滑边界前的大小比例。早期的船舶领域研 究的主要方法是交通观测和数理统计，ＳＺＬＡＰＣ? ＺＹＮＳＫＩ等［５］将这种领域归纳为经验型的船舶领 域。随着信息技术的发展，船舶自动识别系统（Ａｕ? ｔｏｍａｔｉｃ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｓｙｓｔｅｍ，ＡＩＳ）可获得比雷达更 为丰富的数据源，这种经验方法仍在继续使用。 ＺＨＡＮＧ等［６］ 对船舶周围水域进行网格划分，然后利 用ＡＩＳ数据计算各时刻船舶的网格密度，确定不同类 型船舶的船舶领域形状和大小。文献［７］通过对ＡＩＳ 数据的统计分析，确定了船舶领域的形状是一个椭 圆，其半轴半径分别为０． ９０ ｎ ｍｉｌｅ和０． ４５ ｎ ｍｉｌｅ。
在经验型船舶领域研究的基础上，分析型船舶 领域的研究得到了发展，主要的代表是模糊船舶领 域。如：ＺＨＡＯ 等［８］对ＦＵＪＩＩ、ＧＯＯＤＷＩＮ 和ＧＯＬＤ? ＷＥＬＬ的船舶领域模型进行批判性分析，并引入模 糊领域，与清晰的领域不同，模糊领域可在不同的安 全级别之间变化；ＷＡＮＧ［９］构建完整的基于分析型 的船舶领域模型，提出模糊四元船舶领域（Ｆｕｚｚｙ Ｑｕａｔｅｒｎｉｏｎ Ｓｈｉｐ Ｄｏｍａｉｎ，ＦＱＳＤ ），模型大小由４ 个半 径（前、后、右舷和左舷）确定，形状由另一个索引参 数建模。ＦＱＳＤ的优点在于模型考虑船舶速度、一定 的船舶操纵和船长。该方法不需要大量数据，不受 水域类型和特定水域的影响。但模糊四元船舶领域 模型缺乏对驾驶员人为因素的考虑，其得到的是一 个“期望的船舶领域”。
船舶发生会遇时，驾驶员会采取避碰操纵来保 证本船的领域范围不被他船侵犯，故驾驶员对船舶 领域形状的影响不可忽视，驾驶员的操纵决策受到 驾驶员状态的影响，因此，船舶领域的形状是动态变 化的，但在基于分析型船舶领域的研究过程中，很少 有学者考虑到驾驶员的状态。本文将对模糊四元船 舶领域进行改进，考虑驾驶员的状态对船舶领域形 状的影响，获得不同驾驶状态下的船舶领域的形状， 最终确定ＦＱＳＤ的动态边界，动态四元船舶领域（Ｄｙ? ｎａｍｉｃ Ｑｕａｔｅｒｎｉｏｎ Ｓｈｉｐ Ｄｏｍａｉｎ，ＤＱＳＤ ）能更有效地应 用于船舶避碰决策和海上交通安全的研究。
１ 基于分析型的模糊四元船舶领域
１． １ 模糊四元船舶领域模型
ＦＱＳＤ主要的思想是船舶领域的大小由四元数决 定，即船舶前后半径、右舷和左舷半径等４ 个半径， 其半径大小考虑船舶操纵、船舶的航速和船长。模 糊四元船舶领域ＦＱＳＤ可描述为:
式（１）～式（３）中：Ｒｆｏｒｅ为船舶领域前轴的半径；Ｒａｆｔ 为船舶领域后轴的半径；Ｒｓｔａｒ为船舶领域右舷半径； Ｒｐｏｒｔ为船舶领域左舷半径；?为ｘ变量或者ｙ变量； Ｋ为船舶领域形状系数。
Ｒｆｏｒｅ、Ｒａｆｔ、Ｒｓｔａｒ和Ｒｐｏｒｔ可由船长Ｌ，船舶回旋圈中 进距ＡＤ的增益系数ｋＡＤ和旋回初径ＤＴ的增益系数 ｋＤＴ确定，解析式为:
增益系数ｋＡＤ和ｋＤＴ可根据船舶的长度和航速， 使用经验公式进行估算，解析式为
Ｋ ＝ １和Ｋ ＝ ２ 下的船舶领域模型见图１。图１ 中：在Ｋ的取值不同时，所得到的领域大小和形状 都有所不同，当Ｋ ＝ ２时，得到的模型是传统的四元 船舶领域，当Ｋ ＝ １ 时，得到ＦＱＳＤ的最小边界，即此 时的船舶领域模型是最小的船舶领域模型。对于模 糊船舶领域而言，其领域边界是模糊的，并且领域的 形状会受到驾驶员状态的影响。
本文将通过对船舶 驾驶员驾驶状态因素的综合考虑求取Ｋ的动态值， 确定模糊船舶领域的动态边界，最终得到动态船舶 领域。
１． ２ 模糊四元船舶领域的局限性
ＦＱＳＤ是一种基于分析型的船舶领域模型［１０］ 。 与基于交通观测数理统计或者ＡＩＳ数据所求得的船 舶领域模型不同，模糊四元船舶领域模型不是通过 在实际航行过程涉及各种影响因素作用的结果，其 模型大小需考虑船舶的长度、航行速度和一定的船 舶操纵，缺乏对船舶领域人为影响因素的综合考虑同时，模型的建立涉及多种参数，就目前而言这种领 域是比较复杂的船舶领域，其得到的是一个“期望 的船舶领域”，加上边界模糊不清，难以用于实际 航行。
１． ３ 动态船舶领域
由于船舶领域的大小和形状受到多种因素的影 响，为对模糊四元船舶领域进行改进，使其能运用至 实际避碰危险研究，在模糊四元船舶领域的基础上 建立ＤＱＳＤ模型，将Ｋ看作是与驾驶员状态相关的函 数Ｋ（Γ），其中Γ是由驾驶员状态确定的变量。船 舶领域的形状变化函数Ｋ（Γ）可确定动态船舶领域 边界。船舶领域是驾驶员避让操纵的结果，所以Ｋ （Γ）主要受驾驶员的状态（知识技能、心理素质和生 理素质）的影响。故本文所建立的动态船舶领域的 模型如下
本文将通过对船舶驾驶员状态影响因素分析， 确定动态船舶领域的形状函数Ｋ（Γ），从而得到不 同条件下的动态船舶领域的边界。
２ 基于驾驶员状态确定领域的边界形状
２． １ 驾驶员状态的可靠度计算
Ｋ（Γ）主要受驾驶员状态的影响。驾驶员状态 集合为Γ ＝ ｛δ１ ，δ２ ，δ３ ｝，其中，δ１ 、δ２ 和δ３ 分别为驾 驶员的知识技能、心理素质和生理素质的变量，０ ＜ δｉ ＜ １。驾驶员状态的权重为
驾驶员状态的可靠度计算是参考人的可靠度模型计算过程。人的可靠度模型是一种专门针对复杂系 统中人员可靠性的评估方法，旨在识别潜在的人为 错误与人为失误以及来自工作环境、系统设计和其 他因素的干扰因素［１１］ 。其解析表达式为
式（９）中：Ｅ（τ）为人为失误率，可以是常数或函数；ｔ 为时间。在本文中，取Ｅ（τ）为负指数分布概率密度 函数，负指数分布常用于可靠度分析，适用性广，在 可靠性设计中占有重要地位。负指数概率密度函数 的解析表达式为［１２］
式（１０）中：λ ＞ ０ 为模型的一个参数，常被称为率 参数。
综合式（９）和式（１０）得出可靠度模型的解析表 达式为
参考人的可靠度模型的研究方法，本文认为驾 驶员所处的情景环境和其他因素（系统设计等）是 相同的，在相同情境环境等情况下，不同驾驶员会产 生不同的驾驶状态。在此条件下，该算法可获取驾 驶员状态的可靠度与驾驶员状态之间的变化关系。 故本文将参数ｔ看作是驾驶员的状态变量ρ。ρ的 表达式
因而驾驶员的可靠度算法可表述为
２． ２ 参数估计
２． ２． １ 驾驶员状态分布
船舶驾驶员状态可靠度模型是利用负指数概率 密度函数确定的，算法中的λ控制模型的图像。在 实际驾驶过程中，驾驶员的δ１ 、δ２ 和δ３ 都服从高斯 分布，即驾驶员状态处于中等水平的偏多，驾驶员驾 驶状态分布见图２。
本文所建立的模型为驾驶员状态的可靠度随着驾驶员状态变化而变化，可靠度与 驾驶员的状态呈现负指数分布，通常驾驶员的状态 越佳，可靠度越高，驾驶员状态的可靠度与驾驶员状 态关系见图３。
２． ２． ２ 最大似然估计法
对于给定的独立同分布样本数据Ｘ ＝ （ｘ１ ， ｘ２ ，…，ｘｎ ），λ的似然函数
２． ３ 形状函数Ｋ（Γ）
船舶领域是驾驶员避碰操纵的结果，因此，动态 船舶领域的形状主要受到驾驶员状态的影响。驾驶 员的状态越好，领域所包括的范围就越小，驾驶员的 状态越差，领域包括的范围会更大一些。基于驾驶 员状态的可靠度，Ｋ（Γ）为
２． ４ 驾驶员状态权重的确定
要计算形状参数，需对驾驶员状态（δ１ 、δ２ 和 δ３ ）权重进行确定，驾驶员状态的权重向量如式（８） 所示。由于人的性格特点是比较稳定的，船舶驾驶 员的知识技能、心理素质和生理素质对形状函数的 权重是相对稳定的。因此，本文参考国际海事组织 （Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍａｒｉｔｉｍｅ Ｏｒｇａｎｉｚａｔｉｏｎ，ＩＭＯ）对人为因 素的定义和分类，提取与驾驶员状态（知识技能、心 理素质和生理素质）有关的指标［１３］ ，结合ＦＡＮ 等［１４?１５］ 所统计的２０１２ 年１ 月—２０１７ 年１２ 月期间 英国海事调查局（Ｍａｒｉｎｅ Ａｃｃｉｄｅｎｔ Ｉｎｖｅｓｔｉｇａｔｉｏｎ Ｂｒａｎｃｈ，ＭＡＩＢ）和交通安全委员会（Ｔｒａｆｆｉｃ Ｓａｆｅｔｙ Ｂｏａｒｄ，ＴＳＢ）发布的共１６１ 起涉及２０８ 艘船舶的事 故报告，得到的３２种人为错误风险因素和对应频率 的统计结果，确定人为因素权重值。
统计有关驾驶员的知识技能、心理素质和生理 素质的风险因素所造成的事故频率，归一化事故频 率作为各个指标的影响权重见表１，经计算，驾驶员 状态的权重为
３ 模型仿真
３． １ 试验场景设置
为验证所提出的动态船舶领域模型的有效性， 本文选择Ｃｏｎｔａｉｎｅｒ船舶进行仿真，试验船舶参数信 息见表２，在开阔水域中，船舶可看作以自身的设计 速度航行。同时，本文对驾驶员在航行过程中的航 行状态进行分类，航行状态分类见表３，驾驶员的航行状态（知识技能、心理素质和生理素质）可分为６ 种情况。本文所仿真的过程包括驾驶员航行过程中 由差到优秀的所有状态。
３． ２ 不同驾驶状态的可靠度仿真
通过仿真得到驾驶员状态与驾驶员可靠度模拟 结果见图４。图４ 中：驾驶员的综合状态由驾驶员 的δ１ 、δ２ 和δ３ 共同确定，驾驶员的状态越好，其可靠 度越高，当驾驶状态处于优秀时，可靠度接近于１。 船舶领域的形状参数与驾驶员状态的模拟结果见图 ５。图５中：当驾驶员的状态越好时，Ｋ（Γ）越小，这表 明驾驶员的状态越好，船舶领域的形状边界越平滑。
３． ３ 模型有效性验证
本文通过计算机仿真得到Ｋ（Γ）与驾驶员的知 识技能、心理素质和生理素质的关系，用以验证动态 船舶领域模型的有效性。
１）经研究发现，形状函数越小，船舶领域的边 界越是平滑，领域的面积越小。３ 种知识技能下的 驾驶员状态与形状函数仿真见图６。对于３种知识 技能背景下的驾驶员而言，Ｋ（Γ）都是随着驾驶员心 理素质和生理素质的增大而减小，这表明驾驶员的 心理素质和生理素质越高，对应的船舶领域面积越 小。驾驶员的知识技能在差、中等、优秀之间变化 时，Ｋ（Γ）的变化是十分显著的，这表明不同知识技 能背景下的驾驶员对船舶领域形状的影响十分显 著。同时，若驾驶员的知识技能掌握得越好，船舶领 域形状系数随生理素质和心理素质变化得越缓慢， 变化幅度也越小，当驾驶员的知识技能较差时， Ｋ（Γ）变化得最剧烈，这与船舶航行时的客观事实相 吻合。
２）３ 种心理素质下驾驶员状态与形状函数仿真见图７。驾驶员的知识技能越优，生理素质越高， 形状函数越小。当生理素质在中等和差之间时，形 状函数减小得最迅速，生理素质到中等以上后，形状 参数变化得较平缓，符合客观航行情况。驾驶员的 心理素质分别为差、中等、优秀时，形状参数的变化 幅度不同，心理素质越差，变化的幅度越大，变化速 度也越快，符合客观航行事实。
３）３ 种生理素质下驾驶员状态与形状系数仿 真见图８。形状函数随着驾驶员心理素质和知识技 能的增加而迅速减小。驾驶员的生理素质分别为 差、中等、优秀时，形状函数的变化幅度不同，生理素 质越差，领域的形状和面积变化的幅度越大，速度也 越快，完全符合客观航行事实。
综合驾驶员的δ１ 、δ２ 和δ３ 与船舶领域形状函数 的仿真结果及分析得出该模型算法与客观航行情况 相吻合，证明该模型具有很强的可行性和适用性。
３． ４ 动态船舶领域模型仿真
１）不同驾驶员的状态下船舶领域形状的变化 见图９。船舶领域的形状和领域面积随着驾驶员状 态的变化呈动态变化，驾驶员状态变差会导致船舶 领域的形状不断向外扩张，领域的面积也会越来越 大。当驾驶员状态最好时，船舶领域的形状最小。
２）５种驾驶员状态下的船舶领域形状见图１０。 图１０中：驾驶员在状态为优秀的情况下，船舶领域 是一个十分平滑的不规则菱形，此时的船舶领域最 小；驾驶员状态为中等以上时，船舶领域是椭圆形； 当驾驶员状态为差时，船舶领域形状接近于矩形，是 面积最大的船舶领域模型。
船舶领域的形状随着驾驶员的状态从差、较差、 中等、较好、良好到优秀动态变化，当驾驶员的状态 越好时，船舶领域的形状不断向内收缩，边界越来越 平滑，领域的面积也越来越小；驾驶员的状态越差， 船舶领域的形状是向外扩张，领域面积越来越大。
４ 结束语
本文在模糊四元船舶领域的基础上建立动态船 舶领域模型，根据驾驶员状态确定领域的边界形状， 在验证模型的有效性后，最终得到边界形状随着驾 驶员状态变化而变化的动态船舶领域。研究结果表 明：驾驶员的状态越佳，船舶领域的形状越向内收 缩，领域面积也越小，驾驶员状态最优时，可得到面 积最小且呈不规则菱形的船舶领域，而驾驶员状态 最差时，可得到面积最大且近似矩形的船舶领域。
本文研究解决了模糊船舶领域边界难以确定的 问题，突出驾驶员对船舶领域的影响，在实际的航行 过程中可为驾驶员的避碰决策提供依据，同时也为 船舶领域的后续研究奠定基础
