孫天馳,姚登凱,趙顧顥,馬嘉呈

空軍工程大學(xué) 空管領(lǐng)航學(xué)院,陜西 西安 710051

基于粗糙集與BP神經(jīng)網(wǎng)絡(luò)軍航飛行風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)

孫天馳,姚登凱,趙顧顥,馬嘉呈

空軍工程大學(xué) 空管領(lǐng)航學(xué)院,陜西 西安 710051

為準(zhǔn)確高效地預(yù)測(cè)現(xiàn)行軍航飛行風(fēng)險(xiǎn)等級(jí)，本文利用相關(guān)歷史數(shù)據(jù)，提出一種基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的軍航飛行風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)模型。首先根據(jù)人-機(jī)-環(huán)-管理論并咨詢(xún)專(zhuān)家，建立軍航飛行風(fēng)險(xiǎn)原因?qū)傩灾笜?biāo)體系，然后利用粗糙集刪減體系中冗余的原因?qū)傩裕_定造成軍航飛行風(fēng)險(xiǎn)的主要因素，據(jù)此構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型并對(duì)訓(xùn)練中的軍航飛行風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)。預(yù)測(cè)結(jié)果表明，該模型能夠準(zhǔn)確有效地克服由于過(guò)多風(fēng)險(xiǎn)因素干擾以及主觀臆測(cè)對(duì)軍航飛行風(fēng)險(xiǎn)的影響。

粗糙集;神經(jīng)網(wǎng)絡(luò);軍航飛行;風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)

軍航飛行安全事關(guān)重大，一旦發(fā)生諸如危險(xiǎn)接近甚至空中相撞的飛行事故很可能會(huì)造成大量人員傷亡和巨量的經(jīng)濟(jì)損失。因此在開(kāi)飛前對(duì)軍航飛行風(fēng)險(xiǎn)等級(jí)進(jìn)行準(zhǔn)確有效預(yù)測(cè)對(duì)軍航安全穩(wěn)定運(yùn)行具有重要意義。

目前，相關(guān)部門(mén)和有關(guān)軍航單位對(duì)軍航飛行風(fēng)險(xiǎn)預(yù)測(cè)高度重視并進(jìn)行了大量工作。相關(guān)研究主要包括兩類(lèi)：一是對(duì)事故進(jìn)行定性研究，例如陳東鋒等[1]通過(guò)尋找軍航飛行事故之間的邏輯關(guān)系，分析軍航飛行風(fēng)險(xiǎn)的規(guī)律；二是對(duì)事故各環(huán)節(jié)原因邏輯進(jìn)行分析，辨識(shí)造成事故的主要因素，如魏水先等[2]基于HFACS模型并結(jié)合主觀評(píng)分和灰色系統(tǒng)理論建立了航空飛行事故的人為差錯(cuò)致因分析的綜合分析模型，對(duì)人為原因等因素進(jìn)行了評(píng)估。前者所需要資料的龐大并要求資料翔實(shí)可靠；后者則在較大程度上依靠人的經(jīng)驗(yàn)和知識(shí)，具有較強(qiáng)的主觀性，使分析不夠客觀。為解決這些問(wèn)題，戴蓉[3]等構(gòu)建了基于時(shí)間序列法和支持向量機(jī)的飛行事故率預(yù)測(cè)模型，克服單一和傳統(tǒng)方法的缺陷，研究了飛行事故和環(huán)境等因素之間的聯(lián)系，但是缺少對(duì)軍航飛風(fēng)險(xiǎn)的考慮，不能直接套用對(duì)軍航飛行風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。Ersin Ancel等[4]運(yùn)用面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)分析了空中相撞事故因素，這種方法能快速找到事故主要致因，不需大量數(shù)據(jù)，然而存在過(guò)多定性分析、假設(shè)和前提。

為了克服上述方法的不足，對(duì)軍航飛行風(fēng)險(xiǎn)等級(jí)進(jìn)行準(zhǔn)確預(yù)測(cè)，提出一種基于Rough Set和BP神經(jīng)網(wǎng)絡(luò)的軍航飛行風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)模型，由于造成軍航飛行風(fēng)險(xiǎn)的原因與歷史階段有緊密聯(lián)系，因此在選用歷史數(shù)據(jù)對(duì)軍航飛行風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)時(shí)要選用近年來(lái)得最新案例。根據(jù)人-機(jī)-環(huán)-管理論并咨詢(xún)專(zhuān)家，得到對(duì)軍航飛行風(fēng)險(xiǎn)造成影響的原因?qū)傩?，利用粗糙集?duì)原因?qū)傩赃M(jìn)行約簡(jiǎn)，在找到造成軍航飛行風(fēng)險(xiǎn)的主要因素的同時(shí)簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。將經(jīng)過(guò)約簡(jiǎn)的主要因素輸入神經(jīng)網(wǎng)絡(luò)并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到最終的風(fēng)險(xiǎn)預(yù)測(cè)模型。此方法解決的是由于神經(jīng)網(wǎng)絡(luò)輸入端的參數(shù)過(guò)多而造成泛化能力下降的問(wèn)題，因此利用粗糙集對(duì)冗余因素進(jìn)行刪減,以保證網(wǎng)絡(luò)的泛化能力。希望通過(guò)該模型在軍航飛行任務(wù)之前對(duì)飛行風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)，改進(jìn)造成風(fēng)險(xiǎn)的原因，降低軍航飛行的飛行風(fēng)險(xiǎn)。

1 相關(guān)理論

1.1 粗糙集理論

粗糙集理論一種處理含糊性和不確定性問(wèn)題的數(shù)學(xué)工具。粗糙集在進(jìn)行屬性約簡(jiǎn)時(shí)不需要關(guān)于數(shù)據(jù)的任何預(yù)備的或者額外的信息，與其他進(jìn)行屬性約簡(jiǎn)的方法相比較具有不可替代的優(yōu)勢(shì)，很大程度上克服了由于主觀判斷而造成的失誤。造成軍航風(fēng)險(xiǎn)的原因復(fù)雜多樣，同時(shí)對(duì)造成風(fēng)險(xiǎn)原因的分析中存在人為分類(lèi)不準(zhǔn)確、統(tǒng)計(jì)不完全的問(wèn)題，利用粗糙集可較好地找出造成軍航風(fēng)險(xiǎn)的主要原因?qū)傩?/p>

1.2 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和較強(qiáng)的魯棒性，能夠?qū)θ我獾姆蔷€性函數(shù)進(jìn)行逼近。因此，人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、計(jì)算機(jī)視覺(jué)、智能控制、信號(hào)處理、數(shù)據(jù)挖掘等方面有著廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是一種后向傳播的神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)訓(xùn)練集的學(xué)習(xí)來(lái)調(diào)整連接權(quán)值的數(shù)值，使其輸出結(jié)果不受人的主觀性的影響。軍航飛行風(fēng)險(xiǎn)和造成風(fēng)險(xiǎn)的原因?qū)傩灾g是一種非線性的映射關(guān)系，利用BP神經(jīng)網(wǎng)絡(luò)能夠找出二者之間的非線性關(guān)系，同時(shí)BP神經(jīng)網(wǎng)絡(luò)自身的自學(xué)習(xí)性、客觀性和較強(qiáng)的魯棒性有助于得到更加有效的評(píng)估結(jié)果。

2 軍航飛行風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)模型

為對(duì)軍航飛行風(fēng)險(xiǎn)等級(jí)進(jìn)行準(zhǔn)確的預(yù)測(cè)，本文提出一種預(yù)測(cè)模型，建立過(guò)程分為三個(gè)步驟。

第一步是建立軍航飛行風(fēng)險(xiǎn)原因?qū)傩灾笜?biāo)體系。依據(jù)人-機(jī)-環(huán)-管理論并咨詢(xún)專(zhuān)家，對(duì)選取的若干項(xiàng)有詳細(xì)原因報(bào)告的軍航飛行事故進(jìn)行分析，確定造成軍航飛行風(fēng)險(xiǎn)的相關(guān)因素。

第二步是利用粗糙集對(duì)相關(guān)因素進(jìn)行約簡(jiǎn)。為保證第三步神經(jīng)網(wǎng)絡(luò)的處理能力，簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，提高網(wǎng)絡(luò)的泛化能力，利用粗糙集處理冗余因素篩選主要因素的能力，對(duì)第一步中建立的原因指標(biāo)體系進(jìn)行約簡(jiǎn)。

第三步是建立軍航飛行風(fēng)險(xiǎn)等級(jí)評(píng)估模型。利用BP神經(jīng)網(wǎng)絡(luò)能夠擬合任意函數(shù)、魯棒性強(qiáng)以及客觀相強(qiáng)的特點(diǎn)，建立軍航飛行風(fēng)險(xiǎn)等級(jí)評(píng)估模型對(duì)軍航飛行風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)。

2.1 軍航飛行風(fēng)險(xiǎn)原因?qū)傩灾笜?biāo)體系的建立

造成軍航飛行風(fēng)險(xiǎn)原因是多方面的，按照人-機(jī)-環(huán)-管理論來(lái)分類(lèi)，主要原因大致可以分為四大類(lèi)：人員因素、機(jī)械因素、環(huán)境因素和管理因素。根據(jù)統(tǒng)計(jì)數(shù)據(jù)表（表1）中可以看出，人員因素占大部分，管理因素和機(jī)械故障次之，環(huán)境因素比例較小。

表1 軍航飛行風(fēng)險(xiǎn)成因表比例Table 1 Ratio of military aviation accident risk factors

從人-機(jī)-環(huán)-管理論出發(fā)，通過(guò)分析統(tǒng)計(jì)一定時(shí)期之內(nèi)的風(fēng)險(xiǎn)實(shí)例，選取具有代表性的、多種因素同時(shí)作用的飛行事故實(shí)例，并咨詢(xún)相關(guān)飛行、管制和維修等專(zhuān)業(yè)人員，篩選確定造成軍航飛行風(fēng)險(xiǎn)具有普遍影響的原因?qū)傩裕④姾斤w行風(fēng)險(xiǎn)原因?qū)傩灾笜?biāo)體系。

2.2 基于粗糙集原因?qū)傩约s簡(jiǎn)

根據(jù)所統(tǒng)計(jì)若干起軍航飛行事故實(shí)例并咨詢(xún)專(zhuān)家得到風(fēng)險(xiǎn)屬性表。規(guī)定某次風(fēng)險(xiǎn)中有某因素影響時(shí)屬性值記為1，否則記為0。在風(fēng)險(xiǎn)屬性表的基礎(chǔ)之上可以利用約簡(jiǎn)的定義對(duì)原因?qū)傩赃M(jìn)行約簡(jiǎn)并求核。但是要計(jì)算所有約簡(jiǎn)是NP完全問(wèn)題，時(shí)間和計(jì)算復(fù)雜度過(guò)高，因此利用約簡(jiǎn)的定義來(lái)求解約簡(jiǎn)是不現(xiàn)實(shí)的。本文利用分辨矩陣和分辨函數(shù)來(lái)求解約簡(jiǎn)和核。圖1為分辨函數(shù)對(duì)屬性進(jìn)行約簡(jiǎn)流程。其中S=(U,A,V,f)為信息系統(tǒng)，U為所考慮對(duì)象的非空有限集合；A為屬性的非空集合；V為屬性a的值域；f為一個(gè)信息函數(shù)；num_eve為事件數(shù)；M為分辨矩陣。

2.3 基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)的建立

建立神經(jīng)網(wǎng)絡(luò)時(shí)，輸入層的節(jié)點(diǎn)數(shù)是經(jīng)過(guò)粗糙集約簡(jiǎn)的實(shí)例的屬性維數(shù)，隱含層的節(jié)點(diǎn)個(gè)數(shù)的確定一般遵循Kolmogorov定理，滿足s=2n+1。結(jié)合經(jīng)驗(yàn)公式（1）并利用試湊法，確定第二層神經(jīng)元的個(gè)數(shù)。其中n為輸入層神經(jīng)元個(gè)數(shù)，m為輸出層神經(jīng)元個(gè)數(shù)，且m=1

圖1 分辨函數(shù)約簡(jiǎn)屬性流程Fig.1 Process of reducing attributes by resolution function

網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。圖中wij為輸入層第i個(gè)神經(jīng)元和隱含層第j神經(jīng)元的連接權(quán)值；vj為隱含層第j個(gè)神經(jīng)元和輸出層神經(jīng)元的連接權(quán)值；θ2j為隱含層第j個(gè)神經(jīng)元的閾值，θ3為輸出層神經(jīng)元的閾值；y為輸出值。數(shù)值y即為該模型對(duì)軍航飛行風(fēng)險(xiǎn)評(píng)估結(jié)果。

圖2 BP神經(jīng)網(wǎng)絡(luò)評(píng)估模型Fig.2 The assessment model of BPneural network

3 仿真實(shí)驗(yàn)及分析

為使預(yù)測(cè)結(jié)果更加能夠體現(xiàn)最近一段時(shí)間內(nèi)軍航飛行風(fēng)險(xiǎn)的特點(diǎn)，統(tǒng)計(jì)在2010～2016年間43起具有代表性的軍航飛行風(fēng)險(xiǎn)實(shí)例[5]，篩選并咨詢(xún)專(zhuān)家確定造成軍航飛行風(fēng)險(xiǎn)并具有普遍影響的17個(gè)原因?qū)傩?。圖3為風(fēng)險(xiǎn)原因?qū)傩栽u(píng)估指標(biāo)體系。

圖3 軍航飛行風(fēng)險(xiǎn)原因?qū)傩灾笜?biāo)體系Fig.3 Indicator system of military aviation accident causes

根據(jù)所統(tǒng)計(jì)的軍航飛行風(fēng)險(xiǎn)原因?qū)傩栽u(píng)估指標(biāo)體系并咨詢(xún)專(zhuān)家得到風(fēng)險(xiǎn)屬性表，見(jiàn)表2。表2中，記對(duì)某實(shí)例中有影響的原因?yàn)?，否則為0。

表2 軍航飛行風(fēng)險(xiǎn)原因?qū)傩员鞹able 2 Causes of military aviation risks

在表2的基礎(chǔ)之上利用分辨矩陣和分辨函數(shù)來(lái)求解約簡(jiǎn)和核。通過(guò)分辨函數(shù)對(duì)原因?qū)傩赃M(jìn)行約簡(jiǎn)，一個(gè)約簡(jiǎn)即造成軍航飛行風(fēng)險(xiǎn)的主要因素屬性為以下這10個(gè)因素p1，p2，p3，p4，p5，p6，p7，p8，p9，p10分別為：機(jī)組人員操作違規(guī)、機(jī)組人員操作水平、機(jī)組差錯(cuò)、管制人員工作違規(guī)、管制人員處置不當(dāng)、航空器突發(fā)故障、惡劣天氣、空域環(huán)境復(fù)雜、通信不暢和溝通交流不暢。

為避免不同原因評(píng)價(jià)標(biāo)準(zhǔn)不統(tǒng)一帶來(lái)的誤差，所以有必要對(duì)輸入的實(shí)例數(shù)據(jù)進(jìn)行歸一化處理，利用式（2）對(duì)經(jīng)過(guò)約簡(jiǎn)的屬性進(jìn)行歸一化處理。式中，pij為第j個(gè)實(shí)例輸入數(shù)據(jù)的第i個(gè)數(shù)入量；pimin為所有實(shí)例數(shù)據(jù)第i個(gè)屬性的最小值；pimax為所有實(shí)例數(shù)據(jù)第i個(gè)屬性的最大值；為歸一化之后得到的結(jié)果。

根據(jù)2.3節(jié)中的方法，確定隱含層的神經(jīng)元個(gè)數(shù)為7。設(shè)置BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)為：傳遞函數(shù)為Sigmoid函數(shù)，訓(xùn)練函數(shù)為traingdx；輸入層到隱含層的初始連接權(quán)值wij和隱含層到輸出層的初始連接權(quán)值vj為[0,1]之間的隨機(jī)數(shù)；隱含層神經(jīng)元的初始閾值θ2j和輸出層初始閾值θ3為[0,1]之間的隨機(jī)數(shù)；訓(xùn)練步長(zhǎng)為1/t，其中t為當(dāng)前訓(xùn)練次數(shù)；最大訓(xùn)練次數(shù)為500，訓(xùn)練誤差為10-4。

規(guī)定軍航飛行風(fēng)險(xiǎn)的等級(jí)中，高風(fēng)險(xiǎn)屬性值為1.0，一般風(fēng)險(xiǎn)屬性值為0.7，低風(fēng)險(xiǎn)的屬性值為0.4，無(wú)風(fēng)險(xiǎn)的屬性值為0.1。最后得到軍航飛行風(fēng)原因?qū)傩砸约暗燃?jí)數(shù)據(jù)表，表3位其中前40起經(jīng)過(guò)處理的風(fēng)險(xiǎn)事件原因?qū)傩詳?shù)據(jù)。

表3 40起軍航飛行風(fēng)險(xiǎn)事件原因?qū)傩詳?shù)據(jù)Table 3 Causal data from 40 military aviation risk accidents

利用Matlab7.11平臺(tái)進(jìn)行編程并解算，利用上述40個(gè)實(shí)例對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。圖4中網(wǎng)絡(luò)訓(xùn)練誤差曲線可以看出，經(jīng)過(guò)133次訓(xùn)練之后，BP神經(jīng)網(wǎng)絡(luò)的誤差滿足訓(xùn)練誤差的要求，認(rèn)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。從圖5中的網(wǎng)絡(luò)輸出的結(jié)果可知組樣本的輸出值與實(shí)際值相吻合，表明網(wǎng)絡(luò)訓(xùn)練完成。

圖4 網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.4 Curve of network training errors

圖5 訓(xùn)練結(jié)果分析圖Fig.5Analysis on the training results

將41～43號(hào)實(shí)例輸入訓(xùn)練完成之后的網(wǎng)絡(luò)進(jìn)行檢驗(yàn)。表4中的列出了目標(biāo)輸出和實(shí)際輸出以及二者之間的誤差值，輸出結(jié)果同真實(shí)值的誤差在1%，可以認(rèn)為此評(píng)估模型是合理的。

表4 網(wǎng)絡(luò)仿真與實(shí)際輸出結(jié)果及誤差Table 4 The results and errors of network simulation and actual output

4 結(jié)論

本文對(duì)軍航飛行風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)時(shí)，著重考慮經(jīng)過(guò)粗糙集約簡(jiǎn)過(guò)的若干個(gè)重要因素，即減少了影響因素的數(shù)量又能對(duì)近一個(gè)時(shí)期的軍航飛行風(fēng)險(xiǎn)等級(jí)進(jìn)行較為準(zhǔn)確的預(yù)測(cè)。對(duì)預(yù)測(cè)結(jié)果為高風(fēng)險(xiǎn)的飛行任務(wù)，相關(guān)人員能夠更有指向性地針對(duì)重要因素逐條進(jìn)行整改，然后重新進(jìn)行等級(jí)預(yù)測(cè)，直到所要執(zhí)行的飛行任務(wù)無(wú)風(fēng)險(xiǎn)為止，保證軍航飛行的安全。

[1] 陳東鋒,張國(guó)正,喬巍巍.軍事飛行事故致因模型構(gòu)建研究[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù),2013,9(4):135-139

[2] 魏水先,孫有朝,陳迎春.基于HFACS的飛行事故人為差錯(cuò)分析方法研究[J].航空計(jì)算技術(shù),2014(2):50-53

[3] 戴 蓉,黃 成.飛機(jī)飛行事故率預(yù)測(cè)建模與仿真研究[J].計(jì)算機(jī)仿真,2011,28(7):120-123

[4]Shih AT.Predictive safety analytics:inferring aviation accident shaping factors and causation[J].Journal of Risk Research,2015,18(4):428-451

[5] 陸惠良.軍事飛行事故研究[M].北京:國(guó)防工業(yè)出版社,2015:40-80

[6] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:高等教育出版社,2001:47-52

[7] 蘇文國(guó).空中交通管制系統(tǒng)中人為差錯(cuò)的研究[D].廣州:華僑大學(xué),2011

[8]Othman ML,Aris I,Othman MR,et al.Rough-Set-and-Genetic-Algorithm based data mining and Rule Quality Measure to hypothesize distance protectiverelayoperationcharacteristicsfromrelay[J].ElectricalPowerandEnergySystems,2011,33:1437-1456

[9]Rissino S,Lambert-Torres G.Rough Set Theory-Fundamental Concepts,Principals,Data Extraction,and Applications[M].InTech,2009:35-58

[10]ZHOU Hang,WANG Ying.Renovated method of risk warning of air-traffic control safety based on the SHEL model and neural network[J].Journal of Safety and Environment,2014,14(3):138-141

[11]GAN Xusheng,DUAN Mujingshun,CONG Wei.Analysis and Bootstrap Prediction Simulation on Inducement of Human Factor Flight Accident[J].Journal of Applied Statistics and Management,2012,31(3):484-490

Prediction for Military Flight Risk Grades Based on Rough Set and BP Neural Network

SUN Tian-chi,YAO Deng-kai,ZHAO Gu-hao,MAJia-cheng
College of Air Traffic Control and Navigation/Air Force Engineering University,Xi’an710051,China

To predict the current military flight risk grades exactly and efficiently,this paper proposed a prediction model based on the rough set and BP neural network according to the relevant historic data.Firstly,the indicator system of military flight risks was established on the basis of the living-aircraft-environment-management theory as well as proposals from experts，cut down the redundancy causes by rough set to ensure the key factors making military flight risks and established the BP neural network model and predicted the flight risk grades in training.The result showed that this model could overcome correctly and effectively the influence of excessive risk factors and subjective assumption on the military aviation risk.

Rough set;neural network;military flight;risk grade prediction

R852.82

A

1000-2324(2017)04-0606-05

2017-03-10

2017-04-20

國(guó)家空管科研課題:無(wú)人機(jī)空域運(yùn)行安全關(guān)鍵技術(shù)研究(KGKT05140501)

孫天馳(1990-),男,碩士研究生.主要研究方向?yàn)榭沼蚺c流量管理.E-mail:triplemeteornj@163.com