CBR船舶避碰决策系统聚类检索的设计

《自动化技术与应用》２　０　０７年第２　６卷第７期　计算机应用　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　

Ｃ　Ｂ　Ｒ船舶避碰决策系统聚类检索的设计　李楚刚　，吴　唏２，朱正中３　（１．海军兵种指挥学院研究生队，广东广州５１０４３１；２．海军兵种指挥学院水面舰艇航行与操纵教研室，广东广州５１０４３１；　３．中国人民解放军９１９５９部队，海南三亚５７２０００．）　

摘要：通过在ＣＢＲ船舶避碰决策系统检索过程中引入ＡＲＴＩ神经网络聚类模型，设计ＣＢＲ系统”子库索引＋ＡＲＴＩ聚类”的二级　检索机制，可以控制检索获得的相似案例集案例数量，提高系统的运行效率。　关键词：ＣＢＲ；案例检索；ＡＲＴ１　聚类。　中图分类号：ＴＰＩ８３　文献标识码：Ｂ　文章编号：１００３　７２４１（２００７）０７　００３４　０３　

Ｃｌｕｓｔｅｒｉｎｇ　Ｒｅｔｒｉｅｖｅ　Ｄｅｓｉｇｎ　ｏｆ　ｔｈｅ　ＣＢＲ　Ｓｈｉｐ　Ｃｏｌ　ｌ　ｉｓｉｏｎ　Ａｖｏｉｄａｎｃｅ　Ｓｙｓｔｅｍ　ＣＨＵ　Ｇａｎｇ・ｌｉ　．ＸＩ　Ｗｕ２，ＺＨＥＮＧ　Ｚｈｏｎｇ－ｚｈｕ　（１．２．ＮａｖｙＡｒｍｓＣｏｍｍａｎｄＡｃａｄｅｍｙ，ＧｕａｎｇＺｈｏｕ５１０４３１Ｃｈｉｎａ；３．Ｕｍｔ９１９５９，ＰＬＡ．）　Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｉｎｔｒｏｄｕｃｅｓ　ａｎ　ＡＲＴ　１　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｃｌｕｓｔｅｒｉｎｇ　ｍｏｄｅｌ　ｉｎ　ｔｈｅ　ｒｅｔｒｉｅｖａｌ　ｐｒｏｃｅｓｓ　ｏｆ　ｔｈｅ　ＣＢＲ　Ｓｈｉｐ　Ｃｏｌｌｉｓｉｏｎ　Ａｖｏｉｄａｎｃｅ　Ｓｙｓｔｅｍ．Ａ　ｔｗｏ　ｓｔａｇｅ　ｒｅｔｒｉｅｖｅ　ｍｅｃｈａｎｉｓｍ　ＣＳｕｂ—Ｃａｓｅｂａｓｅ　Ｉｎｄｅｘ＋ＡＲＴ１　ｃｌｕｓｔｅｒｉｎｇ”）ｏｆ　ＣＢＲ　Ｓｙｓｔｅｍ　ｉｓ　ｐｒｏｐｏｓｅｄ．　Ｋｅｙ　ｗｏｒｄ：ＣＢＲ；ｃａｓｅ　ｒｅｔｒｉｅｖｅ；ＡＲＴ　１；ｃｌｕｓｔｅｒｉｎｇ　ｒｅｔｒｉｅｖｅ　

１引言　基于案例推理（Ｃａｓｅ　Ｂａｓｅｄ　Ｒｅａｓｏｎｉｎｇ，ＣＢＲ）技术通常　可以用”４Ｒ”循环来表示，即检索（Ｒｅｔｒｉｅｖｅ），复用（Ｒｅｕｓｅ），　修正（Ｒｅｖｉｓｅ）和存储（Ｒｅｔａｉｎ）。其中检索是ＣＢＲ推理的核心　环节，直接影响ＣＢＲ推理的效率和质量，同时检索出来案例的　质量好坏决定着案例重用与修改的难易。在ＣＢＲ船舶避碰决策　系统中，检索可以被划分为两个阶段，即相似案例集的检索和最　佳案例的匹配计算。　目前常用的检索匹配方法有最近邻法（Ｋ～Ｎｅａｒｅｓｔ　Ｎｅｉｇｈ－　ｂｏｒｓ　ｍｅｔｈｏｄ，Ｋ－ＮＮ），归纳索引和知识导引法等【１］。其中Ｋ—　ＮＮ法由于概念清晰、计算简便而在ＣＢＲ系统中被普遍采用，　ＣＢＲ船舶避碰决策系统中即采用了这种方法＿２］。但Ｋ—ＮＮ法在实　际应用中存在着两个不可回避的问题，其中一个就是其检索匹配　时间随案例数目呈线形增长。船舶避碰案例库是一个大型复杂的　案例库，Ｋ—ＮＮ法的这个问题严重影响了系统的检索效率。本文　针对ＣＢＲ船舶避碰决策系统案例库的案例描述和案例存储组织　的特点，在案例库分类索引的基础上，将神经网络技术引人ＣＢＲ　收稿日期：２　０　０　７—０１—２　９　推理系统，运用自适应共振神经网络ＡＲＴ１模型的聚类能力来有　效的缩小相似案例的空间，提高系统检索匹配的运行效率。　

２系统的案例库设计［。］　ＣＢＲ船舶避碰决策系统从完整描述避碰过程和方便案例使　用的角度出发，将每个避碰案例分成三部分进行表示，即案例　静态信息、案例动态信息和案例结论信息。案例静态信息包含　案例中的船舶信息和环境信息，动态信息包含与会遇状态、船　舶行动相关的信息，结论信息包含案例的后果、判决、经验教　训方面的信息。　对于避碰案例的组织，系统案例库采取了分类存储的方式。　从各案例避碰行动之间的可借鉴性和案例的重用角度出发，选取　案例中会遇水域、船舶类型和会遇局面三个关键特征项作为分类　依据，将所有案例以三级子库的形式组织起来，使得具有借鉴作　用的案例基本都存放在同一个子库里。　在进行案例检索时，．以输入案例的三个关键特征项作为索　引，可直接得到输入案例的相似案例子库。但是每个子库内案例　的数量仍然较多，再加上每个案例中往往包含有多个会遇状态的　动态信息，因此如果对子库里的案例进行筛选，压缩相似案例集　包含的案例数量，可以减轻系统匹配计算的工作量，提高系统的　

维普资讯 http://www.cqvip.com 计算机应用　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　《自动化技术与应用》２００　７年第２６卷第７期　

运行效率。系统通过引入ＡＲＴ１网络聚类模型来实现这个目标。　首先，案例子库使用ＡＲＴ１网络对所属案例进行聚类学习，根据　案例动态信息的差异将案例分成数组；当输入案例索引得到其相　似案例子库后，通过ＡＲＴ１网络的识别可得到其分组，该组案例　即为输入案例的相似案例集。　

３基于ＡＲＴ１的聚类检索［４］［５］　ＡＲＴ神经网络基于自适应共振原理，属无教师监督自组织　学习网络，具有很强的聚类能力。它利用输入模式与输出模式的　共振来建立模式联想匹配，具有对输入信息进行自组织的聚类能　力，而且在学习新知识的同时不会破坏已学知识。ＡＲＴ１网络通　常有两层，其网络基本结构如图１所示【　。　３．１案例特征编码　ＡＲＴ１网络要求的输入为由０和１组成的二进制特征向　量，因此必须对网络的输入层向量（即案例特征）进行预先编　码。案例特征项一般可分为字符型和数字型，对数字型需进行　区间化处理，即将可能取值范围分成若干区间。这样案例的所　有特征项就可统一表示为特征及其有限个可能取值集，可表　示为　擀　－÷｛　，　…．，　｝。每个特征项的可能取值数为该特征　项编码的长度。当特征项取某个值时，该位置上的码位为１，而　其他位置上的码位为０。如特征项ａＳ的编码为：　：　，．．，　…ｖｊ，　当ａＳ取Ｖｉ值时，其特征编码为｛０＇０，…，１…．，０｝。将所有特征项的　编码串接在一起即构成整个案例的特征编码。案例特征编码的长　度１＝∑Ｎｖ。，Ｎｖｉ为第ｉ个特征项的可能取值数，ＣＮ为案例特征　总数。经过编码，每个案例都表示为由０和１组成的特征向量Ｘ。　３．２　ＡＲＴ１网络的运行过程　ＡＲＴ１的网络结构分为输入层和输出层，输入层单元数为案　例特征向量的维数脚，输出层单元数为聚类的组数妇。网络的运　行过程分为四个阶段，即初始化、识别、比较和更新阶段：　（１）初始化阶段：　首先对自下而上的权矩阵元素　、自上而下的权矩阵元素　，　赋初值，即：　＝ｌ／（１＋　，　＝１；Ｖｆ∈｛Ｌ嘲，　∈ｆ１，ｎ｝　（２）识别阶段：　初始化后即可输入新的特征向量Ｘ，然后计算输入的二进制　向量对输出层单元的刺激水平，即输入矢量与自下而上权矢量的　加权和：　二　Ｙｊ　∈ｆ１，，２｝　

在这些输出中，只有最大的ｙｊ进行第三阶段的比较，即：　ｙｊ　＝　｛ｙＪ｝　（３）比较阶段：　计算对应于ｊ的相似系数　，与警戒参数　比较：　

∑　Ｓ，　＝｝　∑Ｘｉ　ｉ＝１　如果　，则匹配成功，转入下一阶段；否则匹配失败，使　

该单元无效，并进行下一个　计算。如果该特征向量（案例）不属　于任一现有组别，则生成新的组。　（４）更新（学习）阶段：　当匹配成功时，应对相应的ｊ单元所对应的权值进行更新，　即计算：　

ｔｉｊ（ｔ＋１）＝ｔｏ．（ｔ）ｘ￣　（Ｈ１）＝—　譬　Ｖｉ∈｛１，ｍ｝　’　ｏ．５＋∑ｔｏ（ｆ）　

ｌ　（５）重复上述过程，直到所有特征向量输入完毕。　

由ＡＲＴ１网络的运行过程，可知这是一种陕速学习算法，并　且是边学习边运行，所有样本（特征向量）输入一次即可完成网　络的学习。网络每个输出的自上而下权值矩阵元素骧示了该组　案例的共同特征。ＡＲＴ１聚类的组数可通过其警戒参数　调节。　

一般而言，警戒参数越大，形成的聚类组数越多，案例间的相似　度越高。反之，聚类组数少，案例间相似度低。目前理论上还没　有方法由聚类组数反推警戒参数，通常采用的方法是试算。　

４系统的聚类检索设计　ＣＢＲ避碰决策系统为达到对案例完整描述的目的，对案例　采取了”静态＋动态＋结论”的描述方法。在ＣＢＲ系统中，”结　论”部分是系统重用和修改的对象，要重用、修改哪个案例的”　结论”是通过对”静态＋动态”的检索匹配来确定的。从海上避　碰操纵实践来看，船舶驾驶人员在需要做出避碰决策时，最先考　虑和考虑最多的是当前的会遇状态，也就是案例中的”动态信息　”部分，其次再考虑环境、船舶等因素，然后参考已有知识或借　鉴经验教训，组织出与当前”人一船一环境”情况最为匹配的结　论，最后做出决策。整个决策过程最重要的前提是当前的”动态　信息”，其信息量也最大，因此在决策系统案例库子库索引的基　础上，对案例的”动态信息”进行ＡＲＴ１聚类检索，建立起”子　库索引＋ＡＲＴ１聚类”的二级检索机制，即可以保证检索的有效　性，达到对相似案例集的筛选目的，又可以精简聚类的输入层向　量维数，提高聚类检索的速度。　下面以开阔水域两艘机动船交又会遇，本船为让路船ｌ青况　为例，阐述系统的聚类检索：　案例的动态信息特征向量可归纳表示为：　ｘ　＝｛０，ｄ，ＤＣＰＡ，ＴＣＰＡ，ｋ｝　其中，　一～来船相对方位，　

ｄ一一来船距离，　ｋ一一我船与来船航速比。　

维普资讯 http://www.cqvip.com