基于模糊逻辑的区域船舶碰撞风险处理方法、系统和介质

基于模糊逻辑的区域船舶碰撞风险处理方法、系统和介质实质审查发明

技术领域

[0001] 本发明涉及船舶技术领域，尤其是一种基于模糊逻辑的区域船舶碰撞风险处理方法、系统和介质。

具体实施方式

[0064] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

[0065] 在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

[0066] 在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

[0067] 本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0068] 为了减少船舶发生碰撞事故，许多研究人员从各种角度对船舶碰撞风险进行了大量的研究，并取得了较好的研究成果，根据研究内容和采用的方法，可以将现有的研究分为三类：

[0069] 第一类、基于历史事故数据的船舶碰撞风险识别：基于历史事故数据的船舶碰撞风险研究主要使用历史海事事故数据与船舶发生碰撞的因素进行分析获取发生风险的概率。通过统计历史事故数据获得船舶碰撞的概率。在一些实施例中，使用两个月的数据，选取船舶会遇、风速和能见度作为控制变量使用Probit模型拟合船舶碰撞危险状态方程。在一些实施例中，使用近十年的碰撞事故数据，建立两船碰严重程度的ordered probit模型，得出瞭望失误在增加碰撞风险方面起着决定性作用。在一些实施例中，使用三个月的AIS数据利用probit回归模型计算定量计算船舶风险。在一些实施例中，使用海上事故数据和AIS数据统计分析，识别出与船舶风险相关的条件，并使用多元Logistic回归模型预测船舶风险与哪些因素相关。在一些实施例中，利用大量历史数据使用贝叶斯网络评估在不同航行环境下船舶与SOI的碰撞风险。这类研究类型需要的数据质量高，而且需要足够的碰撞事故数据才能支持研究结果的准确性。同时这类船舶碰撞风险研究方法不能实时监控船舶碰撞风险，只能对具有历史数据的海上区域的船舶碰撞风险进行评估。

[0070] 第二类、基于船舶领域风险识别：基于船舶领域的方法主要是通过以船舶为中心，外围有一圈规则或者不规则的警告线用于识别他船是否对本船造成威胁。在一些实施例中，如果仅使用船舶领域作为警告界限还是有可能造成船舶碰撞发生，并提出了Arena概念作为风险警告范围。在一些实施例中，使用模糊四元船舶领域理论检测船舶碰撞候选模型，通过判断船舶是否进去本船警戒区且有汇聚趋势进行筛选。在一些实施例中，提出一种协同船舶领域的模型，构建了两船相遇情况下的碰撞风险模型能够实时识别船舶碰撞风险。在一些实施例中，建立船舶桥碰撞的模糊四元船舶领域来描述桥区附近风险情况。在一些实施例中，介绍了船舶领域是如何进行风险判断和识别的。这类研究方法主要是从单船角度考虑船舶碰撞风险，船舶领域的模型与船舶的动静态特征密切相关，一些场景下无法获取所有监控船舶的动静态信息，因无法建立精确的船舶领域模型，因而无法较好的适用于港口及沿海水域中的多船间的区域碰撞风险研究。

[0071] 第三类、基于避碰参数的方法：

[0072] 避碰参数的方法主要是建立船舶碰撞的数学模型。这类研究与基于历史数据分析相比，数据容易获得而且碰撞风险检测具有实时性。在一些实施例中，使用欧拉范数计算船舶碰撞风险并引入安全时间和安全距离因素。在一些实施例中，同样使用欧拉范数的形式计算碰撞风险，除了最近会遇时间DCPA和最近会遇距离TCPA的影响因素外，还有距离和船舶领域引入其中。在一些实施例中，首先对AIS数据聚类获得船舶会遇簇，使用负指数函数表示DCPA、TCPA与碰撞风险的关系。在一些实施例中，使用基于模糊综合评价方法计算碰撞风险指数，其中考虑的参数有DCPA、TCPA和距离，相对航向和速度比。由于船舶在海上航行有各种不确定的因素，因此有一部分研究人员使用概率的方法对船舶碰撞风险进行建模研究。这种方法主要是假设船舶运动不确定性服从高斯分布或者使用历史数据拟合船舶的分布情况，进而计算船舶发生碰撞的概率。在一些实施例中，利用AIS数据量化船舶轨迹不确定性，确定船舶轨迹分布的密度函数，进而预测船舶碰撞风险。其他建模方法如证据推理理论、模糊逻辑、层次分析法、速度障碍法等属于间接使用DCAP或者TCPA建模。在一些实施例中，提出了时变碰撞风险，基于速度障碍法同时考虑了多艘船舶会遇情况。在一些实施例中，使用速度障碍法并优化了之前研究人员的速度因素，更加准确的提高了碰撞风险识别准确率。这类研究考虑了船舶的动态信息，能够实时反应船舶碰撞风险，这也是近期流行的风险计算和识别的方法。但是这些研究的不足在于没有同时考虑自然环境对船舶碰撞风险的影响和船舶碰撞后果，且部分研究仅研究单船碰撞风险考虑没有考虑多船风险。当环境恶略时，多船舶的相互干扰影响可能会失控导致风险迅速增加，但是已有的模型不能解决这类情况。

[0073] 模糊逻辑具有模仿人脑的不确定性判断和推理的方式，利用人类的经验得到结果，广泛使用在海上风险评估和碰撞风险研究。因此，本实施例提出一种基于模糊逻辑的区域船舶碰撞风险处理方法。模糊逻辑借助隶属度函数概念，处理模糊关系，模拟人脑实施规则型推理。由于船舶发生风险绝大部分是由于人为因素，而且驾驶船舶经验越丰富判断和处理船舶面临的风险越自如。因此使用能够模拟人脑实施规则型推理的模糊逻辑可以进行船舶碰撞风险的预警。本实施例通过考虑模糊逻辑方法对自然环境对船舶碰撞风险的量化具有较强的优势，同时结合使用层次分析法AHP将船舶对碰撞风险合成单船的碰撞风险，提出了一种考虑环境影响的区域船舶碰撞风险的模糊逻辑模型，可以有效的融入通航环境对区域船舶碰撞风险建模的精确性和有效性。

[0074] 具体地，模糊推理模型是使用模糊逻辑制定从输入到输出的映射的过程。模糊推理模型具有两种Mamdani和Sugeno。Mamdani模糊推理具有直观的、适合人类输入和具有可解释性的规则等优点。Mamdani模糊推理可以从有经验的工人获得语言控制规则来创建控制系统的方法而引入的。模糊推理过程涉及五个步骤，分别是Fuzzify Inputs、Apply Fuzzy operator、Apply implication method、Aggregate All Outputs和Outputs Defuzzify。具体地，每个步骤的具体操作如下：

[0075] Fuzzify Inputs：模糊推理模型输入精准值，然后经过模糊隶属度函数将输入精确值映射到0‑1。映射原理如图1所示。

[0076] Apply Fuzzy operator：模糊推理模型每层输入两个变量，两个变量决定一个输出结果。每个输入变量经过模糊化之后需要使用逻辑运算符(logical operations)组合获得每条规则的权重。本实施例使用AND算子，将两个输入变量结合起来，AND算子有两种方法：Min和prod。本文选择Min方法，比如变量1的模糊值为0.7，变量2的模糊值为0.5，那么模糊AND运算符选择两个值的最小值0.5，也就是此条规则的权重为0.5，如图2所示。

[0077] Apply implication method：将输入的权重经过Min或者prod方法获得模糊集。本实施例选取min的方法进行蕴涵，即截断输出模糊集，如图3所示。

[0078] Aggregate All Outputs：由于模糊推理的是基于所有规则得出的结论，所以要对每条规则进行implication操作。因此会得到多条模糊输出集，对多条输出模糊集进行聚合操作，合成一个输出模糊集。合成方法有maximum、probabilistic OR、sum of the rule output sets。本实施例选择maximum方法，此方法是选取对应最大的模糊集，如图4所示。

[0079] Outputs Defuzzify：去模糊化是将合成的模糊集去模糊化得到精确值。去模糊化的方法有centroid、bisector、middle of maximum(the average of the maximum value of the output set),largest of maximum,and smallest of maximum。本实施例使用centroid方法，此方法根据合成模糊集的重心位置对应的x轴值。去模糊化的计算公式(1)所示，u(xi)是在论域中xi的隶属度：

[0080]

[0081] 基于上述问题和模糊化的原理，参照图5，本发明实施例提供了一种基于模糊逻辑的区域船舶碰撞风险处理方法。本实施例可应用于服务器或船舶航行管理平台的处理器。服务器或处理器均可以与各个移动终端设备进行数据交互，以及从其他网站中获取相关数据。

[0082] 在应用过程中，本实施例包括但不限于以下步骤：

[0083] 步骤51、确定船舶风险区域；

[0084] 步骤52、获取所述船舶风险区域内的船舶运动状态参数和自然环境参数，所述船舶运动状态参数包括最近会遇距离、最近会遇时间和碰撞位置；

[0085] 步骤53、将所述船舶运动状态参数和所述自然环境参数输入模糊逻辑推理模型，得到船舶之间的碰撞风险；

[0086] 步骤54、根据所述船舶之间的碰撞风险确定所述船舶风险区域内每艘船舶的碰撞风险；

[0087] 步骤55、根据所述每艘船舶的碰撞风险生成船舶碰撞风险热力图。

[0088] 可以理解的是，船舶风险区域的风险会受到沿海和港口复杂交汇水域、港口水域或者根据交通环境差异等影响。区域碰撞风险是发生会遇的船舶的碰撞风险构成的。确定船舶风险区域就是将会遇船舶识别出来并归类。船舶会遇是指船舶从各种不同的方位驶近而相遇的过程，在此过程中会遇的船舶有时不必采取任何行动即可安全驶过，也可能导致一船或两船必须采取避让行动，后者即为形成碰撞危险的一种船舶相遇情况。因此判断船舶是否会遇需要判断船舶之间的距离和至少两艘船舶。聚类算法中DBSCAN算法能够充分考虑船舶会遇的两个因素。DBSCAN是基于密度的聚类算法，具有距离和密度两个参数，密度参数可以是船舶发生会遇时的船舶数量(即区域内的船舶至少有两艘船舶)，距离参数是两船发生会遇最远距离。经过聚类获得区域，可以保证区域内部每艘船舶之间都有直接或间接的风险关系。由于船舶的运动，区域会随着时间变化而变化，与明确不变的研究区域相比，聚类后的研究区域能精确高效率的展示船舶碰撞风险情况。如图6所示，虚线圈住的部分就是船舶风险区域，经过一段时间后，船舶风险区域由图6所示范围到达图7所示范围。

[0089] 在确定了船舶风险区域后，可以获取船舶风险区域内的船舶运动状态参数和自然环境参数。其中，最近会遇时间DCPA和最近会遇距离TCPA是常用来量化船舶碰撞风险的参数，而且当两个参数都为零时一定发生碰撞。当两艘船舶发生碰撞时，碰撞的位置不同，则造成的人员伤亡和经济损失也不同。还有一些客观因素对船舶碰撞产生影响，例如，海上航行的环境因素对船舶之间的碰撞影响也至关重要。因此，本实施例将DCPA、TCPA、船舶碰撞位置、海况、风速和能见度六个因素作为船舶碰撞风险的因素。

[0090] 本实施例选取五个模糊语言变量进行量化，分别是非常小(vs)、小(s)、中(m)、高(b)、非常高(vb)对船舶碰撞风险进行描述。

[0091] 对于船舶运动状态参数种的DCPA和TCPA计算和模糊化，可以理解的是，在模糊化过程中，假设两船最近会遇时间比较小，当最近会遇距离越小时，两船之间碰撞的概率越大。同样假设两船最近会遇距离比较小，当最近会遇时间越小时，碰撞风险也越大。通过定义DCPA的五种模糊语言值：vs＝(0,0,0.3,0.6)、s＝(0.3,0.6,0.9)、m＝(0.6,0.9,1.2)、b＝(0.9,1.2,1.5)、vb＝(1.2,1.5,∞,∞)，其隶属度函数如图8所示。TCPA的五种模糊语言值：vs＝(0,0,2,4)、s＝(2,4,6)、m＝(4,6,8)、b＝(6,8,10)、vb＝(8,10,∞,∞)，其隶属度函数如图9所示。在计算过程中，船舶之间的运动状况可以通过两船的最近会遇时间(DCPA)、最近会遇距离(TCPA)和会遇的角度进行表示。为了满足风险预测的实时性，本实施例通过AIS数据处理获得两船的之间的运动情况。图10展示了两船的运动状况和之间的参数。

[0092] 为了使聚类时距离参数有实际意义，本实施例在两船之间的距离使用墨卡托距离，具体计算过程如公式(2)、公式(3)、公式(4)和公式(5)所示：

[0093]

[0094] DMP＝MPt‑MPo 公式(3)

[0095]

[0096] S＝Dlat·sec(C) 公式(5)

[0097] 其中，MP表示维度渐长率，lat表示船舶所在维度，long表示船舶所在精度，S表示墨卡托距离。

[0098] 最近会遇距离TCPA和最近会遇时间DCPA的计算过程如公式(6)、公式(7)、公式(8)和公式(9)所示：

[0099]

[0100]

[0101]

[0102] TCPA＝DCPA/vr 公式(9)

[0103] 其中，vr是本船与目标船的相对速度，vo和vt分别是本船速度和目标船速度，cogo和cogt分别为本船航向和目标船航向，为相对航向，θ为目标船的方位角。

[0104] 对于船舶运动状态参数中的碰撞位置，由于碰撞位置不易计算和预测出来，因此，本实施例建立会遇时船头夹角与碰撞的位置关系，使用会遇夹角间接推断碰撞位置。在一些实施例中，通过有限元仿真和风险评估得出碰撞后果最严重部分为船尾机舱段，其次是船中货舱段，危害最小的是船首球鼻段。本实施例通过如图11所示的典型船舶会遇态势图作为碰撞区域的界限。假设碰撞角度在112.5°～180°和‑112.5°～‑180°是碰撞船舶尾部，在±67.5°～±112.5°和±6°～±67.5°是碰撞船舶中部，在‑6°～6°是碰撞船首。定义碰撞角度模糊语言值：S＝(‑37,6,6,37)、M＝(0,±37,±67.5)、B＝(±37,±90,±112.5)、VB＝(±90,±112.5,±180,±180)，隶属度函数如图12所示。

[0105] 对于自然环境参数，通过对目前海上碰撞风险的研究和船员的自身经验进行对比，得出理论研究中自然环境条件考虑不全，但是自然环境对于真是的航海情况十分重要。对于区域碰撞风险除了区域内部船舶自身的风险情况，同时考虑不同区域的风浪条件和能见度情况。因此，本实施例计算船舶碰撞风险时考虑海况、风速和能见度的影响。

[0106] 其中，风速定义取值范围在0‑9，采用浦氏风级。本实施例使用最小风、小风、中风、大风和最大风五个用于模糊化的语言值。对于最小风和最大风使用矩形隶属度函数，其他采用三角隶属度函数。风级越大，船舶发生风险的概率越高。当风级达到7级以上时，渔船需要在港内避风，风级达到9级以上时，船舶在航行十分危险因此风级大小与风险大小相对应。规定VS＝(0,0,1,2)、S＝(1,2,4)、M＝(2,4,6)、B＝(4,6,8)、VB＝(6,8,9,9)。

[0107] 海况定义取值范围在0‑9，采用道氏波级。本实施例使用Calm、Smooth、Moderate、Rough和Very High五个用于模糊化的语言值。Calm和Very High使用梯形隶属度函数,其他使用三角隶属函数。为了简化模型，本实施例假设海况和风速对每艘船舶的作用效果一样。波级越大，对船舶影响越高。因此波级大小与风险大小相对应。规定VS＝(0,0,1,2)、S＝(1,
2,3.5)、M＝(2,4,6)、B＝(4.5,6,7)和VB＝(6,8,9,9)。

[0108] 海雾是影响海上能见度的首要因素，无论是海洋还是港口，当浓雾发生时能见度十分恶略，给航行带来大量困难和风险。即使船舶配备电子雷达等现代化导航仪器，船舶仍有碰撞等恶性事故发生。因此，能见度对航行安全的影响至关重要。雾能使水平能见度小于1km或者0.5海里，此时船舶航行处于高风险。国际海上避碰规则指出，一般认为能见度小于
5海里时就应备车，谨慎驾驶，所以此时船舶应处于中风险。在实践中，能见度下降到2或3海里时，船舶会进入一级雾航戒备，风险进一步增加。因此，本实施例规定VS＝(5,6.5,7,7)、S＝(3.5,5,6.5)、M＝(2,3.5,5)、B＝(0.5,2,3.5)和VB＝(0,0,0.5,2)。

[0109] 在获得上述船舶运动状态参数和自然环境参数，可以根据船舶运动状态参数和自然环境参数来预测船舶之间的碰撞风险，本实施例可以通过模糊逻辑推理模型进行预测。其中，模糊逻辑推理模型内设有模糊规则，模糊规则保存于模糊规则库内。因此，本实施例在应用之前，需要构建模糊规则库。

[0110] 具体地，在确定模糊规则之前需要首先确定输入变量和输出变量。由于本实施例研究因素众多，使用一个模糊推理机会产生庞大的规则库，因此将直接相互作用的因素作为一组输入变量，建立多层模糊推理系统。最终输出变量是船舶之间碰撞风险。多层模糊推理模型如图13所示。模糊规则是模糊推理模型的核心，将各种影响因素通过规则联系起来决定输出的结果。模糊规则的表达方式为“IF…THEN…”的形式。本实施例采用这种方式设置模糊规则，比如，if(DCPA is VS)and(TCPA is VS)then(ShipCondition is VB)等，部分规则如表1和表2所示。图14、图15、图16、图17和图18为模糊推理的曲线图>[0111] 表1

[0112]

[0113] 表2

[0114]

[0115] 在构建好模糊规则后，利用构建好的模糊规则预测船舶碰撞风险。可以理解的是，可以通过先构建船舶碰撞风险判断矩阵，然后根据船舶碰撞风险判断矩阵确定船舶风险区域内每艘船舶的碰撞风险。具体地，对船舶碰撞风险判断矩阵按列规范化，并对规范化后的所述船舶碰撞风险判断矩阵按行相加后得到和向量，接着对和向量进行规范化后得到权重向量，然后计算船舶风险区域内目标船舶与其他船舶的碰撞风险向量，其中，目标船舶为船舶风险区域内的任一艘船舶，船舶风险区域内的剩余船舶作为其他船舶；最后再根据权重向量和碰撞风险向量确定目标船舶的总体碰撞风险。在实施过程中，本实施例可以使用层次分析法AHP进行计算船舶权重。具体地，根据层次分析法的原理，构建判断矩阵A＝[aij]n×n。解模糊之后船舶碰撞风险范围在0和1之间。其中，aij为第i个船对本船风险对于第j个船对本船风险的重要程度，且aij>0,aij＝1,aji＝1/aij。定义解模糊之后的碰撞风为CRxy，表示x船和y船的船舶碰撞风险，则aij＝CRxi/CRxj。

[0116] 通过公式(10)对判断矩阵A按列规范化：

[0117]

[0118] 通过公式(11)按行相加得和向量Wi：

[0119]

[0120] 通过公式(12)将和向量规范化，得到权重向量

[0121]

[0122] 通过公式(13)计算簇内解模糊之后船舶x与其他船舶碰撞风险向量CRxy：

[0123] CRxy＝(CRxy1,CRxy2,…,CRxyn) 公式(13)

[0124] 通过公式(14)计算船舶x的总体碰撞风险CRIx：

[0125]

[0126] 依据次规律，可以得到船舶风险区域任意一艘船舶的总体碰撞风险，依据每艘船舶的总体碰撞风险生成船舶碰撞风险热力图，从而使驾驶人员或者管理人员可以及时掌握船舶碰撞风险情况，从而可以及时采取相应措施，以提高船舶驾驶过程中的安全性。

[0127] 综上可知，如图19所示，本实施例通过先使用聚类方法获得船舶风险区域，然后计算船舶风险区域的船舶之间相关参数和自然环境参数，将参数带入到模糊推理模型中获得船舶对碰撞风险，然后使用AHP法合成每艘船舶的碰撞风险，最终将每艘船舶的风险以热力图的形式展示，直观了解到区域碰撞风险。

[0128] 为了验证本实施例的效果，本实施例通过选取预设实际海峡的船舶AIS数据进行分析。具体地，首先使用DBSCAN聚类分析获得某一时刻的船舶风险区域作为研究区域，DBSCAN聚类需要两个参数Eps和Minpts。参数的选取决定了聚类结果的好坏，从而间接影响风险识别的准确性。本实施例采取的EPS参数是1.5nm，Minpts参数是3艘。由于不同时刻研究区域有所不同，因此，本实施例通过研究不同时刻相同参数情况下研究船舶碰撞风险的区域，从而可以对船舶碰撞风险区域的预警会更加准确。

[0129] 其中，通过选择研究区域中的其中一簇的船舶数据，具体如表3所示的船舶运动状态参数、表4所示的自然环境参数和表5所示的船舶对碰撞风险：

[0130] 表3

[0131]Ship Sog Cog Long Lat
1 7.7 230.2 117.8668 23.96726
2 6.8 44.7 117.8695 23.974
3 8.2 48.5 117.9032 24.00462
4 10.1 45.7 117.9002 23.9801
5 6.9 53.5 117.8778 23.98089

[0132] 表4

[0133] 船舶风海况能见度1 8.3 1.4 20
2 8.0 1.3 20
3 7.9 1.3 20
4 8.5 1.4 20
5 8.0 1.3 20

[0134] 表5

[0135]

[0136]

[0137] 根据上述表格，通过公式(6)至公式(10)可以得到公式(15)所示的风险权重矩阵：

[0138]

[0139] 最终每艘船舶的碰撞风险分别为：0.25、0.702、0.701、0.504、0.712。

[0140] 当两船的TCPA为负时，说明两艘船舶已经经过最近会遇点，因此不需要计算船舶因为自身情况引起的风险，只考虑此时的环境因素引起的风险。环境因素如表4所示，在计算自然环境的引起的风险时，选取两艘船舶最恶劣环境的参数进行计算。表5为船舶对的碰撞风险，为了更清楚的显示本船碰撞总体风险，将船舶对风险合成本船碰撞风险，风险权重如(15)所示。

[0141] 具体地，图20为船舶航行时意图，图21是将船舶的风险大小以热力图的形式展示在地图上。每一个区域都会形成一个范围的热力图，进而得出区域的风险情况，风险等级越高，区域的颜色越突出。最后，VTS值班人员，无人船岸基监控和船上值班人员可以对生成的海图热力图进行缩放，根据颜色情况自行判断船舶所在区域的风险等级和船舶自身的风险情况。

[0142] 由此可知，本实施例通过DBSCAN聚类获得碰撞风险相对较高的研究区域，能够通过分析船舶碰撞情况，综合考虑船舶之间影响以及自然环境的影响，并引入模糊逻辑的方法对船舶碰撞风险因素进行量化，然后通过层次分析法计算风险权重获取船舶总体碰撞风险，最终船舶风险以风险热力图的形式展示，便于VTS值班人员、无人船岸基监控和船上值班人员判断船舶自身和区域的碰撞风险。为了验证模型有效性，本实＝实施例以实际海峡船舶航行数据对模型进行验证，验证结果得到指定专家的认可。本实施例的模型可以作为船舶碰撞风险的预警作用，为海事监管部门监控和船员驾驶船舶感知风险提供重要依据。

[0143] 本发明实施例提供了一种基于模糊逻辑的区域船舶碰撞风险处理系统，包括：

[0144] 第一确定模块，用于确定船舶风险区域；

[0145] 获取模块，用于获取所述船舶风险区域内的船舶运动状态参数和自然环境参数，所述船舶运动状态参数包括最近会遇距离、最近会遇时间和碰撞位置；

[0146] 推理模块，用于将所述船舶运动状态参数和所述自然环境参数输入模糊逻辑推理模型，得到船舶之间的碰撞风险；

[0147] 第二确定模块，用于根据所述船舶之间的碰撞风险确定所述船舶风险区域内每艘船舶的碰撞风险；

[0148] 生成模块，用于根据所述每艘船舶的碰撞风险生成船舶碰撞风险热力图。

[0149] 本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

[0150] 本发明实施例提供了一种基于模糊逻辑的区域船舶碰撞风险处理系统，包括：

[0151] 至少一个存储器，用于存储程序；

[0152] 至少一个处理器，用于加载所述程序以执行图5所示的基于模糊逻辑的区域船舶碰撞风险处理方法。

[0153] 本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

[0154] 本发明实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现图5所示的基于模糊逻辑的区域船舶碰撞风险处理方法。

[0155] 本发明实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图5所示的基于模糊逻辑的区域船舶碰撞风险处理。

[0156] 上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

查看完整全部详细技术资料

当前第1页第1页第2页第3页