基于主成分分析（PCA）和稀疏宽学习神经网络，在恶劣天气条件下预测适合飞行员登机及下机的安全水域区域

预测恶劣海况下领航员安全水域的改进BLS-PCA模型，通过主成分分析降维提取特征，结合迭代软阈值稀疏化提升模型鲁棒性，并利用排列特征重要性量化关键影响因素（如船体长度），验证表明该模型能有效划定不同船舶类型的 безопасная зона при靠离泊操作。

　　

朱丽珍|李伟|宁军|张彤

大连海事大学航海学院，中国大连，116026

摘要

在恶劣天气条件下，飞行员的安全登船和下船通常是通过将船舶操纵到下风侧来实现的。然而，对于飞行员转移的安全操作区域的量化长期以来一直是海事引航操作领域的一个关键研究空白。为了解决在恶劣海况下预测飞行员登船和下船安全水域的挑战，本文提出了一种基于主成分分析（PCA）和简化宽学习系统（BLS）的预测模型。首先，使用PCA处理来自多个海域的低速、大舵角条件下的操纵数据，以进行降维和特征提取。随后，在模型的特征映射层应用基于迭代软阈值（IST）算法的简化方法，构建船舶参数与横向和纵向距离之间的非线性映射，从而能够预测安全水域。最后，通过排列特征重要性（PFI）确定关键影响因素，并通过线性拟合得出特定类型的安全边界。通过与其他预测模型的比较验证、86份飞行员问卷调查以及三次全尺寸船舶试验，该模型被证明在预测飞行员登船和下船的安全水域方面非常有效。

引言

随着全球化贸易的推动，国际航运业经历了快速增长，导致港口船舶吞吐量显著增加。这种扩张反过来又增加了与港口引航操作相关的复杂性和安全风险。传统的飞行员登船和下船方法在波浪和风力较小的条件或相对稳定的海况下能够可靠地执行。然而，在恶劣的海况下，这些操作的有效性显著降低，对飞行员的安全和船舶的完整性构成了严重威胁。

近年来，引航安全研究主要集中在四个关键领域：引航安全行为（Aydin等人，2022年；Fu等人，2025年；Tun?el等人，2023年）、引航安全技术（Lin等人，2020年；Sakar和Sokukcu，2023年）、引航风险评估和管理（Gucma等人，2022年）以及引航安全管理系统（LEE等人，2017年）。在引航安全行为方面，?ztürk等人（2024年）评估了主-副驾驶交换（MPX）过程，揭示了这一重要沟通中的缺陷并识别了导致其失败的因素。这项研究显著提高了对飞行员信息交换的理解，从而增强了船舶引航的安全性。在引航安全技术方面，Xue等人（2016年）提出了一种改进的分布式粒子群优化（DPSO）算法，该算法考虑了任务位置、时间和操作条件等因素来优化引航调度。在引航风险评估和管理方面，Wang和Li（2022年）分析了影响引航环境安全性的因素。这项工作旨在评估复杂航道条件下的船舶引航安全性，并改善港口区域的引航操作和海上交通安全管理。在引航安全管理系统方面，Demirci等人（2023年）通过分析事故调查报告和全球综合航运信息系统（GISIS）的专家意见，确定了导致引航船舶事故的32个因素。这些研究加深了对危险引航水域安全管理的理解，并增强了相关框架的全面性。尽管这些多方面的研究为船舶引航提供了重要的保障，但专门针对飞行员登船和下船期间船舶安全操纵的研究仍然有限。在恶劣海况下，建立安全可靠的飞行员转移环境尤为重要。

在引航操作中，飞行员登船和下船的安全性至关重要，因为它直接影响飞行员的生命和船舶操纵的顺利进行。这一阶段是整个引航过程中的关键环节。Chen等人（2017年）利用计算流体动力学（CFD）模拟了船舶在低速、大舵角操纵时的粘性流场。他们的结果表明，与迎风侧（来流直接冲击）相比，下风侧的流速较低，这是由于流动分离和涡流形成，从而创造了相对平静的流体动力环境。根据丰富的操作经验，经验丰富的飞行员观察到，在恶劣海况下进行大角度转向操纵时，转向侧船尾扫掠区域附近会形成局部平静的海面。这种现象有助于在转向过程中快速、安全地完成登船和下船操作。因此，结合低速转向和使用大舵角生成局部平静水域的操纵策略开始引起研究兴趣。在实践中，一些飞行员已在具有挑战性的条件下成功应用了这一技术，并在转移操作中取得了满意的结果。然而，目前这种方法的实施在很大程度上依赖于操作人员的主观判断和经验，缺乏对船舶转向所需空间要求的精确定量分析（Pietrzykowski和Uriasz，2009年）。这种不确定性给飞行员带来了相当大的操作压力和心理负担，尤其是在狭窄航道等受限水域进行操纵时。

随着人工智能和机器学习技术的迅速发展，神经网络在船舶操纵和安全预测中的应用越来越受到关注。目前，各种神经网络模型被广泛用于回归预测任务。多层感知器（MLP）是最基本的神经网络架构，Gao等人（2021年）；Menaka和Gauni（2021年）构建了多层神经元来捕捉复杂的非线性关系，从而能够有效拟合和预测船舶导航环境中的多因素数据。长短期记忆网络（LSTM）是循环神经网络（RNN）的改进版本，Li等人（2024年）；O’Donncha等人（2022年）通过其独特的门控机制解决了传统RNN中的梯度消失和爆炸问题，在处理船舶速度和航向变化等时间序列数据方面表现出优越的性能。同时，卷积神经网络（CNN）在提取空间特征方面表现出色；在船舶碰撞避免场景中，Hou和Xia（2024年）；Li和Zheng（2021年）有效地从船舶周围的环境图像或雷达信号数据中提取特征以预测碰撞风险距离。然而，在Edelman等人（2023年）的研究中，深度学习模型通常比传统机器学习方法更为复杂，导致训练时间延长、参数负载增加以及对高性能计算资源的需求增加。为了克服深度学习模型的训练挑战，特别是小样本条件下的挑战，宽学习方法应运而生，并已在回归预测领域得到广泛应用，包括车辆异常检测（Wang等人，2021年）、水泥抗压强度估计（Dang等人，2018年）以及高速列车（HST）制动系统的实时监控（Chong和Jie，2020年）。宽学习系统通过水平扩展学习到的特征来实现特征表示（Chen和Liu，2017年；Chen等人，2018年）。尽管宽学习系统是相对较新的创新，但其独特的网络架构有效地缓解了深度学习模型在训练时间和计算需求方面的限制。尽管它们在这些回归任务中得到了广泛应用，但在海事背景下应用宽学习方法进行空间范围预测的研究仍然相对较少。

基于上述分析，本文提出了一种改进的BLS神经网络预测方法。在数据处理中，使用主成分分析（PCA）（Li等人，2017年；Sotés等人，2010年；Zhu等人，2021年）进行降维和特征提取。为了提高模型性能，应用基于迭代软阈值（IST）（Yang，2014年）的简化方法来提高鲁棒性和泛化能力。对于预测结果分析，使用排列特征重要性（PFI）（Kaneko，2022年；Mehdiyev等人，2025年）来量化输入特征对模型预测的贡献。我们的主要贡献总结如下：

1) 提出了一种改进的宽学习系统模型，用于低速、大舵角下风引航操作下的安全水域，多模型比较证明了其优越的有效性和实际适用性。

2) 结合特定船舶类型的预测和关键特征的线性拟合，能够量化不同船舶类型的安全水域，为飞行员登船和下船期间的操纵提供有针对性的参考。

3) 通过飞行员问卷调查和全尺寸实验的验证，确认了模型预测与实际操作之间的一致性，确保了模型的可靠性和对引航安全管理的支持。

本文的结构如下。第2节介绍理论和基本模型。第3节介绍预测模型及其评估。第4节报告实验和分析结果。最后，第5节提供结论。

章节摘录

理论与模型

本章旨在介绍本文涉及的相关理论和技术，包括随机向量功能链接神经网络（RVFLNN）、BLS模型、PCA、简化方法和PFI。

预测程序

本研究调查了在恶劣海况下飞行员登船和下船的船舶操纵，并开发了一个安全操作区域的预测模型。该区域由两个参数定义：转向过程中的最大横向偏差（“横向距离”）和恢复航向后的纵向位移（“纵向距离”）。

首先，使用完整数据集进行整体训练。在低速、大舵角下风转向的情况下，关键特征（如船舶长度）被

实验数据

本研究模拟的水域包括西沙门水道和钓鱼门水道。它们的位置如图5所示。

结论

为了解决在恶劣海况下预测飞行员登船和下船安全水域的挑战，本研究提出了一种基于PCA和简化BLS的预测模型。操纵数据已使用PCA进行预处理，然后应用基于IST算法的简化BLS模型来预测安全水域。PFI分析确定船舶长度是关键影响因素，以及特定类型的安全水域

未来工作

为了研究在恶劣海况下飞行员登船和下船的安全水域，目前的研究仅限于宁波-舟山港的水域，因此需要验证这些结论在其他水域的适用性。对于未来的工作：

（1）我们将纳入详细的船舶类型特定因素（例如LNG运输船和化学品油轮的操纵特性），以细化船舶属性对安全水域的影响机制；

CRediT作者贡献声明

朱丽珍：写作——审稿与编辑、软件开发、数据整理、概念构思。李伟：写作——初稿撰写、可视化、资金获取、正式分析、数据整理。宁军：写作——审稿与编辑、资源协调、资金获取、概念构思。张彤：监督、资源协调、方法论设计。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本工作部分得到了国家自然科学基金（项目编号：51939001、61976033、52171292、52571402、52271304）的支持，部分得到了中央高校基本研究基金（项目编号：3132024137）的支持；部分得到了2023年大连海事大学航海学院一级跨学科研究项目（项目编号：2023JXA09）的支持；部分得到了大连海事大学博士联合基金项目（项目编号：01725503）的支持；部分得到了大连市公安局的指导。