曝光臺 注意防騙 網曝天貓店富美金盛家居專營店坑蒙拐騙欺詐消費者

© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
3 收稿日期: 2007 - 12 - 27
作者簡介: 王洪德,教授,博士,從事系統可靠性工程、安全評價、
災害預防處理等研究,hongde @djtu. edu. cn。
文章編號: 100926094 (2008) 0420139205
基于BP 神經網絡的民航
機場安全預警研究
3
王洪德, 潘　科
(大連交通大學土木與安全工程學院,遼寧大連116028)
摘　要: 在完善、改進已有民航機場安全預警指標體系及其指標值的
基礎上,突破民航機場傳統的危險預警模式,建立基于BP 神經網絡
的民航機場安全預警模型。采用SPSS 主成分分析法對模擬數據進行
預處理,基于MATLAB 軟件實現網絡模型的訓練與檢測,從而實現安
全預警。研究表明此模型是可行有效的,可為研究機場安全預警問題
提供新的思路和方法。
關鍵詞: 安全管理工程; 民航機場; BP 神經網絡; 安全預警
中圖分類號: X91314 　　　文獻標識碼: A
0 　引　言
民航機場是我國空中交通的重要基礎設施,通常包括供
航空器起飛和著陸滑行的飛行區、供航空器上下客貨郵件的
運輸區(航站區) 、供航空器維護修理的機務維修區等。機場
安全通常包括航空器的安全起降和對機場設施的安全保障,
這也是民航機場在正常情況下應發揮的重要功能。然而,由
于多種原因,民航機場事故的發生難以避免。中國民航近10
年(1996 —2005) 共發生運輸飛行事故9 起,其中重大以上飛行
事故7 起; 共發生1 147 起飛行事故征候,其中運輸飛行事故
征候1 040 起。對事故的調查表明,機組原因、機械/ 機務是事
故發生的主要原因。而從事故征候種類統計看,1996 —2005
年鳥擊(282 起) 、空中停車(256 起) 、偏出/ 沖出跑道/ 場外接
地(80 起) 所占的比重較大,分別占2416 %、2213 %和710 %[1 ] 。
因此,如果飛行的自然環境和人工環境良好,機場的應急援救
設施完善、組織工作嚴密有序,很多事故的發生是可以挽救或
避免的。
羅帆等[2 ]在民航機場安全預警的管理組織等方面進行了
專門研究,并提出了相應的預警指標及模型。本文引入BP 網
絡對民航機場安全預警進行研究,以改進現有預警方法和模
型存在的欠缺,使民航機場安全預警研究更加完善,從而提高
預警結果的全面性和準確性。
1 　民航機場安全預警指標體系的建立
111 　民航機場安全預警指標體系分類
機場安全預警指標體系由4 個模塊、共35 項構成,包括
行為人因素預警指標6 項,機務因素預警指標6 項,環境因素
預警指標9 項和管理因素預警指標14 項,如表1 所示[2 ] 。其
中,環境因素預警指標并非反映機場自身問題,但從機場角度
監測或識別這些指標,既有利于機場預警指標體系的完整性,
又有利于對航空公司和空管預警系統的支持。根據指標的重
要程度及在預警中的作用,可將其分為敏感預警指標、重要預
警指標和輔助指標,在表1 中分別用數字1、2、3 對應表示。
112 　民航機場安全預警指標的量化與測評
民航機場安全預警指標體系的建立應盡可能實現預警信
息的定量化、條理化和可操作化,使預警指標體系真正反映機
場所面臨危險的實際情況。為簡化計算,引用上述預警評價
指標中的全部敏感預警指標和部分重要預警指標,確認BP
網絡模型的輸入結點,并給出相應值域范圍,如表2 所示。基
于所確定的值域范圍實現數據模擬,詳見表3[3 ] 。
2 　基于BP 神經網絡的民航機場安全預警系統的建
立及應用
211 　基于BP 網絡的民航機場安全預警系統的構建
由于BP 神經網絡具有很強的學習、自適應能力和非線
性處理能力[4 - 6 ] ,因此可以將其運用到民航機場安全預警研
究中。在預警數據庫的基礎上,安排專家的知識系統讓其學
習,進而建立一個完整的基于BP 網絡的民航機場安全預警
系統,系統結構見圖1。
212 　基于BP 網絡的民航機場安全預警模型的驗證
根據表2 和3 共模擬了18 個指標的12 組數據以建立所
需的BP 網絡預警模型,并經SPSS 主成分分析軟件簡化,簡化
后的指標見表4。有兩點需要注明:
1) 對于主觀指標可以采用專家打分法進行量化,該方法
的優點在于簡單、易懂、節約時間,但一般要求專家的人數不
能太少;
2) 一般來說,對于某些定量指標,期望它們的取值越大越
好,這類指標稱為極大型指標; 而對于另一類指標,期望它們
的取值越小越好,這類指標就稱為極小型指標。
本文選擇簡化后預警指標體系的10 項指標作為BP 模型
的輸入節點,并對原始的模擬數據進行歸一化處理,以降低各
影響因素指標值在相對值空間上的距離。若Mj = max
i
{ xij} ,
mj = min
i
{ xij} ,則
x′ij = ( xij - mj) / ( Mj - mj) (1)
式中　xij為原始數據; x′ij ∈[0 ,1 ]為歸一化后的無量綱指標。
歸一化結果[5 ,7 ]見表4。
對于BP 網絡,其核心和難點是隱含層單元數的確定。一
般可考慮開始時放入較少的隱含層單元,學習一定次數后如
圖1 　基于BP 神經網絡的民航機場安全預警系統結構圖
Fig. 1 　System structure of the security early warning
of civil aviation airport based on BP network
139
第8 卷第4 期
2008 年8 月
　　　　　　　　　　　　　　
安全與環境學報
Journal of Safety and Environment
　　　　　　　　　　　　　　
Vol. 8 　No. 4
　Aug , 2008
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
未成功,再逐步增加隱含層單元數; 也可以先增加足夠的隱
含層單元,而后把學習中作用不大的連接權和隱含層單元刪
去,這種方式可以確定最佳的隱單元數,但比較耗時。本文采
　
中國航空網 www.k6050.com
航空翻譯 www.aviation.cn
本文鏈接地址：鳥擊資料2(94)