航路与平台之间安全距离的评估方法、电子设备.pdf

《航路与平台之间安全距离的评估方法、电子设备.pdf》由会员分享，可在线阅读，更多相关《航路与平台之间安全距离的评估方法、电子设备.pdf（22页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410009751.3(22)申请日 2024.01.04(71)申请人 交通运输部水运科学研究所地址 100088 北京市西城区西土城路8号(72)发明人 王宇川岳亮阮锦佳滕威石保忠张福涛唐硕王生刘静龙仝瑶(74)专利代理机构 北京中慧创科知识产权代理事务 所(特 殊 普 通 合 伙)11721专利代理师 王栓庆(51)Int.Cl.G06N 5/048(2023.01)G08G 3/02(2006.01)(54)发明名称航路与平台之间安全距离的评估方法、电子设备(57)摘要本申请提供一种。

2、航路与平台之间安全距离的评估方法、电子设备，通过调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入；再调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离，从而实现了安全距离的评估，克服了现有技术中安全距离的评估因素难以精确量化，导致无法实现距离评估缺陷。权利要求书2页 说明书17页 附图2页CN 117521815 A2024.02.06CN 117521815 A1.一种航路与平台之间安全距离的评估方法，其特征在于，包括：调用设定的隶属度模型，以对输入进行映射变。

3、换并得到模糊输入，所述输入包括目标航路和海上目标平台的海上自然环境、航路环境、海上平台特征中至少其一，所述海上自然环境包括能见度、大风天数、水流流速中至少其一；所述航路环境包括所述目标航路的交通流量、航路宽度、航路等级中至少其一；所述海上平台特征包括所述海上目标平台的布置：调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离。2.根据权利要求1所述的方法，其特征在于，所述对所述风险因子进行去模糊化，得到风险水平，包括：确定所述风险因子对应的模糊集；并将所述模糊集映射到一个。

4、实数空间中得到一个实数点，所述实数点代表所述风险水平。3.根据权利要求1所述的方法，其特征在于，所述对所述风险因子进行去模糊化，得到风险水平，包括：确定所述风险因子对应的隶属度以及模糊集；根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。4.根据权利要求3所述的方法，其特征在于，所述根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：确定所述风险因子对应单点模糊值的最大值以及最小值；取位于所述最大值以及最小值之间的所述风险因子对应单点模糊值与对应的隶属度进行连续域积分，以确定所述。

5、风险因子对应的清晰化值并作为所述风险水平。5.根据权利要求1所述的方法，其特征在于，所述对所述风险因子进行去模糊化，得到风险水平，包括：确定所述风险因子对应的隶属度以及模糊集；根据所述隶属度以及所述模糊集进行离散域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。6.根据权利要求5所述的方法，其特征在于，所述根据所述隶属度以及所述模糊集进行离散域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：确定所述风险因子对应的所有单点模糊值与所述风险因子对应的所有隶属度的点积得到点积结果；根据所述点积结果与所有隶属度的统计值，以确定所述风险因子对应的清晰化值并作。

6、为所述风险水平。7.根据权利要求1所述的方法，其特征在于，所述隶属度模型上设置有模糊分布定义以及模糊表达式定义；对应地，所述调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，包括：权利要求书1/2 页2CN 117521815 A2基于所述模糊表达式定义和所述模糊分布定义的约束，对输入进行映射变换并得到模糊输入。8.根据权利要求1所述的方法，其特征在于，所述调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，包括：所述隶属度模型将所述输入与预先建立的风险评估等级表进行匹配，以对输入进行映射变换并得到模糊输入。9.根据权利要求1所述的方法，其特征在于，所述根据所述风险水平，评估所述。

7、目标航路与所述海上目标平台间的安全距离，包括：将所述风险水平映射到预先建立的距离区间风险空间中，预估出所述目标航路与海上目标平台间的风险等级，以基于所述风险等级评估所述目标航路与所述海上目标平台间的安全距离。10.一种电子设备，其特征在于，包括：一个或多个处理器；计算机可读介质，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求19中任意一项权利要求所述的方法。权利要求书2/2 页3CN 117521815 A3航路与平台之间安全距离的评估方法、电子设备技术领域0001本申请涉及数据处理技术领域，尤其涉及一种航路与平台之间安全距离的。

8、评估方法、电子设备。背景技术0002在海上平台安全领域，由于海上平台受到通航环境、平台布置的综合影响，对其安全性进行评价时需要综合全部因素得出一个总体评价。其中相关影响因素难以精确量化，比如，交通流量越大通航环境越复杂，但究竟多大的交通流量才能称之为大，是很难有一确定值的，这就需要一种可以模糊表示交通流大小的方法。传统的精确数学从计算方法到结果上都不允许模棱两可，这就使得精确数学在海上平台安全评价方面存在明显不足。发明内容0003本申请的目的在于提出一种航路与平台之间安全距离的评估方法、电子设备，用于解决或者缓解现有技术中存在的技术问题。0004本申请实施例提供的技术方案如下：一种航路与平台之。

9、间安全距离的评估方法，其包括：调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，所述输入包括目标航路和海上目标平台的海上自然环境、航路环境、海上平台特征中至少其一，所述海上自然环境包括能见度、大风天数、水流流速中至少其一；所述航路环境包括所述目标航路的交通流量、航路宽度、航路等级中至少其一；所述海上平台特征包括所述海上目标平台的布置：调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离。0005一种电子设备，其包括：一个或多个处理器；计算机可读介质，配置为存储一个。

10、或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本申请任意实施例所述的方法。0006本实施例中，通过调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入；再调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离，从而实现了安全距离的评估，克服了现有技术中安全距离的评估因素难以精确量化，导致无法实现距离评估缺陷。说明书1/17 页4CN 117521815 A4附图说明0007后文将参照附图以示例性而非限制性的方式详细描述本申请实。

11、施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：图1为本申请实施例一种航路与平台之间安全距离的评估方法的流程示意图。0008图2为本申请实施例一种航路与平台之间安全距离的评估装置的结构示意图。0009图3为本实施例电子设备的结构示意图。具体实施方式0010为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所。

12、有其他实施例，都应当属于本申请实施例保护的范围。0011图1为本申请实施例一种航路与平台之间安全距离的评估方法的流程示意图。如图1所示，其包括：S101、调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入；其中，所述输入包括目标航路和海上目标平台的海上自然环境、航路环境、海上平台特征中至少其一，所述海上自然环境包括能见度、大风天数、水流流速中至少其一；所述航路环境包括所述目标航路的交通流量、航路宽度、航路等级中至少其一；所述海上平台特征包括所述海上目标平台的布置。0012S102、调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；S103、对所述风险因子进行去模糊化，。

13、得到风险水平；S104、根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离。0013本实施例中，通过调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入；再调用设定的模糊推理模型，基于所述模糊输入进行模糊化推理并得到风险因子；对所述风险因子进行去模糊化，得到风险水平；根据所述风险水平，评估所述目标航路与所述海上目标平台间的安全距离，从而实现了安全距离的评估，克服了现有技术中安全距离的评估因素难以精确量化，导致无法实现距离评估缺陷。0014可选地，所述对所述风险因子进行去模糊化，得到风险水平，包括：确定所述风险因子对应的模糊集；并将所述模糊集映射到一个实数空间中得到一个实数点，。

14、所述实数点代表所述风险水平。0015此技术处理的示例性代码实现如下：以下是一个可能的代码实现，用于将所述模糊集映射到一个实数空间中得到一个实数点以确定风险水平：import numpy as npfrom skfuzzy import control as ctrl#创建风险因子对应的模糊集risk_factor =ctrl.Antecedent(np.arange(0,11,1),risk_factor)说明书2/17 页5CN 117521815 A5risk_factorlow =fuzz.trimf(risk_factor.universe,0,0,5)risk_factormediu。

15、m =fuzz.trimf(risk_factor.universe,0,5,10)risk_factorhigh =fuzz.trimf(risk_factor.universe,5,10,10)#创建风险水平的模糊集risk_level =ctrl.Consequent(np.arange(0,11,1),risk_level)risk_levellow =fuzz.trimf(risk_level.universe,0,0,5)risk_levelmedium =fuzz.trimf(risk_level.universe,0,5,10)risk_levelhigh =fuzz.trim。

16、f(risk_level.universe,5,10,10)#创建模糊规则rules =ctrl.Rule(risk_factorlow,risk_levellow),ctrl.Rule(risk_factormedium,risk_levelmedium),ctrl.Rule(risk_factorhigh,risk_levelhigh)#创建模糊控制器risk_ctrl =ctrl.ControlSystem(rules)risk_level_ctrl =ctrl.ControlSystemSimulation(risk_ctrl)#根据输入的风险因子计算风险水平risk_level_ct。

17、rl.inputrisk_factor =7risk_level_pute()#获取风险水平的实数点risk_level_value =risk_level_ctrl.outputrisk_levelprint(风险水平:,risk_level_value)通过上述确定所述风险因子对应的模糊集；并将所述模糊集映射到一个实数空间中得到一个实数点，从而可以根据实际情况定义不同的风险因子和风险水平，以适应不同的应用场景。而且上述模糊逻辑提供了一种直观的方式来描述和处理不确定性和模糊性，使得风险水平的计算结果更易于理解和解释。再者，通过将模糊集映射到实数空间，可以得到一个具体的风险水平值，使得风险评估。

18、更具量化参考价值。另外，在具体应用时，还以根据需要添加更多的风险因子和规则，以提高风险评估的准确性和全面性。0016可选地，所述对所述风险因子进行去模糊化，得到风险水平，包括：确定所述风险因子对应的隶属度以及模糊集；根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。0017以下是一个示例代码实现，用于根据风险因子进行去模糊化处理：import numpy as npimport skfuzzy as fuzz#定义风险因子的模糊集risk_factor =np.arange(0,11,1)#定义隶属度函数说明书3/17 页6CN 1175。

19、21815 A6low_membership =fuzz.trimf(risk_factor,0,0,5)medium_membership =fuzz.trimf(risk_factor,0,5,10)high_membership =fuzz.trimf(risk_factor,5,10,10)#根据隶属度函数计算隶属度risk_level_low =fuzz.interp_membership(risk_factor,low_membership,3)risk_level_medium=fuzz.interp_membership(risk_factor,medium_membershi。

20、p,7)risk_level_high=fuzz.interp_membership(risk_factor,high_membership,9)#进行去模糊处理，确定风险因子的清晰化值risk_value =(risk_level_low *0 +risk_level_medium *5 +risk_level_high *10)/(risk_level_low +risk_level_medium +risk_level_high)print(风险因子的清晰化值：,risk_value)通过确定所述风险因子对应的隶属度以及模糊集；根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定。

21、所述风险因子对应的清晰化值并作为所述风险水平，方便进行后续的分析和决策，能够更准确地评估风险水平，并且可以根据具体的隶属度函数和模糊集来灵活地定义风险等级的划分。同时，它还能够处理多个风险因子的情况，将它们综合考虑得到一个综合的风险水平。0018可选地，所述根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：确定所述风险因子对应单点模糊值的最大值以及最小值；取位于所述最大值以及最小值之间的所述风险因子对应单点模糊值与对应的隶属度进行连续域积分，以确定所述风险因子对应的清晰化值并作为所述风险水平。0019以下是上述技术处理的代码实现：i。

22、mport numpy as npdef defuzzification(fuzzy_values,membership_degrees):max_value =np.max(fuzzy_values)min_value =np.min(fuzzy_values)integration =0 membership_integration =0 for i in range(len(fuzzy_values):if fuzzy_valuesi=min_value and fuzzy_valuesi=max_value:integration +=fuzzy_valuesi*membership_。

23、degreesi membership_integration +=membership_degreesi crisp_value =integration /membership_integration return crisp_value上述代码中，fuzzy_values 是风险因子对应的单点模糊值的列表，说明书4/17 页7CN 117521815 A7membership_degrees是对应的隶属度的列表。函数defuzzification根据所述隶属度以及所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。0020可选地，所述根据所述隶属度以及。

24、所述模糊集进行连续域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：确定所述风险因子对应单点模糊值的最大值以及最小值；取位于所述最大值以及最小值之间的所述风险因子对应单点模糊值与对应的隶属度进行连续域积分，以确定所述风险因子对应的清晰化值。0021由此，由于使用了向量化运算，能够有效地处理大量数据。0022可选地，所述对所述风险因子进行去模糊化，得到风险水平，包括：确定所述风险因子对应的隶属度以及模糊集；根据所述隶属度以及所述模糊集进行离散域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平。0023基于此，通过对风险因子进行模糊化处理，可以更全面地考。

25、虑不确定性和模糊性因素，从而提高风险评估的准确性。而且，模糊化处理可以将风险因子的隶属度和模糊集表示出来，这样可以提供更详细的风险信息，帮助决策者更好地理解和分析风险情况。再者，通过离散域上的去模糊处理，可以将模糊的风险因子转化为清晰化的值，使得决策过程更加客观和可操作，减少主观因素的影响。0024以下提供一种示例性代码实现：import numpy as npimport skfuzzy as fuzz#定义风险因子的模糊集risk_factor =np.arange(0,11,1)#定义隶属度函数low =fuzz.trimf(risk_factor,0,0,5)medium =fuzz.。

26、trimf(risk_factor,0,5,10)high =fuzz.trimf(risk_factor,5,10,10)#根据风险因子的值计算隶属度risk_value =6low_degree =fuzz.interp_membership(risk_factor,low,risk_value)medium_degree =fuzz.interp_membership(risk_factor,medium,risk_value)high_degree =fuzz.interp_membership(risk_factor,high,risk_value)#进行去模糊处理，确定风险因子的清。

27、晰化值risk_level =fuzz.defuzz(risk_factor,low_degree,medium_degree,high_degree,centroid)print(风险水平：,risk_level)可选地，所述根据所述隶属度以及所述模糊集进行离散域上的去模糊处理，以确定所述风险因子对应的清晰化值并作为所述风险水平，包括：说明书5/17 页8CN 117521815 A8确定所述风险因子对应的所有单点模糊值与所述风险因子对应的所有隶属度的点积得到点积结果；根据所述点积结果与所有隶属度的统计值，以确定所述风险因子对应的清晰化值并作为所述风险水平。0025基于此，通过模糊集和隶属度。

28、的处理，可以将风险因子的模糊值转化为清晰化值，使得更容易理解和解释风险因子的含义和影响。再通过离散域上的去模糊处理，可以将模糊的风险因子转化为清晰的数值，从而更准确地评估风险的大小和影响程度。0026以下提供了一种示例性代码实现：import numpy as np#风险因子对应的模糊集risk_factor =np.array(0.2,0.5,0.8)#风险因子对应的隶属度membership =np.array(0.3,0.6,0.9)#计算点积结果dot_product =np.dot(risk_factor,membership)#计算隶属度的统计值mean =np.mean(memb。

29、ership)std =np.std(membership)#根据点积结果和统计值，确定清晰化值defuzz_value =(dot_product mean)/stdprint(清晰化值为：,defuzz_value)上述代码中，首先定义了风险因子对应的模糊集和隶属度。然后通过计算模糊集和隶属度的点积，得到点积结果。接着计算隶属度的统计值，包括均值和标准差。最后根据点积结果和统计值，计算得到清晰化值。0027可选地，所述隶属度模型上设置有模糊分布定义以及模糊表达式定义；对应地，所述调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，包括：基于所述模糊表达式定义和所述模糊分布定义的约束，。

30、对输入进行映射变换并得到模糊输入。0028以下是一个示例性的代码实现，展示了如何使用模糊分布定义和模糊表达式定义来进行输入的映射变换：import numpy as np#定义模糊分布函数def fuzzy_distribution(x):return np.exp(x*2)#定义映射变换函数def mapping_transform(input,fuzzy_dist):fuzzy_input =fuzzy_dist(input)return fuzzy_input#输入数据说明书6/17 页9CN 117521815 A9input_data =np.array(1,2,3,4,5)#进行映。

31、射变换fuzzy_input_data =mapping_transform(input_data,fuzzy_distribution)print(fuzzy_input_data)在上述代码中，通过先定义了一个模糊分布函数fuzzy_distribution，它采用输入值x作为参数，并返回相应的模糊隶属度。然后，再定义了一个映射变换函数mapping_transform，它接收输入数据和模糊分布函数作为参数，并返回映射后的模糊输入数据。0029可选地，基于所述模糊表达式定义和所述模糊分布定义的约束，对输入进行映射变换并得到模糊输入，比如可以包括：基于所述模糊表达式定义的约束和所述模糊分布定。

32、义的约束分别构建模糊表达约束空间以及模糊分布约束空间；对所述输入进行向量化，得到输入向量；将所述输入向量分别投影到所述模糊表达约束空间以及模糊分布约束空间中得到表达投影向量和模糊分布向量；对所述表达投影向量和所述模糊分布向量进行点积运算，以得到所述模糊输入。0030为此，基于模糊表达式定义的约束和模糊分布定义的约束可以更好地捕捉输入的模糊性质，使得映射变换更加灵活和准确。另外，将模糊表达约束空间和模糊分布约束空间结合起来，可以综合考虑输入的模糊性质，使得映射变换更加全面和综合。最后，通过将输入向量投影到模糊表达约束空间和模糊分布约束空间中得到表达投影向量和模糊分布向量，可以更准确地表达输入的模。

33、糊性质，而且，只需要通过点积运算得到模糊输入，可以更高效地处理模糊性质，提高计算效率。0031可选地，基于所述模糊表达式定义的约束和所述模糊分布定义的约束分别构建模糊表达约束空间以及模糊分布约束空间中，模糊表达式定义的约束描述了输入对应变量的可能取值范围，用于描述变量的取值的模糊性和不确定性；而模糊分布定义的约束描述了输入对应变量的可能取值范围的分布情况，基于这些分布情况之间的交叉和重叠关系来描述输入对应变量的分布特征。0032为此，在构建模糊表达约束空间和模糊分布约束空间时，可以包括如下步骤：根据模糊表达式定义的约束，确定输入对应变量的所有可能取值范围；将所有可能取值范围映射到一个多维空间中。

34、以得到模糊表达约束空间，每个维度对应一个可能取值范围；对分布情况中输入对应变量的所有可能取值范围之间的交叉和重叠关系进行互相关计算，得到互相关性度量范围，然后，可以这些相关性度量范围映射到一个多维空间中以得到模糊分布约束空间，每个维度对应一个相关性度量范围。0033可选地，对所述输入进行向量化，得到输入向量，包括：对所述输入中的海上自然环境、航路环境、海上平台特征分别进行编码转换，以得到自然环境二进制向量、航路环境二进制向量、海上平台二进制向量；对所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行归一化处理，使得所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量对齐。

35、；说明书7/17 页10CN 117521815 A10对对齐后的所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行融合，得到所述输入向量。0034以下示例性地提供了一种实现上述得到输入向量的代码：import numpy as np#假设自然环境、航路环境、海上平台特征分别为自然环境向量、航路环境向量、海上平台向量natural_environment_vector =np.array(1,0,1,0,1)#示例自然环境向量route_environment_vector =np.array(0,1,1,0,0)#示例航路环境向量offshore_platform_vecto。

36、r =np.array(1,1,0,1,0)#示例海上平台向量#归一化处理normalized_natural_environment=natural_environment_vector/np.linalg.norm(natural_environment_vector)normalized_route_environment=route_environment_vector/np.linalg.norm(route_environment_vector)normalized_offshore_platform=offshore_platform_vector/np.linalg.norm(。

37、offshore_platform_vector)#融合input_vector=np.concatenate(normalized_natural_environment,normalized_route_environment,normalized_offshore_platform)print(输入向量：,input_vector)可选地，对所述输入中的海上自然环境、航路环境、海上平台特征分别进行编码转换时，比如可以使用独热编码。0035对所述自然环境二进制向量、航路环境二进制向量、海上平台二进制向量进行归一化处理，比如可以使用对每个二进制向量，可以将其每个元素进行 Sigmoid 函数。

38、变换，将其值映射到 (0,1)区间内，比如对每个元素进行如下变换：x=frac11 +ex 其中，(x)是原始二进制向量中的某个元素，(x)是归一化后的值。0036本实施例中，通过Sigmoid 函数将原始的二进制向量中的每个元素映射到 (0,1)区间内，可以被视为概率值，如此有助于将原始的二进制特征转化为概率分布，使得特征更容易被解释和理解，或者本质上相当于实现了预模糊化处理，提高了后续进行模糊化处理的效率。而且，Sigmoid函数具有平滑的特性，可以将原始的二进制特征进行平滑变换，使得得到的输入向量更加收敛并且对噪声更加鲁棒。由于Sigmoid 函数的非线性特性可以更好地捕捉特征之间的复杂。

39、关系，从而可以提高输入向量的表达能力。0037可选地，所述将所述输入向量分别投影到所述模糊表达约束空间以及模糊分布约束空间中得到表达投影向量和模糊分布向量；基于初始化的第一线型模型对所述模糊表达约束空间进行拟合得到所述模糊表达约束空间的线型表达方程，以及基于初始化的第二线型模型对模糊分布约束空间进行拟说明书8/17 页11CN 117521815 A11合得到模糊分布约束空间的线型表达方程；对所述模糊表达约束空间的线型表达方程进行奇异值分解以得到表达投影矩阵，以及对所述模糊分布约束空间的线型表达方程进行奇异值分解以得到分布投影矩阵；所述输入向量分别与所述表达投影矩阵、分布投影矩阵进行乘积运算，。

40、以分别得到表达投影向量和模糊分布向量。0038为此，基于初始化的线性模型对模糊表达约束空间和模糊分布约束空间进行拟合，可以更好地捕捉输入的模糊性质。再者，对模糊表达约束空间和模糊分布约束空间的线性表达方程进行奇异值分解，得到表达投影矩阵和分布投影矩阵，可以将输入向量的维度进行约简，减少计算复杂度和提高计算效率，后续只需要输入向量与表达投影矩阵、分布投影矩阵进行乘积运算，得到表达投影向量和模糊分布向量，可以更好地表达输入的模糊性质，提高模糊处理的准确性和效率。0039以下提供一种实现上述得到表达投影向量和模糊分布向量的示例性代码：import numpy as np#假设输入向量为10维inpu。

41、t_vector =np.random.rand(10)#模糊表达约束空间的线性模型拟合linear_model_1 =np.random.rand(5,10)#假设线性模型参数矩阵expression_projection_matrix =np.linalg.pinv(linear_model_1)#奇异值分解得到表达投影矩阵#模糊分布约束空间的线性模型拟合linear_model_2 =np.random.rand(3,10)#假设线性模型参数矩阵distribution_projection_matrix =np.linalg.pinv(linear_model_2)#奇异值分解得到分布。

42、投影矩阵#输入向量分别与表达投影矩阵、分布投影矩阵进行乘积运算expression_vector =np.dot(expression_projection_matrix,input_vector)distribution_vector =np.dot(distribution_projection_matrix,input_vector)print(表达投影向量：,expression_vector)print(模糊分布向量：,distribution_vector)为此，通过使用模糊分布定义和模糊表达式定义，可以灵活地定义模糊集合的隶属度函数，从而使得模糊输入的映射变换可以根据具体情况进行。

43、调整和优化，以更好地适应输入数据的特征。再者，模糊分布定义和模糊表达式定义提供了一种直观的方式来解释模糊输入的映射变换，通过理解和分析这些定义，可以更好地理解模糊输入的含义和影响因素。而且，还可以通过设置不同的模糊分布定义和模糊表达式定义，可以实现不同类型的映射变换，从而得到多样化的模糊输入，提高模糊输入的表达能力，使其更加适应各种应用场景。0040可选地，所述调用设定的隶属度模型，以对输入进行映射变换并得到模糊输入，包括：说明书9/17 页12CN 117521815 A12所述隶属度模型将所述输入与预先建立的风险评估等级表进行匹配，以对输入进行映射变换并得到模糊输入。0041基于此，通过使。

44、用隶属度模型，可以自动将输入映射到预先建立的风险评估等级表，从而实现自动化的风险评估。另外，通过隶属度模型可以根据需要进行灵活的映射变换，从而保证可以根据具体情况和需求，将输入映射到不同的风险评估等级，以适应不同的应用场景。再者，通过将输入映射为模糊输入，可以提供更多的信息和可解释性，使得模糊输入可以反映输入的不确定性和模糊性。0042以下是示例性代码实现：#预先建立的风险评估等级表risk_levels =low:0,0,0.2,0.4,medium:0.3,0.5,0.7,0.9,high:0.6,0.8,1,1#隶属度模型的映射函数def map_input_to_fuzzy_input。

45、(input_value):fuzzy_input =for level,values in risk_levels.items():fuzzy_inputlevel =for v in values:fuzzy_inputlevel.append(min(max(input_value v)/(values1 values0),0),1)return fuzzy_input#输入值input_value =0.6#映射输入到模糊输入fuzzy_input =map_input_to_fuzzy_input(input_value)print(fuzzy_input)输出:low:0,0,0,。

46、0,medium:0,0.5,1,0.5,high:0.5,1,0.4,0在上述示例中，使用了映射函数将输入值映射到预先定义的风险评估等级表，其中每个等级都有一个隶属度列表，表示输入值在该等级上的隶属度。0043或者，可选地，所述隶属度模型将所述输入与预先建立的风险评估等级表进行匹配，以对输入进行映射变换并得到模糊输入，包括：建立一个包含不同风险等级的表格，以作为风险评估等级表。说明书10/17 页13CN 117521815 A130044对于每个风险等级，设计一个隶属度函数，用于将输入映射到该等级，隶属度函数可以根据具体的应用场景进行设计，常见的隶属度函数包括三角函数、梯形函数等。0045。

47、计算输入与风险评估等级表中个各个风险等级的相似度并取其中相似度最大的风险等级，比如，余弦相似度、欧几里得距离等；确定相似度最大的风险等级对应的隶属度函数，并将所述输入输入到所述隶属度函数中，以得到输入对应的模糊输入。0046为此，通过计算输入与风险评估等级表中各个风险等级的相似度并取其中相似度最大的风险等级，可以提高评估的准确性。通过将输入映射到模糊输入，可以更好地处理不确定性和模糊性，具有较强的泛化能力。0047以下提供一种实现示例性代码：import numpy as np#建立风险评估等级表risk_levels =low:0,10,20,medium:15,25,35,high:30,。

48、40,50#设计隶属度函数def membership_function(x,params):a,b,c =params if x=c:return 0 elif ax=b:return (x a)/(b a)elif bx=distance_range0and risk_level=distance_range1:return level return unknowndef evaluate_safe_distance(risk_level):risk_levels =low:Maintain a minimum distance of 50 meters.,medium:Maintain 。

49、a minimum distance of 100 meters.,high:Maintain a minimum distance of 200 meters.return risk_levels.get(risk_level,Unable to evaluate safe distance.)#示例调用risk_level =150evaluated_risk_level =assess_risk_level(risk_level)safe_distance =evaluate_safe_distance(evaluated_risk_level)说明书14/17 页17CN 117521。

50、815 A17print(fEvaluated risk level:evaluated_risk_level)print(fSafe distance recommendation:safe_distance)上述代码中，assess_risk_level函数根据风险水平映射到预先建立的距离区间风险空间中，评估出风险等级。evaluate_safe_distance函数根据风险等级评估所述目标航路与所述海上目标平台间的安全距离，并返回相应的建议。最后，通过示例调用展示了如何使用这两个函数来评估风险等级和安全距离。0058图2为本申请实施例一种航路与平台之间安全距离的评估装置的结构示意图。如图。