基于模糊推理的船舶初始模板设计方法、系统及可读存储介质

1.本发明是关于计算机辅助设计技术，特别是关于一种基于模糊推理的船舶初始模板设计方法、系统及可读存储介质。


背景技术：

2.随着我国制造业的迅速发展，传统的船舶概念设计方法已经无法满足人们对船舶设计的需求和社会的发展。由于船舶实际体积巨大，造价较高，造船工程复杂且耗时长，因此需要在船舶概念方案设计阶段综合考虑各方面的因素，对各个概念方案进行权衡寻优。
3.然而，在船舶概念设计过程中用户需求的描述往往具有模糊性以及不确定性的。同时，船舶概念设计过程专家根据经验归纳的知识集的语义描述同样存在模糊性。这使得确定最优化的船舶概念方案变得越来越困难，设计效率提升也受到制约。
4.公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。


技术实现要素：

5.本发明的目的在于提供一种基于模糊推理的船舶初始模板设计方法，通过对用户需求进行量化，并依托具有强大结构性知识表达能力的模糊神经网络，从而更直接地表达用户需求的逻辑语义，继而建立基于模糊推理的船舶概念方案设计系统，缩短总体设计周期，提升总体设计能力和创新水平。
6.为实现上述目的，本发明的实施例提供了基于模糊推理的船舶初始模板设计方法，包括s1、获取用户需求以及舰船现有资料库，用户需求至少划分为基础型参数与功能型参数；s2、对基础型参数和功能型参数的关系进行解耦，实现功能型参数到基础型参数的映射；s3、用户需求模糊化，将用户需求中的各个参数模糊化为隶属度，并经过模糊推理获得更新后的隶属度；s4、对更新后的隶属度清晰化(即反模糊化)即获得初始模板解集。
7.在本发明的一个或多个实施方式中，s1中基础型参数至少包括船长、船宽中的一种。
8.在本发明的一个或多个实施方式中，s1中功能型参数至少包括气象衡准值、稳定性衡准值、航速、续航里程中的一种。
9.在本发明的一个或多个实施方式中，s3中用户需求模糊化为依据舰船现有资料库经过模糊c均值聚类算法得到隶属度函数的聚类中心和偏差，从而将用户需求中的各个参数模糊化为隶属度。
10.在本发明的一个或多个实施方式中，s3中用户需求模糊化包括构建模糊化空间，并对模糊化空间进行区间划分，模糊化空间至少匹配若干区间，若干区间的排序适应于模糊变量的变化；获取适应于基础型参数与功能型参数的参考参数；以模糊c均值聚类算法，获取模糊化后的用户需求，模糊化后的用户需求包括参考参数和模糊变量。
11.在本发明的一个或多个实施方式中，s3中模糊化空间至少匹配如下模糊变量的若干区间：负大/nb、负中/nm、负小/ns、零/ze、正小/ps、正中/pm、正大/pb。这里的“负大/nb”中“/”表示以“负大”或“nb”中至少任一对相应模糊变量进行标记。
12.在本发明的一个或多个实施方式中，s3中更新后的隶属度还通过赋予专家经验参数η进行调整。
13.在本发明的一个或多个实施方式中，s4中清晰化为采用加权平均法。
14.在本发明的一个或多个实施方式中，设计系统，包括：存储器，用于存储可执行指令；处理器，用于执行存储器中存储的可执行指令时，实现如前述的基于模糊推理的船舶初始模板设计方法。
15.在本发明的一个或多个实施方式中，可读存储介质，存储有可执行指令，用于被处理器执行时实现如前述的基于模糊推理的船舶初始模板设计方法。
16.与现有技术相比，根据本发明实施方式的基于模糊推理的船舶初始模板设计方法、系统及可读存储介质，克服用户需求语义描述具有不确定性的不足，尽可能达到基于模糊推理的船舶概念方案符合用户需求的目的，将船舶概念方案设计与模糊推理进行适度结合，从而表达更深层次的知识和信息，提高船舶概念方案设计的效率和合理性。
附图说明
17.图1是根据本发明一实施方式的整体流程图；
18.图2是根据本发明一实施方式的基础型参数与功能型参数关系解耦图；
19.图3-1是根据本发明一实施方式的高斯隶属函数图；
20.图3-2是根据本发明一实施方式的用户需求模糊化过程图；
21.图4是根据本发明一实施方式的用户需求模糊推理图。
具体实施方式
22.下面结合本发明的具体实施方式，对本发明技术方案进行示例性的详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
23.除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
24.如图1至图4所示，根据本发明优选实施方式的基于模糊推理的船舶初始模板设计方法：
25.基于模糊推理的船舶初始概念方案设计技术，即基于模糊推理的船舶初始模板设计方法,如图1所示，包括：基础型参数与功能型参数关系解耦、用户需求模糊化、模糊推理构建模型、初始方案解集清晰化。
26.其中关于基础型参数与功能型参数关系解耦，依据现有技术的大量实际的船舶资料，将客户需求的船舶数据可以划分为基础型参数(ba)和功能型参数(fu)。基础型参数指船型具体设计有关的参数，包括而不限于主尺度参数、型线参数等如船长、船宽等参数。功能型参数指评价船舶功能的参数，包括而不限于动力衡准值、强力衡准值等如气象衡准值、稳定性衡准值等参数。
27.一般功能型参数可以与多个基础型参数具有较强的耦合关系。因此，通过使用深度学习算法等方法将基础型参数和功能型参数进行拟合，从而实现基础型参数与功能型参数的关系解耦以及实现功能型参数到基础型参数的映射，继而提高模糊推理的合理性和精确性。
28.用户需求模糊化，用户需求语义描述具有模糊和不确定性的特点。用户需求，包括模糊变量和参考船舶参数，其中参考船舶参数包括基础型参数与功能型参数。
29.模糊推理，由于用户需求包括模糊变量和参考船舶参数，因此模糊推理模型主要是模糊变量与参考参数的模糊推理以及基础型参数与功能型参数的模糊推理。首先将两者模糊化后可分别得到隶属度，再结合模糊规则，即可推理出能够表达出用户需求的一组隶属度。
30.经过模糊推理，输出的隶属度即为初始方案解的模糊隶属度，将其反模糊化也即清晰化就可获得归一化的初始方案解集。清晰化方法可以采用加权平均法。
31.具体而言，为了提高后续模糊推理的准确性，本发明首先对基础型参数和功能型参数的关系进行解耦，其关系解耦如图2所示。关系解耦的实质在于实现功能型参数到基础型参数的映射，本发明采用深度置信网络进行基础型参数与功能型参数的关系解耦。在基础型参数与功能型参数的关系解耦之后，继续将用户需求模糊化。根据现有船舶参数库经过模糊c均值算法聚类得到隶属度函数里面的聚类中心和偏差，从而把用户需求中的各个参数模糊化为隶属度值，用于后面的模糊推理，模糊化过程如图3-2所示。最后是模糊推理，推理过程如图4所示。模糊推理可以包括两个阶段，首先是模糊变量和参考参数确定，并根据专家经验的推理，其次是基础型参数和功能型参数的模糊推理，得到的是模糊的隶属度值。依据修正后的隶属度值再进行清晰化，可以得到基于用户需求的初始方案。
32.如图2所示，基础型参数与功能型参数关系解耦。假设现有的船舶数据集为dn×d，基础型参数的维数为d
(ba)
，功能型参数的维数为d
(fu)
，共有n条现有的船舶数据。则船舶中基础型参数与功能型参数的数据集可分别表示为：
[0033][0034]
其中：d
(ba)
表示基础型参数的数据集，d
(fu)
表示功能型参数的数据集，表示第i条现有的船舶数据的基础型参数；示第i条现有的船舶数据的功能型参数；d
(pa)
+d
(pe)
＝d，j
(ba)
＝1，2，
…
，d
(ba)
，j
(fu)
＝1，2，
…
，d
(fu)
，i＝1，2，
…
，n，
[0035][0036][0037]
将基础型参数ba作为dbn的输入，功能型参数fu作为dbn的输出，训练所构建的dbn网络，完成基础型参数与功能型参数的关系解耦，目标函数表示为：
[0038]
ba＝f(fu)
[0039]
如图3-2所示，用户需求模糊化。其中模糊变量可以依据需求用“负大”、“负中”、“正小”等词语表示。例如，某个用户需求为船长比300m长一点，吃水要浅，服务航速比25快很多。其中，“长一点”用正小表示，“快很多”则用正大表示。“300”和“25”则作为为参考船舶中对应船长和航速的参考参数。最终利用聚类算法计算模糊空间划分位置，将用户需求模糊化。此时，用户需求可以由模糊语言与参考参数组成。
[0040]
在表达时，可以首先对模糊语言空间进行划分，共划分为7个区间，其对应的模糊语言解释为：“负大”，“负中”，“负小”，“零”，“正小”，“正中”，“正大”，用符号记为：[“nb”，“nm”，“ns”，“ze”，“ps”，“pm”，“pb”]。用户在描述需求时，每个特征需要提供相应的参考参数值，若某个参数用户未特别指定，则默认采用当前参数对应的船舶的参考参数均值。
[0041]
因此，将用户需求作为系统的输入集，可以表示为：
[0042]
u＝{xi′
，pi′
}，i
′
＝1，2，
…
，n
′
[0043]
其中n
′
为用户需求的数量，模糊变量xi′
＝[xi′1，xi′2，
…
，xi′d]，且每个模糊变量xi′
均有d维特征，具体的取值为xi′j∈{nb，nm，ns，ze，ps，pm，pb}。参考参数变量pi′
＝[pi′1，pi′2，
…
，pi′d]，且pi′
均有d维特征，具体的取值为pi′j∈{d
ij
}，i＝1，2，
…
，n，j＝1，2，
…
，d。如某条用户需求为：船宽比30m宽一点，吃水要深，续航时间要久一点。则这条用户需求中参数船宽的模糊变量值为“ps”，参考参数的数值为30；吃水的模糊变量值为“pm”，参考参数的数值为现有同类型船舶参数吃水量的均值；续航时间的模糊变量值为“ps”，参考参数的数值为现有同类型船舶参数续航时间的均值。
[0044]
在得到系统的输入之后，分别对模糊变量和参考参数进行模糊化。在模糊化的过程中，需要采用合适的隶属函数对模糊变量进行模糊化，其中x1表示第一条用户需求，它又包含d维特征，比如船长、船宽等。共有n
′
条用户需求，每条用户需求数据包含d维特征。
[0045]
针对模糊变量其论域为离散型的{-3，-2，-1，0，1，2，3}，则其隶属函数采用数值描述法。目前由数值描述法构建的隶属函数主要有两种方式，一种是由专家经验制定，另一种是由聚类算法生成。因此，本发明在构建用户需求模糊变量的隶属函数时，先采用模糊c均值算法(fcm)生成聚类中心和偏差，再根据专家经验与评价对隶属函数进行调整。
[0046]
根据fcm算法，计算出每个特征的多个聚类中心及其对应的偏差，其公式如下所示：
[0047][0048][0049]
式中μ
′i表示由fcm计算的第i个模糊变量的隶属度，η为设定的固定参数，i＝1，2，
…
，n，j＝1，2，
…
，d，k＝1，2，
…
，k，k为模糊分割数，这里k＝7。则现有船舶数据集中第j维
特征的聚类中心表示为偏差为
[0050]
用户需求模糊变量中第j维特征对第k类聚类中心的隶属函数根据高斯隶属函数计算的结果为：
[0051][0052]
其中，表示参考船舶中第j维特征对第k类的聚类中心，表示用户需求模糊变量中第j维特征对第k
′
类的聚类中心；表示参考船舶中第j维特征对第k类的聚类中心对应的偏差。
[0053]
用户需求的隶属函数集其中：
[0054][0055]
此外，基于专家的经验调整参数η对模糊化用户需求具有很大的影响。若η过大会导致同一维特征中对不同模糊聚类中心的隶属度函数存在严重的重叠，不同特征的隶属函数却具有明显的区别；而当η过小会导致同一维特征中对不同模糊聚类中心的隶属度函数具有明显的区别，不同特征的隶属函数却趋于一致。因此，需要选用合适的η值使得不同特征以及每个特征中不同的模糊中心，其隶属度函数具有明显的特质与区分度。
[0056]
最终，第i
′
个用户需求的隶属度为：
[0057][0058]
其中，表示第i
′
个用户需求中第j维特征在第kj类中的隶属度，且类中的隶属度，且用户需求变量隶属度ud为：
[0059][0060]
针对参考参数集而言，其论域是连续的。最常见的隶属函数有高斯函数、三角形函数、梯形函数等，本发明则采用高斯隶属函数，如图3-1所示。其公式表示如下：
[0061][0062]
则第i
′
个用户需求的第j个特征对于第k类的隶属度如下式所示：
[0063][0064]
其中，与分别为通过fcm算法计算得到的第j维特征对第k类模糊聚类中心及其偏差，pi′j为用户的第i
′
个需求中第j维特征的参考船舶的参数，因此，i
′
∈{1，2，
…
，n
′
}，j∈{1，2，
…
，d}，k∈{1，2，
…
，k}，n
′
为用户需求的数量，d为参考船舶的特征数量，k为模糊分割数量。则第i
′
个用户需求的参考船舶参数的隶属度为：
[0065]
[0066]
其中，表示第i
′
个用户需求的参考船舶参数的第j维特征在第k类中的隶属度。
[0067]
因此，参考船舶参数的隶属度ur为：
[0068][0069]
如图4所示，在得到用户需求模糊语言和参考船舶参数的隶属度之后是模糊推理的部分。模糊推理一共包含两个步骤：
①
模糊变量与参考参数的模糊推理；
②
基础型参数与功能型参数的模糊推理。
[0070]
针对模糊变量与参考参数的模糊推理而言，模糊规则是根据专家经验总结得到的。例如：
[0071]
rule1：if ud is“nb”∧ur is“nb”，then u is“nb”；
[0072]
rule2：if ud is“nm”∧ur is“ps”，then u is“ns”；
[0073]
rule3：if ud is“ze”∧ur is“pm”，then u is“pm”；
[0074]
rule4：if ud is“pb”∧ur is“ps”，then u is“pb”；
[0075]
其中，“rule1”代表一条“if-then”规则，ud为语言变量的模糊集合，ur为参考船舶的模糊集合，u为推理出船舶的模糊集合。
[0076]
因此，对于所有的用户需求，可根据专家经验构建不同的模糊规则，从而使模糊推理的结果可视化，推理过程如图4所示。
[0077]
最终，将模糊变量与参考参数根据设定好的模糊规则进行模糊推理，得到用户需求隶属度矩阵u：
[0078][0079][0080]
其中，kj为推理后的用户需求参数中的模糊变量值，且满足以下条件：
[0081][0082]
s.t.kj∈{-3，-2，-1，0，1，2，3}
[0083]
其中是指用户需求模糊变量值，是指用户需求参考参数隶属值。
[0084]
针对基础型参数与功能型参数的模糊推理而言，在将基础型参数和功能型参数进行关系解耦之后，再将该拟合关系f(g)映射到隶属度空间，继而实现功能型参数的隶属度到基础型参数的隶属度的投影，使模糊推理的结果更符合用户的需求。最后，将映射得到的功能型参数的隶属度与原始功能型参数的隶属度进行比较即取最大值操作，完成模糊推理过程。
[0085]
具体映射过程如下：
[0086]ufu
′
＝f(u
ba
)
[0087]u′
＝max{u
fu
，u
fu
′
}
[0088]
其中
[0089][0090][0091]
式中，u
fu
′
为功能型参数隶属度映射后的基础型参数隶属度，u
fu
为原功能型参数隶属度，u
ba
表示基础型参数隶属度。u
′
为功能型参数与基础型参数模糊推理的结果。
[0092]
在功能型参数的隶属度映射为基础型参数的隶属度后，与原基础型参数的隶属度共同参与模糊推理，具体推理过程如图4所示：
[0093]
if u
fu
is ns∧u
ba
is pb，then u
′
is pb.
[0094]
经过模糊推理，输出的隶属度即为初始方案解的模糊隶属度，再将其清晰化就可获得船舶概念方案设计得初始方案解集。本发明通过加权平均法来实现初始方案解集，其公式表示如下：
[0095][0096]
其中，表示用户需求中第j维特征对第k
′
类的聚类中心；表示功能型参数中第j维特征在第kj类的隶属度(映射为基础型参数的隶属度后)与原基础型参数中第j维特征在第k
′
类的隶属度共同参与模糊推理的结果；i
′
＝1，2，
…
，n
′
，j＝1，2，
…
，d，kj∈{1，2，
…
，k}，k
′
＝1，2，l，k。
[0097]
清晰化后可以得到用户需求的初始方案解，表示为
[0098][0099]
最终初始方案解h可以表达为
[0100][0101]
其中基础型参数ba包含船长(l)，船宽(b)，垂线间长(c)，型深(d)，吃水(w)，结构吃水(s)；功能型参数fu包含气象衡准值(kt)，预报航速(sp)；n
′
表示初始方案解的个数；h
(ba)
表示基础型参数的初始方案解；h
(fu)
表示功能型参数的初始方案解。
[0102]
本发明方法的执行可以通过程序自动执行，实施过程中在依据用户需求输入对应的基础型参数与功能型参数后，程序运行即可以获得隶属度和初始模板解集，完成船舶初始模板设计。程序运行过程中，还可以根据需要输入赋予专家经验参数η进行修正，以获得更精确的设计。相关程序可以被烧制到芯片并于计算机等硬件设备上自动实施。
[0103]
在船舶初始模板方案设计中，用户的需求和其语义描述都具有不确定性和模糊性。同时也是一个多学科参与的过程，需要许多具有丰富经验的专家的参与。而专家根据经验归纳得到的知识集、实例化样本知识集、模型数量化知识集以及元知识集的表达亦存在
模糊不确定性。而模糊逻辑最显著的特点是其良好的知识抽取与表达能力，能更直接地表达人类日常生活习惯的逻辑语义。
[0104]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

技术特征：
1.一种基于模糊推理的船舶初始模板设计方法，包括s1、获取用户需求以及舰船现有资料库，所述用户需求至少划分为基础型参数与功能型参数；s2、对基础型参数和功能型参数的关系进行解耦，实现功能型参数到基础型参数的映射；s3、用户需求模糊化，将用户需求中的各个参数模糊化为隶属度，并经过模糊推理获得更新后的隶属度；s4、对更新后的隶属度清晰化即获得初始模板解集。2.如权利要求1所述的基于模糊推理的船舶初始模板设计方法，其特征在于，s1中所述基础型参数至少包括船长、船宽中的一种。3.如权利要求1所述的基于模糊推理的船舶初始模板设计方法，其特征在于，s1中所述功能型参数至少包括气象衡准值、稳定性衡准值、航速、续航里程中的一种。4.如权利要求1所述的基于模糊推理的船舶初始模板设计方法，其特征在于，s3中所述用户需求模糊化为依据舰船现有资料库经过模糊c均值聚类算法得到隶属度函数的聚类中心和偏差，从而将用户需求中的各个参数模糊化为隶属度。5.如权利要求4所述的基于模糊推理的船舶初始模板设计方法，其特征在于，s3中所述用户需求模糊化包括构建模糊化空间，并对所述模糊化空间进行区间划分，所述模糊化空间至少匹配若干区间，若干所述区间的排序适应于模糊变量的变化；获取适应于基础型参数与功能型参数的参考参数；以模糊c均值聚类算法，获取模糊化后的用户需求，模糊化后的用户需求包括参考参数和模糊变量。6.如权利要求5所述的基于模糊推理的船舶初始模板设计方法，其特征在于，s3中所述模糊化空间至少匹配如下模糊变量的若干区间：负大/nb、负中/nm、负小/ns、零/ze、正小/ps、正中/pm、正大/pb。7.如权利要求1所述的基于模糊推理的船舶初始模板设计方法，其特征在于，s3中更新后的所述隶属度还通过赋予专家经验参数η进行调整。8.如权利要求1所述的基于模糊推理的船舶初始模板设计方法，其特征在于，s4中所述清晰化为采用加权平均法。9.设计系统，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现如权利要求1-8任一所述的基于模糊推理的船舶初始模板设计方法。10.可读存储介质，存储有可执行指令，用于被处理器执行时实现如权利要求1至8任一所述的基于模糊推理的船舶初始模板设计方法。

技术总结
本发明公开了基于模糊推理的船舶初始模板设计方法、系统及可读存储介质，设计方法包括S1、获取用户需求以及舰船现有资料库，所述用户需求至少划分为基础型参数与功能型参数；S2、对基础型参数和功能型参数的关系进行解耦，实现功能型参数到基础型参数的映射；S3、用户需求模糊化，将用户需求中的各个参数模糊化为隶属度，并经过模糊推理获得更新后的隶属度；S4、对更新后的隶属度清晰化即获得初始模板解集。本发明针对用户的需求和其语义描述都具有不确定性和模糊性的问题，基于模糊推理过程，优化计算机参与辅助设计的过程，从而有效改进了船舶的设计效率和质量。改进了船舶的设计效率和质量。改进了船舶的设计效率和质量。


技术研发人员：周逸 周塔 严薇 翟佳
受保护的技术使用者：江苏科技大学
技术研发日：2023.07.06
技术公布日：2023/10/11