一种VR模拟飞行器训练评价方法技术

本发明专利技术公开了一种VR模拟飞行器训练评价方法，该方法无需进行类似AHP方法中先将与操作效果有关的评价因素进行分解为目标、准则、方案等复杂操作，而是将所有的操作动作都分解成基础动作元，并将每个训练科目分解成若干个评价节点，采用机器学习的方式得到评价节点的节点评价网络，然后根据节点评价网络输出的评价信息，再采用深度学习的方法得到整个训练科目的综合评价结果，从而实现训练过程的实时评价以及整个科目的综合评价。本发明专利技术所述方法广泛适用于脚本化和非脚本化训练科目的操作效果评价，可根据参训人员的随机操作和训练中的指标操作点，实时评价模拟操作效果，为训练指导提供依据，显著提升训练成效。

A Training Evaluation Method for VR Simulated Aircraft

【技术实现步骤摘要】
一种VR模拟飞行器训练评价方法
本专利技术涉及机器智能、数据处理领域，尤其涉及一种VR模拟飞行器训练评价方法。
技术介绍
VR模拟飞行器训练系统因其低廉的训练开销，便捷的训练准备而被广泛应用于飞行训练以及特种科目训练领域，而一种较好的VR模拟飞行器训练评价方法对于查找训练不足，明确训练和指导要点，进而提升训练成效是必不可少的。目前模拟训练的评价方法多采用层次分析法AHP，该方法因其简洁实用的决策过程，所需定量数据信息较少，又能兼顾系统性的优点得到了广泛使用；然而以AHP为代表的现有模拟训练评价方法只适用于预设科目和脚本化训练系统，不能为决策和评价提供新方案，对于讲究实战训练效果的非脚本化VR模拟飞行器训练系统，难以得到令人信服的评价结果，进而严重影响了训练成效。
技术实现思路
为了解决以上问题，本专利技术提出了一种VR模拟飞行器训练评价方法，该方法无需进行层次分析法AHP方法中先将与操作效果有关的评价因素进行分解为目标、准则、方案等复杂操作，而是将所有的操作动作都分解成基础动作元，并将每个训练科目分解成若干个评价节点，采用机器学习的方式得到评价节点的节点评价网络，然后根据节点评价网络输出的评价信息，再采用深度学习的方法得到整个训练科目的综合评价结果，从而实现训练过程的实时评价以及整个科目的综合评价。包括以下步骤：S1将VR模拟飞行器训练系统中的动作元与输入元一一关联；所述步骤S1将VR模拟飞行器训练系统中的动作元与输入元一一关联具体方法如下：将VR模拟飞行器训练系统中的动作元设置m个，依次标记为OP1,OP2,…OPi…OPm(i≤m)；将VR模拟飞行器训练系统中的输入元设置有n维，依次标记为IPT1,IPT2,…IPTj…IPTn(j≤n)；令n＝m，OPi＝IPTj，其中计数参数i与j同步，则建立了动作元与输入元的一一关联关系。S2建立科目模式库DLS，用于存放训练科目LS每个科目LSk的考评节点以及该科目的标准评价网络，其中k表示第k个科目，用于计数；表示科目k的第i个考评节点；所述步骤S2中的标准评价网络包括节点评价网络和科目综合评价网络；科目k的标准评价网络由两部分内容组成，一个是节点评价网络表示科目k的第i个节点的节点评价网络；二是科目k的综合评价网络Netk。S3对科目模式库DLS中的每一个科目，随机生成动作元的参数特征，以每个科目LSk的考评节点为单位，记录飞行姿态，并对考评节点的随机飞行姿态情况做分类；对科目模式库DLS中的每一个科目，采用随机的方式生成动作元的参数特征，以每个科目的考评节点为单位，参照考评节点处的飞行姿态，由专家法为各节点相对应的各随机飞行姿态做分类；当整个科目流程结束时，再由专家法对整个科目流程的随机飞行姿态做综合评价分类。所述步骤S3具体方法为：按照科目流程，在每一考评节点处均随机生成r组动作元的参数特征其中表示在处的第j组动作元的参数特征，1≤j≤r；将代入参数特征，其中表示在确定的VR模拟飞行器训练系统中在节点处的第q维动作元的参数特征，1≤q≤m；获取到在处的r组动作元参数特征后，采用专家法对科目LSk下处的r组动作元参数特征，即r组随机飞行姿态进行分类，记为其中，Sj表示第j组随机飞行姿态的分类结果；对科目LSk的w个考评节点所对应的w×r组随机飞行姿态都进行分类，得到分类结果记为Tk,则有其中，表示科目LSk下第u个考评节点所对应的r组随机飞行姿态的分类情况矩阵。S4利用随机生成的动作元以及科目模式数据，采用机器学习的方法训练得到考评节点的评价网络；所述步骤S4采用机器学习的方法训练得到考评节点的评价网络具体方法为采用神经网络的方法来建立实时飞行姿态与节点评价的映射关系。经过S3步骤的处理后，实际上建立了科目LSk中w个考评节点的多组飞行姿态和各飞行姿态的节点评价数学模型。采用机器学习的方法建立在各考评节点处，实时飞行姿态与节点评价的映射关系。采用神经网络的方法来建立实时飞行姿态与节点评价的映射关系。所述映射关系转变为根据在节点处根据r组样本数据及其评价结果训练得到适用的神经网络模型，该模型可以根据参训人员的实际操作所对应的实时动作元直接得到评价结果的分类问题。样本数据为其中，表示在考评节点处的第r组样本的第m维动作元。样本数据P所对应的节点评价分类结果为其中表示在考评节点处r组动作元样本所对应的节点评价结果。所述采用神经网络的方法来建立实时飞行姿态与节点评价的映射关系具体包括以下步骤：S401将样本数据P中的元素归一化处理；S402利用归一化后的样本数据进行网络模型的训练。所述步骤S401中归一化的具体方法如下：由于动作元模式以及不同特征值表征不同性质，各参数特征间的数值差异比较大，因此，需要对每组样本特征值进行归一化，其归一化方法如下：其中，是第i个考评节点的第j组样本的第q个动作元特征，q∈[1,m]，j∈[1,r]。所述步骤S402中利用归一化后的样本数据进行网络模型的训练具体方法如下：将归一化后的样本输入模式层，模式层采用径向基神经网络的模式层结构，模式层的每个神经元对应着一个训练样本，即有r个模式层神经元，每个模式层神经元节点拥有一个中心，即计算输入向量与中心之间的欧氏距离：其中OP表示不同样本数据中动作元的统指，c表示每个模式层神经元节点中心的统指；模式层神经元的激活函数选用：其中，σ为光滑因子；模式层经激活函数映射后便实现了判断哪些类别与输入向量有关，即模式层中每个神经元和输入层中每个神经元之间的匹配程度，再将相关度高的类别集中起来，模式层的输出值代表相似度，即初始概率矩阵，然后将模式层的输出值送到求和层；求和层将属于同一类的初始概率相加，并做平均：当各个类的先验概率相等，且模型对待分类样本的误判成本也相等时，根据贝叶斯分类规则，样本被分类至具有最大求和层输出的类别中：其中，表示样本所分的类别；输出层包含4个神经元：优秀、好、合格、不合格，从而得到每个考评节点对每组样本的评价；测试概率神经网络的训练效果时，采用计算网络的均方误差：其中，为专家给出的第i个考评节点的第j组样本的实际对应评价类别，为神经网络输出的第i个考评节点的第j组样本的预测评价；根据实际需求设置阈值ε，若e<ε则认为神经网络的精确度满足实际需求，训练完毕，否则继续训练直至满足需求。由步骤S401和步骤S402可得到科目LSk在考评节点处的节点评价网络模型同理可求得所有的w个节点的节点评价网络模型为S5利用考评节点的评价结果，采用机器学习的方法训练得到综合评价网络，利用综合评价网络即可对参训人员的实际训练数据进行所训科目的综合评价。所述步骤S5利用考评节点的评价结果，采用机器学习的方法训练得到综合评价网络具体方法如下：在科目LSk中的w个考评节点中，其中1≤i≤w，在r组随机生成的动作元所对应的评价分类结果中，考评节点对应的分类结果为记各评价节点的分类结果的数据样本为数据样本的综合评价为：本专利技术采用BP神经网络来建立由节点评价结果推断出科目LSk的综合评价结果的网络模型。处理过程如下：BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐含层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到本文档来自技高网...

【技术保护点】
1.一种VR模拟飞行器训练评价方法，其特征在于：包括以下步骤：S1将VR模拟飞行器训练系统中的动作元与输入元一一关联；S2建立科目模式库DLS，用于存放训练科目LS每个科目LS

【技术特征摘要】
1.一种VR模拟飞行器训练评价方法，其特征在于：包括以下步骤：S1将VR模拟飞行器训练系统中的动作元与输入元一一关联；S2建立科目模式库DLS，用于存放训练科目LS每个科目LSk的考评节点以及该科目的标准评价网络，其中k表示第k个科目，用于计数；表示科目k的第i个考评节点；S3对科目模式库DLS中的每一个科目，随机生成动作元的参数特征，以每个科目LSk的考评节点为单位，记录飞行姿态，并对考评节点的随机飞行姿态情况做分类；S4利用随机生成的动作元以及科目模式数据，采用机器学习的方法训练得到考评节点的评价网络；S5利用考评节点的评价结果，采用机器学习的方法训练得到综合评价网络，利用综合评价网络即可对参训人员的实际训练数据进行所训科目的综合评价。2.如权利要求1所述的VR模拟飞行器训练评价方法，其特征在于：所述步骤S1将VR模拟飞行器训练系统中的动作元与输入元一一关联具体方法如下：将VR模拟飞行器训练系统中的动作元设置m个，依次标记为OP1,OP2,…OPi…OPm(i≤m)；将VR模拟飞行器训练系统中的输入元设置有n维，依次标记为IPT1,IPT2,…IPTj…IPTn(j≤n)；令n＝m，OPi＝IPTj，其中计数参数i与j同步，则建立了动作元与输入元的一一关联关系。3.如权利要求1所述的VR模拟飞行器训练评价方法，其特征在于：所述步骤S2中的标准评价网络包括节点评价网络和科目综合评价网络。4.如权利要求1所述的VR模拟飞行器训练评价方法，其特征在于：所述步骤S3具体方法为：按照科目流程，在每一考评节点处均随机生成r组动作元的参数特征其中表示在处的第j组动作元的参数特征，1≤j≤r；将代入参数特征，其中表示在确定的VR模拟飞行器训练系统中在节点处的第q维动作元的参数特征，1≤q≤m；获取到在处的r组动作元参数特征后，采用专家法对科目LSk下处的r组动作元参数特征，即r组随机飞行姿态进行分类，记为其中，Sj表示第j组随机飞行姿态的分类结果；对科目LSk的w个考评节点所对应的w×r组随机飞行姿态都进行分类，得到分类结果记为Tk,则有其中，表示科目LSk下第u个考评节点所对应的r组随机飞行姿态的分类情况矩阵。5.如权利要求1所述的VR模拟飞行器训练评价方法，其特征在于：所述步骤S4采用机器学习的方法训练得到考评节点的评价网络具体方法为采用神经网络的方法来建立实时飞行姿态与节点评价的映射关系。6.如权利要求5所述的VR模拟飞行器训练评价方法，其特征在于：所述采用神经网络的方法来建立实时飞行姿态与节点评价的映射关系具体包括以下步骤：S401将样本数据P中的元素归一化处理；S402利用归一化后的样本数据进行网络模型的训练。7.如权利要求6所述的VR模拟飞行器训练评价方法，其特征在于：所述步骤S401中归一化的具体方法如下：由于动作元模式以及不同特征值表征不同性质，各参数特征间的数值差异比较大，因此，需要对每组样本特征值进行归一化，其归一化方法如下：其中，是第i个考评节点的第j组样本的第q个动作元特征，q∈[1,m]，j∈[1,r]。8.如权利要求6所述的VR模拟飞行器训练评价方法，其特征在于：所述步骤S402中利用归一化后的样本数据进行网络模型的训练具体方法如下：将归一化后的...

【专利技术属性】
技术研发人员：孙昊，田玉华，张琳，张文鹏，
申请(专利权)人：青岛海科虚拟现实研究院，
类型：发明
国别省市：山东,37