一种基于贝叶斯网络的飞行训练科目智能生成方法技术

本发明专利技术公开一种基于贝叶斯网络的飞行训练科目智能生成方法，该方法通过分析影响飞行员训练科目选择的指标，确定网络模型的观测节点，根据各元素间的因果关系确定中间节点，从而完成贝叶斯网络模型的构建。通过对历史训练数据库进行观测数据采集，按照网络推理算法智能决策出训练科目。用户在使用本方法生成飞行训练科目前应准备好训练案例和受训人员各项科目训练评价数据。使用本方法进行仿真训练时可获得实时的、动态的飞行训练科目，增强训练内容的针对性和随机性，减少仿真飞行训练中制定训练方案所耗费的时间，提升训练效率和训练效果。效果。效果。

【技术实现步骤摘要】
一种基于贝叶斯网络的飞行训练科目智能生成方法


[0001]本专利技术涉及飞行器操作仿真
，尤其涉及一种基于贝叶斯网络的飞行训练科目智能生成方法。

技术介绍

[0002]在仿真飞行训练领域，目前主要是根据教练员的经验针对飞行训练人员的训练情况做出训练计划，还没有完整、成熟的科目智能生成技术。在其他训练领域有类似的科目选择方式，例如在发动机车间应用美国军用手册的ACL模型进行维修科目选择，使用了一种模糊决策的方法，该方法在权值的设定上有很大的主观性。
[0003]目前，我国飞行训练中的科目主要由教练员主观进行判断，指定受训人员需要进行训练的科目内容。这种方式容易受到教练员的喜好、主观情绪影响，从而不能客观、综合的选择出适应不同飞行员操纵能力的训练科目。

技术实现思路

[0004]针对上述现有技术的不足，本专利技术提供一种基于贝叶斯网络的飞行训练科目智能生成方法。
[0005]为解决上述技术问题，本专利技术所采取的技术方案是：一种基于贝叶斯网络的飞行训练科目智能生成方法，包括如下步骤：
[0006]步骤1：建立飞行科目训练评价指标体系，将受训人员各项科目训练情况数据及其对应的训练案例数据按照此指标体系评估后，将评价指标以特征值的形式存入数据库；
[0007]步骤2：选取推理要素，建立基于贝叶斯网络的飞行训练科目生成模型，过程如下：
[0008]步骤2.1：从数据库中的特征值中选取影响训练科目生成的指标要素，定义网络模型的节点和状态集；
[0009]步骤2.2：分析各选定观测指标对训练科目的影响程度和各观测节点与根节点之间的因果关系，进而确定中间节点，构建基于贝叶斯网络模型。
[0010]所述构建贝叶斯网络模型的过程如下：
[0011]选取影响飞行训练科目选择的因素作为观测节点，包括历史训练平均成绩、训练间隔、任务重要度、困难度、误操作可能性和误操作危险性六种；
[0012]将历史训练平均成绩按从高分到低分的顺序排序后，划分为五个分数段；训练时间间隔按短、中、长划分为3种类型；误操作可能性按高、中、低划分为3种状态；科目重要程度按照执行任务等级划分为3个级别；科目困难程度按照执行任务操作难度划分为3个级别；误操作危险性按照误操作后果划分为高、中、低三个等级；
[0013]由观测节点与根节点的因果关系建立基于贝叶斯网络的飞行训练科目生成模型：
[0014]根据上述内容选取的六种观测信息对训练结果的影响程度排序，底层采用历史训练平均成绩和训练科目的自身重要程度进行各科目是否训练决策；第二层选用训练时间间隔特征，进一步确定该科目的训练可能性，训练时间间隔越长，其进行训练的意义越大；第
三层结合操控员的历史训练误操作频率和科目自身的误操作危险性，当误操作频率较低和误操作危险性较低时，减小继续进行训练的次数；顶层结合科目自身的训练难度，综合确定是否进行对相应科目的训练。
[0015]步骤3：将受训人员的各项历史飞行科目训练评价结果从数据库中读入内存，通过网络模型推理出本次训练的飞行科目，过程如下：
[0016]步骤3.1：定义数据容器，将从数据库读入的受训人员各项飞行科目训练评价数据保存到容器中，以供推理模块决策所需；
[0017]步骤3.2：模型推理模块将受训人员各项飞行科目训练评价数据作为输入，依据基于贝叶斯网络的飞行训练科目生成模型完成决策，得到训练科目结果。
[0018]步骤4：由推理出的训练科目，将对应仿真激励决策结果按照特定格式转换为该次飞行训练科目生成方案，实现对应的仿真激励生成，过程如下：
[0019]步骤4.1：对照训练科目的训练内容，将对应仿真激励按照接口格式进行信息确定；
[0020]步骤4.2：通过UDP通信将设置的仿真激励数据传送到地面站系统并显示，得到训练科目生成方案。
[0021]采用上述技术方案所产生的有益效果在于：
[0022]1、本专利技术实现了由传统的教练员制定训练计划到由程序学习制定计划规则后再为受训人员制定训练计划的转变，摆脱了训练计划制定存在主观性的问题，完成智能生成科目的突破，为后续的智能制定训练计划奠定理论和技术基础。
[0023]2、本专利技术的方法实现了由“由成绩制定训练方案-训练-由训练获取成绩”的闭环，符合受训人员的学习逻辑。
[0024]3、采用这种飞行训练科目生成方案制定方式可以实现科目生成的智能化和训练的无人化，节约人力物力资源，提高了训练的个性化，从而提升训练效率。
附图说明
[0025]图1为本专利技术实施例中训练科目智能生成贝叶斯网络模型的结构示意图；
[0026]图2为本专利技术实施例中模型推理流程图。
具体实施方式
[0027]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0028]本实施例中基于贝叶斯网络的飞行训练科目智能生成方法具体步骤如下：
[0029]步骤1：建立飞行科目训练评价指标体系，将受训人员各项科目训练情况数据及其对应的训练案例数据按照此指标体系评估后，将评价指标以特征值的形式存入数据库；
[0030]本实施例中，所述飞行科目训练评价指标体系包括如下评价指标：
[0031](1)平均成绩：根据最近一段时间内或最近多次训练得出的平均成绩，表示受训人员对该项飞行科目训练内容掌握情况；
[0032](2)训练间隔：距上一次训练间隔时间；
[0033](3)任务重要度：该飞行科目在飞行过程中的重要程度；
[0034](4)困难度：进行该飞行科目飞行的难易程度；
[0035](5)误操作可能性：处理该飞行科目时，错误操作的可能性；
[0036](6)误操作危险度：处理该飞行科目时，发生错误操作的危险程度。
[0037]步骤2：选取推理要素，建立基于贝叶斯网络的飞行训练科目生成模型，过程如下：
[0038]步骤2.1：从数据库中的特征值中选取影响训练科目生成的指标要素，定义网络模型的节点和状态集；
[0039]步骤2.2：分析各选定观测指标对训练科目的影响程度和各观测节点与根节点之间的因果关系，进而确定中间节点，构建基于贝叶斯网络模型。
[0040]所述构建贝叶斯网络模型的过程如下：
[0041]选取影响飞行训练科目选择的因素作为观测节点，包括历史训练平均成绩、训练间隔、任务重要度、困难度、误操作可能性和误操作危险性六种；
[0042]将历史训练平均成绩按从高分到低分的顺序排序后，划分为五个分数段；训练时间间隔按短、中、长划分为3种类型；误操作可能性按高、中、低划分为3种状态；科目重要程度按照执行任务等级划分为3个级别；科目困难程度按照执行任务操作难度划分为3个级别；误操作危险性按照误操作后果划分为高、中、低三个等级，具体如表1所示：
[0043]表1观测节点特征划分
[0044]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯网络的飞行训练科目智能生成方法，其特征在于，包括如下步骤：步骤1：建立飞行科目训练评价指标体系，将受训人员各项科目训练情况数据及其对应的训练案例数据按照此指标体系评估后，将评价指标以特征值的形式存入数据库；步骤2：选取推理要素，建立基于贝叶斯网络的飞行训练科目生成模型；步骤3：将受训人员的各项历史飞行科目训练评价结果从数据库中读入内存，通过网络模型推理出本次训练的飞行科目；步骤4：由推理出的训练科目，将对应仿真激励决策结果按照特定格式转换为该次飞行训练科目生成方案，实现对应的仿真激励生成。2.根据权利要求1所述的基于贝叶斯网络的飞行训练科目智能生成方法，其特征在于，所述步骤2的过程如下：步骤2.1：从数据库中的特征值中选取影响训练科目生成的指标要素，定义网络模型的节点和状态集；步骤2.2：分析各选定观测指标对训练科目的影响程度和各观测节点与根节点之间的因果关系，进而确定中间节点，构建基于贝叶斯网络模型。3.根据权利要求2所述的基于贝叶斯网络的飞行训练科目智能生成方法，其特征在于，所述构建贝叶斯网络模型的过程如下：选取影响飞行训练科目选择的因素作为观测节点，包括历史训练平均成绩、训练间隔、任务重要度、困难度、误操作可能性和误操作危险性六种；将历史训练平均成绩按从高分到低分的顺序排序后，划分为五个分数段；训练时间间隔按短、中、长划分为3种类型；误操作可能性按高、中、低划分为3种状态；科目重要程度按照执行任务等...

【专利技术属性】
技术研发人员：孟光磊，张慧敏，张少卿，王言伟，孙小平，耿欢，周铭哲，王竹筠，王昱，梁宵，田丰，喻勇涛，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：