一种用于管制员智能评价的进化神经网络、权重更新方法和装置制造方法及图纸

本申请公开了一种用于管制员智能评价的进化神经网络、权重更新方法和装置，所述进化神经网络的结构包括顺序设置的以下各层：第一输入层，包括多个与二级指标对应的节点；第二输入层，包括5个与一级指标对应的节点面；人工权重层，所述人工权重层的节点中的数值为第二输入层中的节点中的数据与人工赋权求积后获得；NEAT神经网络隐藏层；第一输出层和第二输出层，包括5个与一级指标对应的输出节点和1个综合结果节点；所述进化神经网络以管制智能模拟机中记录的计算机操作作为输入以及对应的打分结果作为输出实现训练；其中，所述人工权重层在训练时的初始人工赋权的权重为通过反向传播神经网络训练获得。向传播神经网络训练获得。向传播神经网络训练获得。

【技术实现步骤摘要】
一种用于管制员智能评价的进化神经网络、权重更新方法和装置


[0001]本申请涉及空管领域，特别是一种基于进化神经网络的管制员智能评价系统的权重优化方法。

技术介绍

[0002]管制员智能评价系统是基于管制模拟机的智能考核系统，是用于各种场景、各种阶段的管制员考核的重要辅助设备。不仅可以用来模拟实际工作场景中无法或极小概率出现的危险/紧急/远超出一般工作负荷的场景，达到测试管制员的一般能力上限和应急处理能力的目的；还可以用做教学设备，为新的管制学员熟悉基础管制工作流程、工作场景、工作方法等提供良好的模拟环境。
[0003]在进行相应的管制员培训考核时，所使用的考核评价方法主要有两种，它们在指标权重使用的局限性如下：
[0004]一种是基于管制专家主观对管制员的考核情况进行打分，这种考核可以是书面的，也可以是基于实际工作场景中的，也可以是基于普通管制模拟机考核结果的。这种方法的局限性为：专家考核时对于不同的考核指标，打分时权重带有一定的主观成分，不同的专家评价结果之间不相同，其给出的权重结果往往也不同，且指标的重要程度主观的表示很难用具体的数字来表达。
[0005]另一种是基于管制智能模拟机进行考核，这种考核的的优点是节约管制专家的人力资源，使用智能的算法对学员进行考核，并生成评价结果供学员自查和教员查看，例如中国专利申请202011199912.8。这种智能模拟机系统目前使用的考核指标的权重主要有两种计算方式，一是随机生成，并需要使用者在主观判断下进行手动调整；一是人工神经网络，但其网络结构简单，训练好的神经网络在普遍适用性和使用者的可参与性方面较差，计算模型复杂，而且不能融入评价者对不同指标的偏爱程度，有些情况下，人工神经网络确定和指标的实际重要性有很大差异。
[0006]例如管制工作的分类繁多，机场管制、终端区管制和区域雷达管制等不同工作性质的管制相互之间的区别较大。其次，即使同一类工作性质的管制单位，在所管制辖的地区内提供空中交通服务时，也因为区域内的机场分布、航路/航线走向和空域环境等的不同，而导致空中交通活动的复杂度不同。基于上述原因，仍在广泛使用传统的专家考核、人工评价的方式。由于管制员工作的评价考核是必做的、频繁的，并且根据不同考核目的，有不同深度的考核方式。但目前在实施这种考核方式时，多是由各地区管制单位之间相互抽调考核教员，这就存在以下问题：1)非本单位的检查员可能对所要考核的对象的工作具体细节不熟悉，无法做到细致、全面的考核；2)检查员可能过分依赖固定考量表对考核对象进行逐条的评价，对于考量表上未提及的细节问题，在评价考核过程中可能存在遗漏；3)由于教员的流动性和评价考核的频繁度，对于单一管制员的考核评价往往无法做到长期的跟踪记录，从而失去了多次考核结果之间可以相互验证的作用。

技术实现思路

[0007]本申请实施例提供了一种用于管制员智能评价的进化神经网络、智能评价方法和装置，以至少解决现有的管制员评价系统的适应性差的技术问题。
[0008]根据本申请的一个方面，提供一种用于管制员智能评价的进化神经网络，所述进化神经网络的结构包括顺序设置的以下各层：
[0009]第一输入层，包括多个与二级指标一一对应的节点，所述二级指标是指用于评价管制工作操作的指标，所述管制智能模拟机中记录的任一计算机操作与所有二级指标中至少一个二级指标对应；所述二级指标为从多个地区空管局的考核指标中利用德菲尔法筛选出来的且满足可计算机代码化、可量化的指标；所述第一输入层的节点中的数据为对应的管制智能模拟机中记录的计算机操作中的数据经过归一化后获得；
[0010]第二输入层，包括5个与一级指标一一对应的节点，所述一级指标标分别为规则、通话、安全、效率、人机界面；
[0011]人工权重层，包括5个与一级指标一一对应的节点，所述人工权重层的节点中的数值为第二输入层中的节点中的数据与人工赋权求积后获得；
[0012]NEAT神经网络隐藏层，用于对神经网络的拓扑结构进行自适应化的学习和优化；
[0013]第一输出层，包括5个与一级指标一一对应的节点，每个节点的数值为对应的一级指标的打分结果；
[0014]第二输出层，包括1个节点，该节点为根据第一输出层的节点加权获得的综合打分结果；
[0015]所述进化神经网络以管制智能模拟机中记录的计算机操作作为输入以及对应的打分结果作为输出训练进化神经网络；其中，所述人工权重层在训练时使用的初始人工赋权默认值的权重为通过反向传播神经网络训练获得。
[0016]进一步的，在本专利技术中，所述训练时使用的初始人工赋权默认值的权重为通过反向传播神经网络训练获得包括：
[0017]以管制智能模拟机中记录的计算机操作作为输入以及对应的打分结果作为输出训练反向传播神经网络，所述反向传播神经网络的输入层结构与所述进化神经网络的第一输入层相同，所述反向传播神经网络的输出层结构与所述进化神经网络的输出层结构相同。
[0018]进一步的，在本专利技术中，所述通过反向传播神经网络训练获得的第二输入层中与一级指标一一对应的节点的权重为：规则0.20405669、通话0.135801045、安全0.27565417、效率0.18206525、人机界面0.20021345。
[0019]进一步的，在本专利技术中，所述反向传播神经网络采用的激活函数为ReLU函数，使用均方误差MSE为损失函数，采用正则化和梯度下降的优化方法。
[0020]进一步的，在本专利技术中，所述在训练好后使用该进化神经网络进行管制员智能评价时，所述人工赋权时各个节点的权值范围为0～0.4。
[0021]进一步的，在本专利技术中，所述进化神经网络在训练时，采用的激活函数为ReLU函数，采用的损失函数为均方误差MES，优化方法为包含正则化的梯度下降。
[0022]进一步的，在本专利技术中，所述进化神经网络在训练时，NEAT神经网络隐藏层使用交叉变异方法，个体选择方法为轮盘赌方法，评价方法为适应度函数。
[0023]进一步的，在本专利技术中，所述NEAT神经网络的编码初始化网络方法为使用遗传编码方案。
[0024]本申请的第二个方面，在于提供一种基于进化神经网络的管制员智能评价的权重更新方法，采用上述第一方面所述的神经网络进行管制员智能评价，其中，人工权重层的人工赋权为根据培训阶段、地区、单位的不同需要进行调整，从而提供使用者自由赋权的功能。
[0025]本申请的第三个方面，在于提供一种基于进化神经网络的管制员智能评价装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第二个方面所述方法的步骤。
[0026]有益效果：
[0027]本专利技术给出了一种新的神经网络结构用于管制员智能评价，算法可以结合专家主观评价以及客观评价的优点，并在两者之间进行权衡，增加了算法的寻优能力和自适应能力；算法可以智能化的适用不同场景、不同阶段的学员、不同地区以及不同的管制单位进行管制员考核的评本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于管制员智能评价的进化神经网络，其特征在于：所述进化神经网络的结构包括顺序设置的以下各层：第一输入层，包括多个与二级指标一一对应的节点，所述二级指标是指用于评价管制工作操作的指标，所述管制智能模拟机中记录的任一计算机操作与所有二级指标中至少一个二级指标对应；所述二级指标为从多个地区空管局的考核指标中利用德菲尔法筛选出来的且满足可计算机代码化、可量化的指标；所述第一输入层的节点中的数据为对应的管制智能模拟机中记录的计算机操作中的数据经过归一化后获得；第二输入层，包括5个与一级指标一一对应的节点，所述一级指标标分别为规则、通话、安全、效率、人机界面；人工权重层，包括5个与一级指标一一对应的节点，所述人工权重层的节点中的数值为第二输入层中的节点中的数据与人工赋权求积后获得；NEAT神经网络隐藏层，用于对神经网络的拓扑结构进行自适应化的学习和优化；第一输出层，包括5个与一级指标一一对应的节点，每个节点的数值为对应的一级指标的打分结果；第二输出层，包括1个节点，该节点为根据第一输出层的节点加权获得的综合打分结果；所述进化神经网络以管制智能模拟机中记录的计算机操作作为输入以及对应的打分结果作为输出训练进化神经网络；其中，所述人工权重层在训练时使用的初始人工赋权默认值的权重为通过反向传播神经网络训练获得。2.根据权利要求1所述的进化神经网络，其特征在于：所述训练时使用的初始人工赋权默认值的权重为通过反向传播神经网络训练获得包括：以管制智能模拟机中记录的计算机操作作为输入以及对应的打分结果作为输出训练反向传播神经网络，所述反向传播神经网络的输入层结构与所述进化神经网络的第一输入层相同，所述反向传播神经网络的输出层结构与所述进化神经网络...

【专利技术属性】
技术研发人员：冯铮，沈志远，陈章齐，
申请(专利权)人：中国民用航空局空中交通管理局，
类型：发明
国别省市：