System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于航空管制教学训练系统的研究,具体涉及一种用于管制员模拟训练的自适应学习方法。
技术介绍
1、随着云计算、大数据,人工智能等技术日益发展,利用各种人工智能算法和大数据技术来分析影响管制员训练效果的因素,并持续对训练方法进行改进优化已经成为趋势。
2、而机场管制员作为空中交通管制的执行者,其需要掌握较多的工作技能,并且要求掌握的熟练程度较高,当前在我国空管一线单位中,对管制员工作能力和指挥水平的评估都是以民航局颁布的相关培训管理规则和统一教材为基础,以考核要素检查单为依据,由评估教员对管制员在作业过程中的指令发布、管制意识、决策水平等方面进行人工打分评判;
3、但传统的管制员模拟训练教学采用的统一教材,统一教学的模式,难以激发学员的学习主动性及创新能力,最终导致机场管制员的培训效果一般,且传统的培训方式对管制员训练评估也主要依靠教员的主观打分,缺乏客观性;
4、传统的改进学习和训练效率的方法,主要依靠教员的经验和学员自己摸索,缺乏基于大量训练数据的客观分析总结,没有对学员自身的学习特点以及各自知识的掌握状态进行客观的评估,也未进行针对性的查漏补缺,导致部分内容重复练习,或者部分内容缺乏练习,最终导致学习训练效率不高。
5、因此亟需设计一种用于管制员模拟训练的自适应学习方法,以解决上述问题。
技术实现思路
1、针对上述问题,本申请建立一种用于管制员模拟训练的自适应学习方法,该方法通过收集管制员的基础信息获取管制员的主要特征并进
2、为了实现上述目的,本专利技术所采用的技术方案如下:
3、一种用于管制员模练训练的自适应学习方法,其特征在于:该方法包括:
4、步骤1.对管制员进行画像构建;
5、步骤2.收集并存储步骤1中的管制员基础信息和训练信息;
6、步骤3.提取步骤2中管制员基础信息和训练信息,作为节点用于构建贝叶斯网络;
7、步骤4.获取步骤3中贝叶斯网络层级之间的关联关系;
8、步骤5.贝叶斯网络参数更新,当节点有新的数据生成,重复步骤3和步骤4的过程,对贝叶斯网络各个节点的概率进行实时更新,形成自适应的网络参数更新;
9、步骤6.根据观测变量历史训练成绩和贝叶斯网络节点内容,使用方差公式进行偏离度分析,统计管制员对各个节点的知识点掌握情况;
10、步骤7、结合步骤6中统计的未掌握的节点内容和步骤1中管制员画像,进行下一个节点知识点及学习路径的自适应推荐,以及针对性训练科目推荐。
11、优选地,步骤一中的管制员画像构建的具体过程包括:
12、101.收集管制员基础数据;
13、102.根据管制员学习行为和学习习惯判断管制员的学习风格,通过科目训练时长,训练次数,修改指令次数信息判断当前管制员对相关知识的认知水平;
14、103.从过程101和过程102中提取管制员的特征数据,经专家判断并筛选出关键特征,作为管制员画像标签,构建画像;
15、104.随着管制员认知水平和训练水平的提高,定期自动对管制员画像进行更新。
16、优选地,步骤2中管制员基础信息包括:管制员性别、年龄、学历、专业以及管制年限信息;训练信息包括:管制员训练科目、训练次数、训练时间、训练得分,以及训练过程中话音数据、安全间隔、过程告警、偏离提醒信息。
17、优选地,步骤3中构建贝叶斯网络的具体过程包括:
18、301.构建层级关系;
19、基于步骤2中统计的管制员历史训练信息,将所有管制员模拟训练的知识点分为a,b,c三个层次;
20、c层表示基础层,仅包含基础知识;
21、b层表示比c级层次更高的包含多个基础知识的模块知识;
22、a层表示模拟训练综合训练效果,也记作观测变量;
23、302.构建贝叶斯网络结构:
24、各个层次的节点知识,组成贝叶斯网络,贝叶斯网络节点包括:a级节点、b级各节点、c级各节点,以m表示管制员掌握各级节点的状态,分别以y/n表示;
25、c级各节点表示最小层次的知识点;
26、b各级节点表示比c级各节点更高的知识点;
27、a级节点表示最终的模拟训练效果,也记作观测变量;
28、y表示掌握;
29、n表示未掌握。
30、优选地,获取步骤4中贝叶斯网络层级之间的关联关系的具体过程包括:
31、401.样本收集:
32、将管制员考试科目分为3个阶段,为初级,中级,高级,分别随机在各个阶段取n份训练数据,并重复操作m次,组成最终的样本s;
33、402.计算贝叶斯网络各级节点先验概率,计算公式如下:
34、
35、
36、p(m)表示各级节点知识先验概率;
37、n0表示样本s中,m=y的所有样本组数;
38、n1表示样本s中,m=n的所有样本组数;
39、403.计算贝叶斯网络各级节点条件概率,计算公式如下:
40、
41、
42、
43、
44、s1表示样本s中,b节点状态为“y”的样本组数;
45、n1为s1中,b节点状态为“y”,且a节点状态为“y”的样本组数;
46、n2为s1中,b节点状态为“y”,且a节点状态为“n”的样本组数;
47、s2表示样本s中,b节点状态为“n”的样本组数;
48、n3为s1中,b节点状态为“n”,且a节点状态为“y”的样本组数;
49、n4为s1中,b节点状态为“n”,且a节点状态为“n”的样本组数;
50、404.计算贝叶斯网络中的各个节点之间的联合概率;
51、根据全概率公式,计算贝叶斯网络中的各个节点之间的联合概率p(x_1,…,x_n);
52、p(x_1,…,x_n)=p(x_(n-1)|x_1,…,x_(n-2))p(x_n|x_1,…,x_(n-1))p(x_1,…,x_(n-2))…p(x_2|x_1)p(x_1)
53、x表示各个节点的概率值,通过联合概率可以查看满足所有节点要求的概率;
54、405.贝叶斯网络中的各个节点和观测变量之间的关联度判断:
55、修改节点的先验概率或者条件概率,查看对最终观测对象a的影响程度,影响程度越大,则当前节点和观测对象的关联越紧密。
56、优选地,步骤6中使用方差公式进行偏离度分析,统计管制员对各本文档来自技高网...
【技术保护点】
1.一种用于管制员模练训练的自适应学习方法,其特征在于:该方法包括:
2.根据权利要求1所述的一种用于管制员模练训练的自适应学习方法,其特征在于:步骤一中的管制员画像构建的具体过程包括:
3.根据权利要求1所述的一种用于管制员模练训练的自适应学习方法,其特征在于:步骤2中管制员基础信息包括:管制员性别、年龄、学历、专业以及管制年限信息;训练信息包括:管制员训练科目、训练次数、训练时间、训练得分,以及训练过程中话音数据、安全间隔、过程告警、偏离提醒信息。
4.根据权利要求1所述的一种用于管制员模练训练的自适应学习方法,其特征在于:步骤3中构建贝叶斯网络的具体过程包括:
5.根据权利要求1所述的一种用于管制员模练训练的自适应学习方法,其特征在于:获取步骤4中贝叶斯网络层级之间的关联关系的具体过程包括:
6.根据权利要求1所述的一种用于管制员模练训练的自适应学习方法,其特征在于:步骤6中使用方差公式进行偏离度分析,统计管制员对各个节点的知识点掌握情况的具体过程为:
【技术特征摘要】
1.一种用于管制员模练训练的自适应学习方法,其特征在于:该方法包括:
2.根据权利要求1所述的一种用于管制员模练训练的自适应学习方法,其特征在于:步骤一中的管制员画像构建的具体过程包括:
3.根据权利要求1所述的一种用于管制员模练训练的自适应学习方法,其特征在于:步骤2中管制员基础信息包括:管制员性别、年龄、学历、专业以及管制年限信息;训练信息包括:管制员训练科目、训练次数、训练时间、训练得分,以及训练过程中话音数据、安全间隔、过程告警、...
【专利技术属性】
技术研发人员:吴亚荣,赵顾颢,刘飞,杨国洲,汪艇,
申请(专利权)人:中国人民解放军空军工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。