CN110321951A - 一种vr模拟飞行器训练评价方法 - Google Patents

一种vr模拟飞行器训练评价方法 Download PDF

Info

Publication number
CN110321951A
CN110321951A CN201910587040.3A CN201910587040A CN110321951A CN 110321951 A CN110321951 A CN 110321951A CN 201910587040 A CN201910587040 A CN 201910587040A CN 110321951 A CN110321951 A CN 110321951A
Authority
CN
China
Prior art keywords
evaluation
training
layer
node
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910587040.3A
Other languages
English (en)
Other versions
CN110321951B (zh
Inventor
孙昊
田玉华
张琳
张文鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Haike Zhihui Information Technology Co ltd
Original Assignee
Qingdao Haike Virtual Reality Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao Haike Virtual Reality Research Institute filed Critical Qingdao Haike Virtual Reality Research Institute
Priority to CN201910587040.3A priority Critical patent/CN110321951B/zh
Publication of CN110321951A publication Critical patent/CN110321951A/zh
Application granted granted Critical
Publication of CN110321951B publication Critical patent/CN110321951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Technology (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种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。

Description

一种VR模拟飞行器训练评价方法
技术领域
本发明涉及机器智能、数据处理领域，尤其涉及一种VR模拟飞行器训练评价方法。
背景技术
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。
发明内容
为了解决以上问题，本发明提出了一种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：
本发明采用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期望的输出，则转入反向传播，将误差沿原来的连接通路返回，通过修改各神经元的权值，使得误差最小。
将各考评节点的分类结果数据样本P2，作为BP神经网络的输入，共有r组样本，对应的输出为T2＝[S1,S2,…,Sr]′；
输入层有w个节点，隐含层的节点数为 为向下取整，a是1～10之间的任意整数，输出层有四个节点，分别是：优秀、好、合格、不合格；
神经网络的输入层第i个神经元与隐含层第h个神经元间的连接权为ωih，隐含层第h个神经元与输出层第t个神经元间的连接权为ωht，隐含层第h个神经元的输入为：
其中，θih是输入层到隐含层的阈值；隐含层第h个神经元的输出为：
其中，为S型生长曲线，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间；
输出层第t个神经元的输入为：
其中，θht是隐含层到输出层的阈值；设立输出层的激活函数为归一化指数函数：
其中，βt是输出层的输出；神经网络的输出误差为：
其中，Sj是专家给出的第j组样本的评价结果；
误差信号从后向前传递，根据训练误差，更新各层权值和阈值；隐含层到输出层的权值更新为：
ωht(d+1)＝ωht(d)+Δωht(d)
其中，Δωht(d)是ωht(d)的修正量，Δωht(d)中的学习因子可以加快网络收敛速度；
阈值更新为：
θht＝θht+Δθht
其中，Δθht是θht的修正量；输入层到隐含层的权值更新为：
ωih(d+1)＝ωih(d)+Δωih(d)
其中，Δωih(d)是ωih(d)的修正量；
阈值更新为
θih＝θih+Δθih
其中，Δθih是θih的修正量；
修正权值、阈值后再次计算输出误差，当误差小于预先设定的误差阈值时，停止迭代；网络训练完成。
本发明的有益效果是：本发明可广泛适用于脚本化和非脚本化训练科目的操作效果评价，在使用中只需将VR模拟飞行器训练系统中的动作元与本方法所述输入元建立一一对应关系，即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。
附图说明
图1为本发明所述VR模拟飞行器训练评价方法流程图
图2为本发明根据动作元数据计算节点评价信息的概率神经网络结构图
图3为本发明根据节点评价信息计算训练科目综合评价信息的BP神经网络结构图
具体实施方式
参照图1-图3，本发明提出了一种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；
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；
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。
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。
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。
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。
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。
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
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：
本发明采用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期望的输出，则转入反向传播，将误差沿原来的连接通路返回，通过修改各神经元的权值，使得误差最小。
将各考评节点的分类结果数据样本P2，作为BP神经网络的输入，共有r组样本，对应的输出为T2＝[S1,S2,…,Sr]′；
输入层有w个节点，隐含层的节点数为 为向下取整，a是1～10之间的任意整数，输出层有四个节点，分别是：优秀、好、合格、不合格；
神经网络的输入层第i个神经元与隐含层第h个神经元间的连接权为ωih，隐含层第h个神经元与输出层第t个神经元间的连接权为ωht，隐含层第h个神经元的输入为：
其中，θih是输入层到隐含层的阈值；隐含层第h个神经元的输出为：
其中，为S型生长曲线，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间；
输出层第t个神经元的输入为：
其中，θht是隐含层到输出层的阈值；设立输出层的激活函数为归一化指数函数：
其中，βt是输出层的输出；神经网络的输出误差为：
其中，Sj是专家给出的第j组样本的评价结果；
误差信号从后向前传递，根据训练误差，更新各层权值和阈值；隐含层到输出层的权值更新为：
ωht(d+1)＝ωht(d)+Δωht(d)
其中，Δωht(d)是ωht(d)的修正量，Δωht(d)中的学习因子可以加快网络收敛速度；
阈值更新为：
θht＝θht+Δθht
其中，Δθht是θht的修正量；输入层到隐含层的权值更新为：
ωih(d+1)＝ωih(d)+Δωih(d)
其中，Δωih(d)是ωih(d)的修正量；
阈值更新为
θih＝θih+Δθih
其中，Δθih是θih的修正量；
修正权值、阈值后再次计算输出误差，当误差小于预先设定的误差阈值时，停止迭代；网络训练完成。

Claims (9)

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。
9.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：
将各考评节点的分类结果数据样本P2，作为BP神经网络的输入，共有r组样本，对应的输出为T2＝[S1,S2,…,Sr]′；
输入层有w个节点，隐含层的节点数为 为向下取整，a是1～10之间的任意整数，输出层有四个节点，分别是：优秀、好、合格、不合格；
神经网络的输入层第i个神经元与隐含层第h个神经元间的连接权为ωih，隐含层第h个神经元与输出层第t个神经元间的连接权为ωht，隐含层第h个神经元的输入为：
其中，θih是输入层到隐含层的阈值；隐含层第h个神经元的输出为：
其中，为S型生长曲线，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间；
输出层第t个神经元的输入为：
其中，θht是隐含层到输出层的阈值；设立输出层的激活函数为归一化指数函数：
其中，βt是输出层的输出；神经网络的输出误差为：
其中，Sj是专家给出的第j组样本的评价结果；
误差信号从后向前传递，根据训练误差，更新各层权值和阈值；隐含层到输出层的权值更新为：
ωht(d+1)＝ωht(d)+Δωht(d)
其中，Δωht(d)是ωht(d)的修正量，Δωht(d)中的学习因子可以加快网络收敛速度；
阈值更新为：
θht＝θht+Δθht
其中，Δθht是θht的修正量；输入层到隐含层的权值更新为：
ωih(d+1)＝ωih(d)+Δωih(d)
其中，Δωih(d)是ωih(d)的修正量；
阈值更新为
θih＝θih+Δθih
其中，Δθih是θih的修正量；
修正权值、阈值后再次计算输出误差，当误差小于预先设定的误差阈值时，停止迭代；网络训练完成。
CN201910587040.3A 2019-07-01 2019-07-01 一种vr模拟飞行器训练评价方法 Active CN110321951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910587040.3A CN110321951B (zh) 2019-07-01 2019-07-01 一种vr模拟飞行器训练评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910587040.3A CN110321951B (zh) 2019-07-01 2019-07-01 一种vr模拟飞行器训练评价方法

Publications (2)

Publication Number Publication Date
CN110321951A true CN110321951A (zh) 2019-10-11
CN110321951B CN110321951B (zh) 2021-03-16

Family

ID=68122268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910587040.3A Active CN110321951B (zh) 2019-07-01 2019-07-01 一种vr模拟飞行器训练评价方法

Country Status (1)

Country Link
CN (1) CN110321951B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396105A (zh) * 2020-11-18 2021-02-23 沈阳航空航天大学 一种基于贝叶斯网络的飞行训练科目智能生成方法
CN115063274A (zh) * 2022-08-18 2022-09-16 珠海翔翼航空技术有限公司 基于对象技术能力的虚拟现实飞行训练方案生成方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053563A (zh) * 2010-12-27 2011-05-11 刘宇 模拟机飞行训练数据采集及质量评估系统
CN103247091A (zh) * 2012-02-07 2013-08-14 厦门金龙联合汽车工业有限公司 一种驾驶评价系统及方法
CN103400159A (zh) * 2013-08-05 2013-11-20 中国科学院上海微系统与信息技术研究所 快速移动场景中的目标分类识别方法及分类器获取方法
CN104750950A (zh) * 2013-01-18 2015-07-01 南京航空航天大学 一种基于多层次状态分类的机场终端区利用率评价方法
CN105427674A (zh) * 2015-11-02 2016-03-23 国网山东省电力公司电力科学研究院 一种无人机飞行状态实时评估预警系统及方法
CN107040754A (zh) * 2015-12-31 2017-08-11 沈玮 通过uav网络促进定向信息递送
CN107085763A (zh) * 2017-03-31 2017-08-22 无锡开放大学 一种电动汽车用驱动电机系统性能评价方法
CN108074396A (zh) * 2016-11-10 2018-05-25 关晓芙 安全行驶评价方法及系统
CN108983800A (zh) * 2018-07-27 2018-12-11 西北工业大学 一种基于深度学习的飞机姿态控制方法
CN109919434A (zh) * 2019-01-28 2019-06-21 华中科技大学 一种基于深度学习的教师课堂表现智能评价方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053563A (zh) * 2010-12-27 2011-05-11 刘宇 模拟机飞行训练数据采集及质量评估系统
CN103247091A (zh) * 2012-02-07 2013-08-14 厦门金龙联合汽车工业有限公司 一种驾驶评价系统及方法
CN104750950A (zh) * 2013-01-18 2015-07-01 南京航空航天大学 一种基于多层次状态分类的机场终端区利用率评价方法
CN103400159A (zh) * 2013-08-05 2013-11-20 中国科学院上海微系统与信息技术研究所 快速移动场景中的目标分类识别方法及分类器获取方法
CN105427674A (zh) * 2015-11-02 2016-03-23 国网山东省电力公司电力科学研究院 一种无人机飞行状态实时评估预警系统及方法
CN107040754A (zh) * 2015-12-31 2017-08-11 沈玮 通过uav网络促进定向信息递送
CN108074396A (zh) * 2016-11-10 2018-05-25 关晓芙 安全行驶评价方法及系统
CN107085763A (zh) * 2017-03-31 2017-08-22 无锡开放大学 一种电动汽车用驱动电机系统性能评价方法
CN108983800A (zh) * 2018-07-27 2018-12-11 西北工业大学 一种基于深度学习的飞机姿态控制方法
CN109919434A (zh) * 2019-01-28 2019-06-21 华中科技大学 一种基于深度学习的教师课堂表现智能评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姚裕盛 等: "基于BP神经网络的飞行训练品质评估", 《航空学报》 *
柳忠起 等: "基于BP神经网络的飞行绩效评价模型", 《北京航空航天大学学报》 *
高文琦 等: "飞行训练成绩评估模型的建立与实现", 《电子设计工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396105A (zh) * 2020-11-18 2021-02-23 沈阳航空航天大学 一种基于贝叶斯网络的飞行训练科目智能生成方法
CN112396105B (zh) * 2020-11-18 2023-11-07 沈阳航空航天大学 一种基于贝叶斯网络的飞行训练科目智能生成方法
CN115063274A (zh) * 2022-08-18 2022-09-16 珠海翔翼航空技术有限公司 基于对象技术能力的虚拟现实飞行训练方案生成方法

Also Published As

Publication number Publication date
CN110321951B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN108197648B (zh) 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
CN109783879B (zh) 一种雷达辐射源信号识别效能评估方法及系统
CN107766668B (zh) 一种基于神经网络的复杂仿真模型验证方法
CN112884059B (zh) 一种融合先验知识的小样本雷达工作模式分类方法
CN110321951B (zh) 一种vr模拟飞行器训练评价方法
CN111340076A (zh) 一种对新体制雷达目标未知模式的零样本识别方法
Ni et al. Comparative convolutional dynamic multi-attention recommendation model
CN113743509A (zh) 一种基于不完全信息的在线作战意图识别方法及装置
Oliinyk et al. Using parallel random search to train fuzzy neural networks
CN116645130A (zh) 基于联邦学习与gru结合的汽车订单需求量预测方法
CN110109005B (zh) 一种基于序贯测试的模拟电路故障测试方法
CN110007617B (zh) 一种飞行器半实物仿真系统的不确定度传递分析方法
Cen et al. Nim: modeling and generation of simulation inputs via generative neural networks
CN113010774B (zh) 一种基于动态深度注意力模型的点击率预测方法
Nguyen et al. A scalable hierarchical Gaussian process classifier
Li et al. Certainty weighted voting-based noise correction for crowdsourcing
Dinesh et al. Reliable evaluation of neural network for multiclass classification of real-world data
CN112817442A (zh) 基于ffm的多任务情况下态势信息分类推荐系统及方法
Maloney et al. The use of probabilistic neural networks to improve solution times for hull-to-emitter correlation problems
CN113534127B (zh) 一种多目标数据关联方法、装置及计算机可读存储介质
Sánchez et al. Boosting of fuzzy models for high-dimensional imprecise datasets
Wang et al. An information entropy-based method of evidential source separation and refusion
Cheng et al. Bayesian Weapon System Reliability Modeling with Cox-Weibull Neural Network
Wang et al. Learning from Imbalanced Crowdsourced Labeled Data
Zhang et al. Using orthogonal grey wolf optimizer with mutation for training multi-layer perceptron neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20211124

Address after: 266400 room 5699, innovation and innovation center, Sino German ecological park, 172 Taibaishan Road, Qingdao area, China (Shandong) pilot Free Trade Zone, Qingdao, Shandong

Patentee after: Qingdao Haike Zhihui Information Technology Co.,Ltd.

Address before: 266010 International Innovation Park, No. 1, Keyuan Weiyi Road, Zhonghan street, Laoshan District, Qingdao, Shandong

Patentee before: QINGDAO HAIKE VIRTUAL REALITY Research Institute

TR01 Transfer of patent right