CN110991890A - 一种高级教练机训练效能提升方法 - Google Patents
一种高级教练机训练效能提升方法 Download PDFInfo
- Publication number
- CN110991890A CN110991890A CN201911223847.5A CN201911223847A CN110991890A CN 110991890 A CN110991890 A CN 110991890A CN 201911223847 A CN201911223847 A CN 201911223847A CN 110991890 A CN110991890 A CN 110991890A
- Authority
- CN
- China
- Prior art keywords
- information
- equal
- less
- attention
- important
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000000007 visual effect Effects 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 12
- 210000005252 bulbus oculi Anatomy 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 8
- 230000006998 cognitive state Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004424 eye movement Effects 0.000 claims description 3
- 230000004886 head movement Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000020095 red wine Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种高级教练机训练效能提升方法,从训练过程中飞行学员注意力分配的角度出发,提出了一种基于视觉注意力分配的高级教练机训练效能提升方法。通过构建基于视觉注意力分配方法,定量计算分析飞行学员的注意力分配值,结合注意力分配值改进高级教练机座舱设计及学前教育等,以提高训练效能。
Description
技术领域
本发明属于飞行器训练系统技术领域,具体涉及一种高级教练机训练效能提升方法。
背景技术
高级教练机训练效能是指在规定条件下,驾驶高级教练机的飞行学员执行训练任务所能达到预期目标的有效程度。高级教练机在训练体制中向上衔接作战飞机,向下衔接基础教练机,起着承上启下的作用。训练效能高的教练机可快速培养飞行学员成才,使学员深刻掌握高级训练和战斗入门训练所要求的技能,为后期作战技能培养打下坚实的基础。如何提升高级教练机的训练效能成为了关注的焦点。现阶段主要是通过研究改进训练大纲和科目、提升教练机平台的性能、改善与作战飞机的衔接性等方法来提升训练效能。这些传统的方法主要是以训练任务为中心、以训练平台为中心,自顶向下的分析方法,由于没有直接面向飞行学员,没有从底层源头出发,而导致了研究周期长、付出代价高,收效不明显等问题。当前缺乏一种以执行训练任务的飞行学员为中心的高级教练机训练效能提升方法。
本发明针对上述问题,从训练过程中飞行学员注意力分配的角度出发,提出了一种基于视觉注意力分配的高级教练机训练效能提升方法。通过构建基于视觉注意力分配方法,定量计算分析飞行学员的注意力分配值,结合注意力分配值改进高级教练机座舱设计及学前教育等,以提高训练效能。
发明内容
本发明为解决上述技术问题,从训练过程中飞行学员注意力分配的角度出发,提出了一种基于视觉注意力分配的高级教练机训练效能提升方法。通过构建基于视觉注意力分配方法,定量计算分析飞行学员的注意力分配值,结合注意力分配值改进高级教练机座舱设计及学前教育等,以提高训练效能。
为了解决本发明的技术问题,本发明是通过以下技术方案实现的:一种高级教练机训练效能提升方法, 一种高级教练机训练效能提升方法,包括以下步骤:
第一步:构建视觉信息所获得的注意力模型指标体系A;
梳理飞行学员在训练阶段通过座舱显示界面同时监视到的视觉信息,构建视觉信息所获得的注意力模型指标体系;飞行学员在执行某项训练任务时通过座舱显示界面同时监视到n个视觉信息,假设这n个视觉信息所获得的注意力模型指标体系为:
A=(A1,A2,A3,…,Ai…An);
第二步:构建视觉信息所获得的注意力模型Ai;
结合所构建的注意力模型指标体系,构建视觉信息所获得的注意力模型;每一个对应信息的注意力与每一个对应的信息出现的概率和重要程度相关;每一个信息的注意力Ai表示为:
Ai=Pi*Vi
式中,Pi 为每一个对应的信息出现的概率;Vi为每一个对应信息的重要程度;Pi的取值为0~1,由执行任务时信息出现的时长决定;
第三步:构建信息的重要程度模型Vi;
根据基于混合熵的注意力分配方法构建信息的重要程度模型,重要程度Vi可根据基于混合熵的注意力分配模型表示为:
Vi=qi*ui
式中,qi为信息潜在认知状态产生的概率;ui是信息重要隶属度;qi的取值为0~1,满足的约束条件为qi≥0, ∑qi=1,ui的取值为0~1;
第四步:构建模糊熵模型Si,当Si取最大值时,求得注意力Ai;
根据最大熵增原理求得信息潜在认知状态产生的概率,并得出每一个信息的注意力的初始表达式;Si表示为:
Si=-qi*ui*lnqi*ui-qi*(1-ui)*ln [qi*(1-ui)]
根据信息可加性原理,n个信息的平均模糊熵可表示为:
S(n)=(1/n)*∑Si
根据最大熵增原理,在明确了n个信息及每个信息重要隶属度ui,计算求解qi来使得S(n)最大,对应每一个信息的注意力Ai的表达式为:
Ai=Pi*Vi=Pi*qi*ui= Pi*ui*(1- ui)*ui -1/ (ui*ui*e),
其中,其中,e为自然对数,其值约为2.718;
第五步:注意力模型修正,修正因子为Tai;
通过颜色、尺寸、字符种类等方面的信息突显和飞行学员的付出努力进行注意力模型修正;信息突显修正因子Tai与颜色、尺寸、字符种类等因素相关,且为这三者的加权平均值,表达式为:
Tai=(ci+si+ti)/3
式中,ci为颜色、si为尺寸、ti为字符种类;进行修正后的表达式为:
Ai=Pi*Vi*Tai-1 = [Pi*ui(1- ui)*ui -1/(ui*ui*e)]*Tai-1
采用基于混合熵的模型中对注意力分配比例的定义,则分配到第i个信息的注意力占总资源的比例为:
Fi=Ai/∑Ai
第六步:构建效能提升模型COM(Rank(Fi),Rank(Ãi));
结合注意力分配模型,构建基于视觉注意力分配的高级教练机训练效能优化提升模型,定义Rank(Fi)为Fi的排序函数,将注意力占总资源的比例Fi进行由大到小排序;定义Rank(Ãi)为Ãi的排序函数,将通过视觉信息所获得的注意力Ãi进行由大到小排序;定义COM(Rank(Fi),Rank(Ãi))=0时,表示Fi的排序与Ãi的排序一致,训练效能为最优,当COM(Rank(Fi),Rank(Ãi))≠0时,以Ãi的排序为基准,进一步完善Pi、Tai、ui和Hi的数值,使得COM(Rank(Fi),Rank(Ãi))=0,通过该方法为高级教练机的训练效能优化提升提供依据及改进方向。
本公开的一种可能实现的方式:所述第二步中信息出现的时长划分为永久、长时、短时及瞬时,信息时长为永久,0.8≤Pi<1;信息时长为长时,0.6≤Pi<0.8;信息时长为短时,0.4≤Pi<0.6;信息时长为瞬时,0.1≤Pi<0.4。
本公开的一种可能实现的方式:所述信息出现的时长划分为永久、长时、短时及瞬时,永久信息定义为参数显示基本无变化的信息,长时信息定义为参数变化缓慢的机械仪表及电子数字显示仪的显示的信息,短时信息定义为参数变化快速的机械仪表及电子数字显示仪显示的信息,永久信息定义为突然出现并立即消失的目标信息。
本公开的一种可能实现的方式:所述第三步中信息重要隶属度划分为非常重要、重要、一般、不重要,信息重要隶属为非常重要,0.8≤ui<1,信息重要隶属为重要,0.6≤ui<0.8,信息重要隶属为一般,0.3≤ui<0.6,信息重要隶属为不重要,0.1≤ui<0.3。
本公开的一种可能实现的方式:所述信息重要隶属度划分为非常重要、重要、一般、不重要,非常重要定义为涉及飞行任务是否能成功的关键信息,重要定义为涉及飞行任务是否能成功的重要信息,一般定义为与飞行任务相关但无需特别关注的信息,不重要定义为与飞行认为无关的信息。
本公开的一种可能实现的方式:所述第五步中,颜色因素ci参考值为:信息突显为红色时,0.8≤ui<1;信息突显为黄色时,0.6≤ui<0.8;信息突显为黄色时,0.8≤ui<1;信息突显为绿色时,0.4≤ui<0.6;信息突显为蓝色时,0.2≤ui<0.4;信息突显为灰色时,0.1≤ui<0.2。
本公开的一种可能实现的方式:所述第五步中,尺寸因素si参考值为:尺寸≥100mm时,0.8≤si<1;信息突显为黄色时,0.6≤si<0.8;50<尺寸≤100mm时,0.8≤si<1;25<尺寸≤50mm时,20.4≤si<0.6;10<尺寸≤25mm时,0.2≤si<0.4;尺寸≤10mm时,0.1≤si<0.2。
本公开的一种可能实现的方式:所述第五步中,字符种类因素ti参考值为:字符种类为Y/N类型时,0.7≤ti<1;字符种类为指针类型时,0.4≤ti<0.7;字符种类为数显类型时时,0.1≤ti<0.4。
本公开的一种可能实现的方式:所述第五步中注意力模型修正因素还包括作业人员在处理视觉信息时需要依靠眼动或头动来获取信息所付出的努力,其属性值Hi是通过各视觉信息间的相对距离来衡量的,当目标相对眼球距离为a1时,Hi=a1/∑ai;当目标相对眼球距离为a2时,Hi=a2/∑ai;当目标相对眼球距离为ai时,Hi=ai/∑ai;当目标相对眼球距离为an时,Hi=an/∑ai;在原注意力模型的基础上引入信息突显模型及努力H进行修正后的表达式为:
Ai=Pi*Vi*Tai*Hi-1 = [Pi*ui(1- ui)*ui -1/(ui*ui*e)]*Tai*Hi-1。
与现有技术相比,本发明获得的有益效果是:
本发明公开的一种高级教练机训练效能提升方法,从训练过程中飞行学员注意力分配的角度出发,提出了一种基于视觉注意力分配的高级教练机训练效能提升方法。通过构建基于视觉注意力分配方法,定量计算分析飞行学员的注意力分配值,结合注意力分配值改进高级教练机座舱设计及学前教育等,以提高训练效能。
本发明公开的一种高级教练机训练效能提升方法,是面向飞行学员,以执行训练任务的飞行学员为中心的高级教练机训练效能提升方法,为不同训练科目和系统优化改进提供基础,同时也可为通过座舱改进设计来提高高级教练机训练效能等提供分析与参考。
附图说明
图1为一种高级教练机训练效能提升方法流程图。
具体实施方式
下面结合附图,对实施例进行详细说明。
参见附图1,一种高级教练机训练效能提升方法,包括如下步骤:
第一步,梳理飞行学员在高级训练和战斗入门训练阶段通过座舱显示界面同时监视到的视觉信息,构建视觉信息所获得的注意力模型指标体系。飞行学员在执行某项训练任务时通过座舱显示界面同时监视到n个视觉信息,假设这n个视觉信息所获得的注意力模型指标体系为:
A=(A1,A2,A3,…,Ai…An)
第二步,结合所构建的注意力模型指标体系,构建视觉信息所获得的注意力模型。每一个对信息的注意力与每一个对应的信息出现的概率和重要程度相关。一般来说,对于某一个信息显示的时间越长,被注意的概率越大,信息越重要则对信息的注意力也越大。因此,对于每一个信息的注意力Ai可表示为:
Ai=Pi*Vi
式中,Pi 为每一个对应的信息出现的概率;Vi为每一个对应信息的重要程度。
Pi的取值为0~1,由执行任务时信息出现的时长决定。信息出现的时长可划分为永久、长时、短时及瞬时。信息出现时长的定义及参考值见表1:
表1 信息出现时长定义及参考值
时长 | 永久 | 长时 | 短时 | 瞬时 |
定义 | 参数显示基本无变化 | 参数变化缓慢的机械仪表及电子数字显示仪 | 参数变化快速的机械仪表及电子数字显示仪 | 突然出现并立即消失的目标信息 |
Pi参考值 | 1~0.8 | 0.8~0.6 | 0.6~0.4 | 0.4~0.1 |
第三步,根据基于混合熵的注意力分配方法构建信息的重要程度模型,重要程度Vi可根据基于混合熵的注意力分配模型表示为:
Vi=qi*ui
式中,qi为信息潜在认知状态产生的概率;ui是信息重要隶属度。信息潜在认知状态产生的概率qi ,由于人对于信息重要度的主观评价具有一定的模糊性,同时每个信息在一次注视中能否被注意到存在一定的概率性,通过引入最大熵原理可知q所应满足的约束条件为:
qi≥0, ∑qi=1
由于人对信息重要隶属度ui的认识源于内心的评价,可根据对重要度的主观评价来量化,取值为0~1。信息重要隶属度定义及参考值见表2:
表2 信息重要隶属度定义及参考值
重要隶属度 | 非常重要 | 重要 | 一般 | 不重要 |
定义 | 涉及飞行任务是否能成功的关键信息。 | 涉及飞行任务是否能成功的重要信息。 | 与飞行任务相关但无需特别关注的信息。 | 与飞行任务基本无关的信息。 |
ui参考值 | 1~0.8 | 0.8~0.6 | 0.6~0.3 | 0.3~0.1 |
第四步,构建模糊熵模型,根据最大熵增原理来求得信息潜在认知状态产生的概率,并得出每一个信息的注意力的初始表达式。
通过模糊熵Si来反映作业人员的心理,随着模糊熵Si的增加,人对于获取信息的愿望以及因信息不足而产生的不安等心理活动会随之强化,从而有助于引起人的注意。则Si可表示为:
Si=-qi*ui*lnqi*ui- qi*(1-ui)*ln [qi*(1-ui)]
根据信息可加性原理,n个信息的平均模糊熵可表示为:
S(n)=(1/n)*∑Si
根据最大熵增原理,在明确了n个信息及每个信息重要隶属度ui,计算求解qi来使得S(n)最大。对Si求关于qi导数的表达式为:
Si‘=-ui*lnqi*ui-(1-ui)*ln [qi*(1-ui)]-1
当Si‘=0时,Si取得极值,也是最大值。则可化简得:
qi=(1- ui)*ui -1/(ui*ui*e)
结合上述分析,对于每一个信息的注意力Ai的表达式为:
Ai=Pi*Vi=Pi*qi*ui= Pi*ui*(1- ui)*ui -1/(ui*ui*e)
其中,e为自然对数,其值约为2.718;
第五步,通过颜色、尺寸、字符种类等方面的信息突显和飞行学员的付出努力进行注意力模型修正。
一般情况下,为了更易于注意力的捕捉,信息可在颜色、尺寸、字符种类等方面进行信息突显。信息突显修正因子Tai与颜色、尺寸、字符种类等因素相关,且为这三者的加权平均值,表达式为:
Tai=(ci+si+ti)/3
式中,ci为颜色、si为尺寸和ti为字符种类。根据信息突显的特点,相关因素的参考值见下表:
表3 颜色因素的参考值
颜色 | 红 | 黄 | 绿 | 蓝 | 灰 |
ci参考值 | 1~0.8 | 0.8~0.6 | 0.6~0.4 | 0.4~0.2 | 0.2~0.1 |
表4 尺寸因素的参考值
尺寸 | ≥100mm | 100mm~50mm | 50mm~25mm | 25mm~10mm | ≤10mm |
si参考值 | 1~0.8 | 0.8~0.6 | 0.6~0.4 | 0.4~0.2 | 0.2~0.1 |
表5字符种类因素的参考值
字符种类 | Y/N | 指针 | 数显 |
ti参考值 | 1~0.7 | 0.7~0.4 | 0.4~0.1 |
另外,H是指作业人员在处理视觉信息时需要依靠眼动或头动来获取信息所付出的努力,它在一定程度上影响了注意力资源的分配。其属性值是通过各视觉信息间的相对距离来衡量的,相对距离越近的信息就越容易发生注意力转移,或是通过教育提醒,也能提升注意力。
表6 H计算表
目标相对眼球距离 | a1 | a2 | .... | ai | an |
Hi值 | a1/∑ai | a2/∑ai | ai /∑ai | an /∑ai |
因此可在原注意力模型的基础上引入信息突显模型及努力H进行修正后的表达式为:
Ai=Pi*Vi*Tai*Hi-1 = [Pi*ui*(1- ui)*ui -1/ (ui*ui*e)]*Tai*Hi-1
在人机交互系统中,上述多种因素共同影响并决定了飞行学员的注意力分配策略,采用基于混合熵的模型中对注意力分配比例的定义,则分配到第i个信息的注意力占总资源的比例为:
Fi=Ai/∑Ai
第六步,结合注意力分配模型,构建基于视觉注意力分配的高级教练机训练效能优化提升模型。
定义Rank(Fi)为Fi的排序函数,将注意力占总资源的比例Fi进行由大到小排序。定义Rank(Ãi)为Ãi的排序函数,将通过视觉信息所获得的注意力Ãi进行由大到小排序,这里的Ãi的数值由众多飞行教官结合教学经验得出,该数值表示飞行学员在训练过程中的关注点,作为训练的效果和教练机的训练效能最优的准则。
定义COM(Rank(Fi),Rank(Ãi))=0时,表示Fi的排序与Ãi的排序一致,训练效能为最优,当COM(Rank(Fi),Rank(Ãi))≠0时,以Ãi的排序为基准,通过改进座舱设计等方式来完善Pi和Tai的数值,通过对飞行学员进行教育提醒的方式来完善ui和Hi的数值,使得COM(Rank(Fi),Rank(Ãi))=0,通过该方法为高级教练机的训练效能优化提升提供依据及改进方向。
以上列举的仅是本发明的具体实施例之一。显然,本发明不限于以上实施例,还可以有许多类似的改形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明所要保护的范围。
Claims (9)
1.一种高级教练机训练效能提升方法,其特征在于:包括以下步骤:
第一步:构建视觉信息所获得的注意力模型指标体系A;
梳理飞行学员在训练阶段通过座舱显示界面同时监视到的视觉信息,构建视觉信息所获得的注意力模型指标体系;飞行学员在执行某项训练任务时通过座舱显示界面同时监视到n个视觉信息,假设这n个视觉信息所获得的注意力模型指标体系为:
A=(A1,A2,A3,…,Ai…An);
第二步:构建视觉信息所获得的注意力模型Ai;
结合所构建的注意力模型指标体系,构建视觉信息所获得的注意力模型;每一个对应信息的注意力与每一个对应的信息出现的概率和重要程度相关;每一个信息的注意力Ai表示为:
Ai=Pi*Vi
式中,Pi 为每一个对应的信息出现的概率;Vi为每一个对应信息的重要程度;Pi的取值为0~1,由执行任务时信息出现的时长决定;
第三步:构建信息的重要程度模型Vi;
根据基于混合熵的注意力分配方法构建信息的重要程度模型,重要程度Vi可根据基于混合熵的注意力分配模型表示为:
Vi=qi*ui
式中,qi为信息潜在认知状态产生的概率;ui是信息重要隶属度;qi的取值为0~1,满足的约束条件为qi≥0, ∑qi=1,ui的取值为0~1;
第四步:构建模糊熵模型Si,当Si取最大值时,求得注意力Ai;
根据最大熵增原理求得信息潜在认知状态产生的概率,并得出每一个信息的注意力的初始表达式;Si表示为:
Si=-qi*ui*lnqi*ui-qi*(1-ui)*ln [qi*(1-ui)]
根据信息可加性原理,n个信息的平均模糊熵可表示为:
S(n)=(1/n)*∑Si
根据最大熵增原理,在明确了n个信息及每个信息重要隶属度ui,计算求解qi来使得S(n)最大,对应每一个信息的注意力Ai的表达式为:
Ai=Pi*Vi=Pi*qi*ui= Pi*ui*(1- ui)*ui -1/ (ui*ui*e)
其中,e为自然对数,其值约为2.718;
第五步:注意力模型修正,修正因子为Tai;
通过颜色、尺寸、字符种类等方面的信息突显和飞行学员的付出努力进行注意力模型修正;信息突显修正因子Tai与颜色、尺寸、字符种类等因素相关,且为这三者的加权平均值,表达式为:
Tai=(ci+si+ti)/3
式中,ci为颜色、si为尺寸、ti为字符种类;进行修正后的表达式为:
Ai=Pi*Vi*Tai-1 = [Pi*ui(1- ui)*ui -1/(ui*ui*e)]*Tai-1
采用基于混合熵的模型中对注意力分配比例的定义,则分配到第i个信息的注意力占总资源的比例为:
Fi=Ai/∑Ai
第六步:构建效能提升模型COM(Rank(Fi),Rank(Ãi));
结合注意力分配模型,构建基于视觉注意力分配的高级教练机训练效能优化提升模型,定义Rank(Fi)为Fi的排序函数,将注意力占总资源的比例Fi进行由大到小排序;定义Rank(Ãi)为Ãi的排序函数,将通过视觉信息所获得的注意力Ãi进行由大到小排序;定义COM(Rank(Fi),Rank(Ãi))=0时,表示Fi的排序与Ãi的排序一致,训练效能为最优,当COM(Rank(Fi),Rank(Ãi))≠0时,以Ãi的排序为基准,进一步完善Pi、Tai、ui和Hi的数值,使得COM(Rank(Fi),Rank(Ãi))=0,通过该方法为高级教练机的训练效能优化提升提供依据及改进方向。
2.如权利要求1所述的一种高级教练机训练效能提升方法,其特征在于:所述第二步中信息出现的时长划分为永久、长时、短时及瞬时,信息时长为永久,0.8≤Pi<1;信息时长为长时,0.6≤Pi<0.8;信息时长为短时,0.4≤Pi<0.6;信息时长为瞬时,0.1≤Pi<0.4。
3.如权利要求2所述的一种高级教练机训练效能提升方法,其特征在于:所述信息出现的时长划分为永久、长时、短时及瞬时,永久信息定义为参数显示基本无变化的信息,长时信息定义为参数变化缓慢的机械仪表及电子数字显示仪的显示的信息,短时信息定义为参数变化快速的机械仪表及电子数字显示仪显示的信息,永久信息定义为突然出现并立即消失的目标信息。
4.如权利要求1所述的一种高级教练机训练效能提升方法,其特征在于:所述第三步中信息重要隶属度划分为非常重要、重要、一般、不重要,信息重要隶属为非常重要,0.8≤ui<1,信息重要隶属为重要,0.6≤ui<0.8,信息重要隶属为一般,0.3≤ui<0.6,信息重要隶属为不重要,0.1≤ui<0.3。
5.如权利要求4所述的一种高级教练机训练效能提升方法,其特征在于:所述信息重要隶属度划分为非常重要、重要、一般、不重要,非常重要定义为涉及飞行任务是否能成功的关键信息,重要定义为涉及飞行任务是否能成功的重要信息,一般定义为与飞行任务相关但无需特别关注的信息,不重要定义为与飞行认为无关的信息。
6.如权利要求1所述的一种高级教练机训练效能提升方法,其特征在于:所述第五步中,颜色因素ci参考值为:信息突显为红色时,0.8≤ui<1;信息突显为黄色时,0.6≤ui<0.8;信息突显为黄色时,0.8≤ui<1;信息突显为绿色时,0.4≤ui<0.6;信息突显为蓝色时,0.2≤ui<0.4;信息突显为灰色时,0.1≤ui<0.2。
7.如权利要求1所述的一种高级教练机训练效能提升方法,其特征在于:所述第五步中,尺寸因素si参考值为:尺寸≥100mm时,0.8≤si<1;信息突显为黄色时,0.6≤si<0.8;50<尺寸≤100mm时,0.8≤si<1;25<尺寸≤50mm时,20.4≤si<0.6;10<尺寸≤25mm时,0.2≤si<0.4;尺寸≤10mm时,0.1≤si<0.2。
8.如权利要求1所述的一种高级教练机训练效能提升方法,其特征在于:所述第五步中,字符种类因素ti参考值为:字符种类为Y/N类型时,0.7≤ti<1;字符种类为指针类型时,0.4≤ti<0.7;字符种类为数显类型时时,0.1≤ti<0.4。
9.如权利要求1所述的一种高级教练机训练效能提升方法,其特征在于:所述第五步中注意力模型修正因素还包括作业人员在处理视觉信息时需要依靠眼动或头动来获取信息所付出的努力,其属性值Hi是通过各视觉信息间的相对距离来衡量的,当目标相对眼球距离为a1时,Hi=a1/∑ai;当目标相对眼球距离为a2时,Hi=a2/∑ai;当目标相对眼球距离为ai时,Hi=ai/∑ai;当目标相对眼球距离为an时,Hi=an/∑ai;在原注意力模型的基础上引入信息突显模型及努力H进行修正后的表达式为:
Ai=Pi*Vi*Tai*Hi-1 =[Pi*ui(1- ui)*ui -1/(ui*ui*e)]*Tai*Hi-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223847.5A CN110991890A (zh) | 2019-12-04 | 2019-12-04 | 一种高级教练机训练效能提升方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223847.5A CN110991890A (zh) | 2019-12-04 | 2019-12-04 | 一种高级教练机训练效能提升方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991890A true CN110991890A (zh) | 2020-04-10 |
Family
ID=70089816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911223847.5A Pending CN110991890A (zh) | 2019-12-04 | 2019-12-04 | 一种高级教练机训练效能提升方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991890A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798457A (zh) * | 2020-06-10 | 2020-10-20 | 上海众言网络科技有限公司 | 图像视觉重量确定方法、装置和图像评价方法 |
CN115273600A (zh) * | 2022-07-27 | 2022-11-01 | 山东心法科技有限公司 | 一种飞行员驾驶技能智能辅助训练方法及系统 |
CN115920192A (zh) * | 2023-02-06 | 2023-04-07 | 西南医科大学附属医院 | 专注力分配能力训练系统、运行方法及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693349A (zh) * | 2011-03-25 | 2012-09-26 | 北京航空航天大学 | 基于飞机驾驶舱显示界面的飞行员注意力分配工效测评系统和方法 |
CN107220761A (zh) * | 2017-05-24 | 2017-09-29 | 江西洪都航空工业集团有限责任公司 | 一种教练机训练效能评估计算方法 |
-
2019
- 2019-12-04 CN CN201911223847.5A patent/CN110991890A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693349A (zh) * | 2011-03-25 | 2012-09-26 | 北京航空航天大学 | 基于飞机驾驶舱显示界面的飞行员注意力分配工效测评系统和方法 |
CN107220761A (zh) * | 2017-05-24 | 2017-09-29 | 江西洪都航空工业集团有限责任公司 | 一种教练机训练效能评估计算方法 |
Non-Patent Citations (4)
Title |
---|
XIAORU WANYAN ETC: "Study on Pilot Attention Allocation Model Based on Fuzzy Theory", 《2010 SIXTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION 》 * |
吴旭等: "基于空间映射的视觉注意力分配预测模型", 《北京航空航天大学学报》 * |
吴旭等: "多因素条件下注意力分配建模", 《北京航空航天大学学报》 * |
李航航等: "教练机训练效能计算方法改进", 《北京航空航天大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798457A (zh) * | 2020-06-10 | 2020-10-20 | 上海众言网络科技有限公司 | 图像视觉重量确定方法、装置和图像评价方法 |
CN115273600A (zh) * | 2022-07-27 | 2022-11-01 | 山东心法科技有限公司 | 一种飞行员驾驶技能智能辅助训练方法及系统 |
CN115920192A (zh) * | 2023-02-06 | 2023-04-07 | 西南医科大学附属医院 | 专注力分配能力训练系统、运行方法及存储介质 |
CN115920192B (zh) * | 2023-02-06 | 2023-05-09 | 西南医科大学附属医院 | 专注力分配能力训练系统、运行方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991890A (zh) | 一种高级教练机训练效能提升方法 | |
Mohammed et al. | The relationship between leadership styles and employees’ performance in organizations (a study of selected business organizations in Federal Capital Territory, Abuja Nigeria) | |
Blecher | The mass line and leader-mass relations and communication in basic-level rural communities | |
Lieberman et al. | Self-help and social research | |
Abarqhouei et al. | Total ergonomics and its impact in musculoskeletal disorders and quality of work life and productivity | |
Jansen | Wrestling with the angel: on problems of definition in urban historiography | |
Yukelson et al. | Team resiliency in sport: Research to practice | |
Stewart | Women in top jobs: An opportunity for federal leadership | |
Wu | Study on college students' learning burnout | |
Kikkawa | Roles of play: The implications of roles in games | |
Singler | Doping Prevention–Demands and Reality: Why education of athletes is not enough | |
Jager et al. | Guess you’re right on this one too: Central and Peripheral processing in attitude changes in large populations | |
CN111861198A (zh) | 矿井班组工人不安全行为传播过程提取和分析方法 | |
Ten Dam | Drop‐out from adult education: social environment, school culture and perceptions | |
Grant et al. | Transfer of eyelid conditioning from instrumental to classical reinforcement and vice versa. | |
Jonathan | The curriculum and the new vocationalism | |
Nixson | ‘Economic development’: a suitable case for treatment? | |
Carder | A positive approach | |
Größler | The influence of decision time on performance in use of a business simulator | |
Magyari-Beck et al. | Creative techniques in the framework of market and evolution | |
Shi et al. | Application Research on the Effectiveness Value of Cooperation and Diversification of Basketball Teaching Methods in Colleges | |
Chandra | The Extent and Evolution of Phronesis in the Workplace | |
Hamdani et al. | The Effect of Organizational Culture and Job Satisfaction to Principals Productivity in Senior High School in Province of Jakarta | |
Antonietti et al. | From Peer Education to Peer Development. | |
Moon et al. | Linking Policy Areas: IT education, training and youth unemployment in the UK and West Germany |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
RJ01 | Rejection of invention patent application after publication |