CN111861231A - 一种基于决策树的飞行训练特情智能生成方法 - Google Patents
一种基于决策树的飞行训练特情智能生成方法 Download PDFInfo
- Publication number
- CN111861231A CN111861231A CN202010723875.XA CN202010723875A CN111861231A CN 111861231 A CN111861231 A CN 111861231A CN 202010723875 A CN202010723875 A CN 202010723875A CN 111861231 A CN111861231 A CN 111861231A
- Authority
- CN
- China
- Prior art keywords
- training
- decision tree
- flight
- special
- model
- 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
Links
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/10—Office automation; Time management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于决策树的飞行训练特情智能生成方法,设计了模型构建模块和模型推理模块,其中模型构建模块读取特征提取后的训练案例数据,通过这些训练案例数据学习飞行特情训练方案制定规则,完成决策树模型构建;其中模型推理模块使用构建好的决策树模型和受训人员的飞行特情训练评价数据动态生成飞行训练特情。在使用本方法进行仿真训练时便可获得实时的、动态的飞行训练特情。本方法可增强训练内容的针对性和随机性,减少在仿真飞行训练中特情训练方案制定所耗费的时间,有效提升训练效果。
Description
技术领域
本发明涉及计算机飞行器操作仿真技术领域,尤其涉及一种基于决策树的飞行训练特情智能生成方法。
背景技术
飞行器在工作过程中发生故障等特情的概率较小,发生特情的时间绝大多数情况下完全随机,且训练计划的制定对于受训人员来说应因人而异,所以在仿真飞行训练领域,目前还没有完整、成熟的特情智能生成技术。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。本方法与现有技术相比,优势主要体现在特情生成时,极大减少了程序设计人员的主观因素对特情生成结果的影响,尽可能复现了训练案例数据所蕴含的特情训练思想,对不同的受训人员生成具有针对性的特情训练方案。
发明内容
针对上述现有技术的不足,提供一种基于决策树的飞行训练特情智能生成方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于决策树的飞行训练特情智能生成方法,包括如下步骤:
步骤1:建立飞行特情训练评价指标体系,将受训人员各项特情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;
所述飞行特情训练评价指标体系包括如下评价指标:
(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特情训练内容掌握情况;
(2)训练间隔:距上一次训练间隔时间;
(3)任务重要度:在多项飞行特情发生时,处理该飞行特情的紧急程度;
(4)困难度:处理该飞行特情的难易程度;
(5)误操作可能性:处理该飞行特情时,错误操作的可能性;
(6)误操作危险度:处理该飞行特情时,发生错误操作的危险程度。
所述训练案例数据即是在经过实践证明的已经取得了优异效果的针对个人的训练方案数据,训练案例数据包含受训人员的特情训练评价与该特情在此情况下是否进行训练的信息;
所述受训人员各项特情训练情况为即将使用本方法进行特情内容生成的使用人员数据,不包含是否训练信息。
这里所说的对应是指评价上述两份数据的指标体系相同。训练案例数据为训练集,受训人员各项特情训练情况数据为测试集。
步骤2:依照决策树流程设计模型构建模块,从数据库中读取对应受训人员的训练案例数据,作为该受训人员决策树建立的训练集,完成决策树模型的结构和参数构建,并将该受训人员所对应的训练好的决策树模型存储到数据库中;
步骤2.1:定义数据容器,将从数据库读入内存的受训人员的训练案例数据保存到容器中并构建成当前样本属性集合T,以供决策树算法所需;
步骤2.2:决策树模型构建依赖于信息熵Ent(T),假定当前样本属性集合T中第k类样本所占的比例为Pk(k=1,2,....|y|),根据信息熵计算公式
计算当前属性集合T每种特征的信息熵;
步骤2.3:从根节点即全集开始,根据步骤2.2的公式计算该节点所有特征的信息熵,选择信息熵最小的特征作为该结点的特征,由该特征的不同取值建立子结点即子集;
步骤2.4:对子结点递归调用以上方法,构建决策树;直到所有特征的信息熵均很小或没有特征可以选择为止,得到决策树模型;
步骤2.5:将所获得的决策树模型存储为三维数组,保存在数据库中,供后续模型推理模块查询和调用。
所述决策树模型存储的三维数组组成三维空间,将其划分为若干个区块,每个固定的区块表示一个节点,三个维度分别表示节点所在层数、节点位置和节点内容。
步骤3:设计模型推理模块,将受训人员的各项飞行特情训练评价数据从数据库中读入内存,按照决策树模型进行推理,决策出该次训练应训练的飞行特情;
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特情训练评价数据保存到容器中,以供模型推理模块决策所需;
步骤3.2:模型推理模块将受训人员各项飞行特情训练评价数据输入训练好的决策树模型中,依据决策树模型的决策规则进行自上向下推理,得到该受训人员需要训练的特情;
步骤3.3:将推理结果按照训练系统所支持响应的消息格式转换为该受训人员的飞行训练特情生成方案。
步骤4:在训练案例不变的情况下,从数据库中调用已经构建完成的决策树模型,减少在训练中使用时的响应时间。
采用上述技术方案所产生的有益效果在于:
1、本发明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有主观性的问题,完成智能生成特情的突破,为后续的智能制定训练计划奠定了理论和技术基础;
2、本发明可以实现特情生成的智能化和训练的无人化,节约人力物力,提高了特情生成的随机性,有利于增强受训人员对突发情况的处理能力,提升训练效率。
3、本发明可以增强训练内容的针对性,不同情况的受训人员训练的特情内容各具自身特色,实现了因材施教的训练计划。
附图说明
图1为本发明实施例中基于决策树的飞行训练特情智能生成方法的具体流程图;
图2为本发明实施例中依照决策树流程设计模型构建模块的流程图;
图3为本发明实施例中模型推理模块的流程图;
图4为本发明实施例中决策树示例图。
具体实施方式
下面结合附图和实施例,对本发明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发明,但不用来限制本发明的范围。
如图1所示,本实施例的方法如下所述。先准备好训练案例和受训人员各项特情训练评价数据。
步骤1:建立飞行特情训练评价指标体系,将受训人员各项特情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;
(1)提取特情训练成绩特征:
收集训练案例和受训人员飞行特情训练评价数据,以历史平均成绩、训练间隔、任务重要度、困难度、误操作可能性、误操作危险度作为数据特征,将数据按照特定格式以特征值的形式保存,供模型构建模块和模型推理模块使用。
(2)定义变量:
变量模块包括数据读入模块、模型构建模块、模型推理模块和其他本方法子模块的各项变量,是整个方法内部和对外信息交互的基础。其中数据读入模块部分包括训练案例数据变量、受训人员各项特情评价数据变量和已完成构建的决策树模型信息数据变量;模型构建模块部分主要包括计算过程中的中间变量;模型推理模块部分主要包括指向读入数据的各级指向性变量和存储训练方案的变量。
步骤2:依照决策树流程设计模型构建模块,其流程如图2所示,从数据库中读取对应受训人员的训练案例数据,作为该受训人员决策树建立的训练集,完成决策树模型的结构和参数构建,并将该受训人员所对应的训练好的决策树模型存储到数据库中;
步骤2.1:定义数据容器,将从数据库读入内存的受训人员的训练案例数据保存到容器中并构建成当前样本属性集合T,以供决策树算法所需;
步骤2.2:决策树模型构建依赖于信息熵Ent(T),假定当前样本属性集合T中第k类样本所占的比例为Pk(k=1,2,....|y|),根据信息熵计算公式
计算当前属性集合T每种特征的信息熵;
步骤2.3:从根节点即全集开始,根据步骤2.2的公式计算该节点所有特征的信息熵,选择信息熵最小的特征作为该结点的特征,由该特征的不同取值建立子结点即子集;
步骤2.4:对子结点递归调用以上方法,构建决策树;直到所有特征的信息熵均很小或没有特征可以选择为止,得到决策树模型;
步骤2.5:将所获得的决策树模型存储为三维数组,保存在数据库中,供后续模型推理模块查询和调用。
所述决策树模型存储的三维数组组成三维空间,将其划分为若干个区块,每个固定的区块表示一个节点,三个维度分别表示节点所在层数、节点位置和节点内容。
本实施例中将数据库中的训练案例数据读入内存并保存到对应容器中,完成决策树算法所需数据的初始化。按照如下过程完成决策树构建,构建过程各符号说明见表一。
表1决策树模型参数
(1)生成根节点即包含所有训练案例数据的全集T,然后进行判断,如果全集T中的样本全部属于同一类别C,则将node标记为C类叶节点;如果属性集合Attr为空集或全集T中的样本在属性集合Attr内各属性信息熵相同,则将node标记为T中样本数最多的类;如果全集T的样本在属性集合Attr内各属性的信息熵不同,则继续下面的步骤。
(2)从Attr中选择最优划分属性,即计算各特征属性的信息熵后,选择使当前节点信息熵最小的属性A*,然后在该节点处的属性集合中删除属性A*。
(3)选择属性A*的每一个特征值为node生成分支;令Tv表示T在A*上取值为的时的样本子集;进行判断,如果Tv为空,则将分支节点标记为叶节点,其类别标记为Tv冲样本最多的类,并返回上一节点;否则以Tv为分支节点,返回上一节点;
(4):重复(2)(3),直到获得以node为根节点的一棵决策树。
决策树的生成是一个递归过程,在决策树算法中,有三种情形会导致递归返回:①当前节点包含的样本属于同一个类别,无需划分;②当前属性集为空,或是当前节点样本在所有属性的信息上相同,无法划分;③当前节点包含的样本集合为空,不能划分。
在情况②下,我们把当前节点标记为叶节点,并将其类别设定为该节点所含样本数最多的类别;在情况③下,同样把当前节点标记为叶节点,利用属性值在量化时连续的特点,将此节点继承为同一父节点下前一分支的决策属性,若该节点所在分支为第一个分支,则继承父节点样本中决策属性最多的决策属性。
例如有以“平均成绩”、“训练间隔”、“任务重要度”、“困难度”、“误操作可能性”、“误操作危险度”为特征的训练案例。首先生成根节点,将所有以数组[“序号”,“平均成绩”,“训练间隔”,“任务重要度”,“困难度”,“误操作可能性”,“误操作危险度”,“结果y”]的格式保存在数据库中的训练案例数据读取到内存中,与之对应,训练案例数组保存格式为[“序号”,“平均成绩”,“训练间隔”,“任务重要度”,“困难度”,“误操作可能性”,“误操作危险度”,“结果y”],即Attr={平均训练成绩,训练间隔,任务重要度,误操作可能性,误操作可能性,误操作危险度},然后生成根节点,将所有数据保存在一个数据容器中,然后根据公式
计算根节点集合内所有Attr内属性的信息熵,比较各信息熵,选取信息熵最小的属性作为当前节点的特征属性,向下建立分支,并在当前节点和沿分支向下的节点属性集合中删除该属性,此处以平均成绩为例。选取特征平均训练成绩的各特征值(1优秀,2良好,3及格,4不及格)向下建立分支,在平均训练成绩为优秀的分支下建立子节点,即平均训练成绩为优秀的训练案例子集,重复根节点选取特征属性的过程,此处以误操作可能性为例,并在此节点特征各特征值为1的子集符合第①种情况,将其标记为叶节点,并返回上一层节点,取特征值为2,3,发现均符合第①中情况,则该分支构建结束,返回根节点,取根节点下一特征值向下构建分支。循环此过程,直至决策树构建完成,得到如图4所示决策树。
完成决策树模型构建之后,将决策树结构和参数的信息存储于内存之中,使用模型推理模块查询调用。
步骤3:设计模型推理模块,其流程如图3所示,将受训人员的各项飞行特情训练评价数据从数据库中读入内存,按照决策树模型进行推理,决策出该次训练应训练的飞行特情;
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特情训练评价数据保存到容器中,以供模型推理模块决策所需;
步骤3.2:模型推理模块将受训人员各项飞行特情训练评价数据输入训练好的决策树模型中,依据决策树模型的决策规则进行自上向下推理,得到该受训人员需要训练的特情;
步骤3.3:将推理结果按照训练系统所支持响应的消息格式转换为该受训人员的飞行训练特情生成方案。
本实施例中首先从模型构建模块或数据库获取决策树模型,从数据库获取受训人员的各项特情评价数据,然后再建立所获取数据与模型推理模块过程变量的指向关系,由此实现按决策树模型进行推理。将获取的受训人员各项特情评价数据与按决策树模型节点参数按照沿着决策树分支自顶向下的顺序依次进行比对,根据比对结果,最终给出各项特情是否需要训练的决策。若特情训练有特情数量或其他方面的特殊要求,可在此处继续添加筛选条件,以保证满足训练需求。
飞行特情生成模块在飞行阶段状态更新后的随机时间点被调用,保证特情生成在时间上的随机性,训练受训人员对突发情况的处理能力。在调用此模块时,会先判断此时飞行训练中所处的飞行阶段和飞行状态,然后以此来确定哪些特情在此时生成符合实际情况和训练逻辑。假设已经获得图4所示决策树模型和某受训人员“空中停车”特情处理评价为[“1”,“优秀”,“长,“一级”,三级”,“高”,“很高”],在确定此特情在此阶段生成合理之后,根据图4模型推理。首先查询成绩特征,特征值为优秀,根据模型信息,继续查询误操作可能性特征,特征值为高,根据模型信息,继续查询误操作危险度特征,此时得到推理结果为该特情在此时训练,但为了保证训练时间的充分利用和避免短时间内重复训练相同特情,在生成该特情之前,再次判断该特情在此次飞行训练中是否已经训练,若未训练,则生成本特情,完成此次推理。
步骤4:在训练案例不变的情况下,从数据库中调用已经构建完成的决策树模型,减少在训练中使用时的响应时间。
Claims (5)
1.一种基于决策树的飞行训练特情智能生成方法,其特征在于,包括如下步骤:
步骤1:建立飞行特情训练评价指标体系,将受训人员各项特情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:依照决策树流程设计模型构建模块,从数据库中读取对应受训人员的训练案例数据,作为该受训人员决策树建立的训练集,完成决策树模型的结构和参数构建,并将该受训人员所对应的训练好的决策树模型存储到数据库中;
步骤3:设计模型推理模块,将受训人员的各项飞行特情训练评价数据从数据库中读入内存,按照决策树模型进行推理,决策出该次训练应训练的飞行特情;
步骤4:在训练案例不变的情况下,从数据库中调用已经构建完成的决策树模型,减少在训练中使用时的响应时间。
2.根据权利要求1所述的一种基于决策树的飞行训练特情智能生成方法,其特征在于,所述飞行特情训练评价指标体系包括如下评价指标:
(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特情训练内容掌握情况;
(2)训练间隔:距上一次训练间隔时间;
(3)任务重要度:在多项飞行特情发生时,处理该飞行特情的紧急程度;
(4)困难度:处理该飞行特情的难易程度;
(5)误操作可能性:处理该飞行特情时,错误操作的可能性;
(6)误操作危险度:处理该飞行特情时,发生错误操作的危险程度。
3.根据权利要求1所述的一种基于决策树的飞行训练特情智能生成方法,其特征在于,所述步骤2的过程如下:
步骤2.1:定义数据容器,将从数据库读入内存的受训人员的训练案例数据保存到容器中并构建成当前样本属性集合T,以供决策树算法所需;
步骤2.2:决策树模型构建依赖于信息熵Ent(T),假定当前样本属性集合T中第k类样本所占的比例为Pk(k=1,2,....|y|),根据信息熵计算公式
计算当前属性集合T每种特征的信息熵;
步骤2.3:从根节点即全集开始,根据步骤2.2的公式计算该节点所有特征的信息熵,选择信息熵最小的特征作为该结点的特征,由该特征的不同取值建立子结点即子集;
步骤2.4:对子结点递归调用以上方法,构建决策树;直到所有特征的信息熵均很小或没有特征可以选择为止,得到决策树模型;
步骤2.5:将所获得的决策树模型存储为三维数组,保存在数据库中,供后续模型推理模块查询和调用。
4.根据权利要求3所述的一种基于决策树的飞行训练特情智能生成方法,其特征在于,所述决策树模型存储的三维数组组成三维空间,将其划分为若干个区块,每个固定的区块表示一个节点,三个维度分别表示节点所在层数、节点位置和节点内容。
5.根据权利要求1所述的一种基于决策树的飞行训练特情智能生成方法,其特征在于,所述步骤3的过程如下:
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特情训练评价数据保存到容器中,以供模型推理模块决策所需;
步骤3.2:模型推理模块将受训人员各项飞行特情训练评价数据输入训练好的决策树模型中,依据决策树模型的决策规则进行自上向下推理,得到该受训人员需要训练的特情;
步骤3.3:将推理结果按照训练系统所支持响应的消息格式转换为该受训人员的飞行训练特情生成方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010723875.XA CN111861231B (zh) | 2020-07-24 | 2020-07-24 | 一种基于决策树的飞行训练特情智能生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010723875.XA CN111861231B (zh) | 2020-07-24 | 2020-07-24 | 一种基于决策树的飞行训练特情智能生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861231A true CN111861231A (zh) | 2020-10-30 |
CN111861231B CN111861231B (zh) | 2023-07-25 |
Family
ID=72950703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010723875.XA Active CN111861231B (zh) | 2020-07-24 | 2020-07-24 | 一种基于决策树的飞行训练特情智能生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861231B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112394922A (zh) * | 2020-12-02 | 2021-02-23 | 成都新希望金融信息有限公司 | 决策配置方法、业务决策方法和决策引擎系统 |
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 |
CN114373360A (zh) * | 2021-12-17 | 2022-04-19 | 清华大学 | 飞行模拟器智能训练系统、方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030139958A1 (en) * | 2002-01-11 | 2003-07-24 | Thengvall Benjamin Glover | System and method for rapid generation of minimum length pilot training schedules |
US20140324871A1 (en) * | 2013-04-30 | 2014-10-30 | Wal-Mart Stores, Inc. | Decision-tree based quantitative and qualitative record classification |
CN105868298A (zh) * | 2016-03-23 | 2016-08-17 | 华南理工大学 | 一种基于二叉决策树的手机游戏推荐方法 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
-
2020
- 2020-07-24 CN CN202010723875.XA patent/CN111861231B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030139958A1 (en) * | 2002-01-11 | 2003-07-24 | Thengvall Benjamin Glover | System and method for rapid generation of minimum length pilot training schedules |
US20140324871A1 (en) * | 2013-04-30 | 2014-10-30 | Wal-Mart Stores, Inc. | Decision-tree based quantitative and qualitative record classification |
CN105868298A (zh) * | 2016-03-23 | 2016-08-17 | 华南理工大学 | 一种基于二叉决策树的手机游戏推荐方法 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
Cited By (4)
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 |
CN112394922A (zh) * | 2020-12-02 | 2021-02-23 | 成都新希望金融信息有限公司 | 决策配置方法、业务决策方法和决策引擎系统 |
CN114373360A (zh) * | 2021-12-17 | 2022-04-19 | 清华大学 | 飞行模拟器智能训练系统、方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111861231B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861231B (zh) | 一种基于决策树的飞行训练特情智能生成方法 | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
Liu et al. | A multiagent evolutionary algorithm for combinatorial optimization problems | |
CN107544960B (zh) | 一种基于变量绑定和关系激活的自动问答方法 | |
CN108763376A (zh) | 融合关系路径、类型、实体描述信息的知识表示学习方法 | |
CN110598065A (zh) | 一种数据挖掘方法、装置和计算机可读存储介质 | |
CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN112396105B (zh) | 一种基于贝叶斯网络的飞行训练科目智能生成方法 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN113052712B (zh) | 社交数据的分析方法、系统及存储介质 | |
CN112200208B (zh) | 基于多维度特征融合的云工作流任务执行时间预测方法 | |
CN115905903A (zh) | 基于图注意力自动编码器的多视图聚类方法及系统 | |
CN106960064B (zh) | 一种基于自学习的几何辅助线添加方法 | |
Park et al. | The hybrid multi-layer inference architecture and algorithm of FPNN based on FNN and PNN | |
CN114936296B (zh) | 超大规模知识图谱存储的索引方法、系统及计算机设备 | |
CN115061501B (zh) | 一种空中编队队形的编码数据识别方法及系统 | |
CN116541593B (zh) | 一种基于超图神经网络的课程推荐方法 | |
CN116910481B (zh) | 一种基于遗传算法的船舶任务系统装载弹量优化方法 | |
CN110322004A (zh) | 一种预测卷积神经网络模型性能的方法 | |
CN116340842A (zh) | 基于共同注意力的异质图表示学习方法 | |
CN118013881A (zh) | 基于计算网格数据的非定常流场单步预测方法、系统及存储介质 | |
Xue et al. | CNN and TOPSIS Based Wordle Development Study |
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 |