CN112163743A - 一种基于卷积神经网络的高压电缆施工作业3d仿真培训系统可信度评估方法 - Google Patents
一种基于卷积神经网络的高压电缆施工作业3d仿真培训系统可信度评估方法 Download PDFInfo
- Publication number
- CN112163743A CN112163743A CN202010975180.0A CN202010975180A CN112163743A CN 112163743 A CN112163743 A CN 112163743A CN 202010975180 A CN202010975180 A CN 202010975180A CN 112163743 A CN112163743 A CN 112163743A
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- network structure
- output
- input
- 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 45
- 238000004088 simulation Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 16
- 238000010276 construction Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims 2
- 238000007654 immersion Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004445 quantitative analysis 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
- 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
- G06N3/045—Combinations of 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
-
- 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
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于卷积神经网络的高压电缆施工作业3D仿真培训系统可信度评估方法，首先根据专家的意向对仿真培训系统进行多次打分，然后根据专家分数的范围随机生成大量数据，对数据进行计算并得到评判结果。以此得到海量数据样本。其次通过设置批处理数量为较大定值，训练次数为较小定值，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，减少批处理数量，增加训练次数，使错误率降为0，从而得到训练好的网络结构参数。最后，在每次专家打分之后，输入到训练好的网络中，即可得到评判结果，无需再次训练。该方法能够准确快速获得评判结果，灵敏度高，不受指标权重系数的影响，具有很高的可靠性。
Description
技术领域
本发明涉及高压电缆施工作业3D仿真培训系统可信度评估，尤其是涉及一种利用卷积神经网络的高压电缆施工作业3D仿真培训系统可信度评估。
背景技术
随着计算机图形技术和虚拟现实技术的迅速发展，仿真技术已广泛应用在科学技术和生产生活的各个领域。为增强电力职工的技能和素质，提高电力企业对员工的培训效率，采用虚拟现实技术的电力系统仿真培训应运而生。而仿真可信度是评估仿真培训系统仿真成功与否的重要指标。
在建模与仿真领域，仿真可信度的评估方法一般可以分为定量计算和定性分析。但是定量的方法大多忽略了专家的宝贵经验，一般做理论分析；定性分析方法简单易懂。可操作性强，但是受主观因素影响比较大，应用效果受外界因素影响大。
针对在可信度评估过程出现的随机的与模糊的不确定性，比如可信度评估模型中含有较多的定性指标，其定性指标的选择以及建立需要改方面的专家经过商讨确定，那么评估指标是否可以完全反映仿真系统的可信度有待商榷，再次专家的参与带有较强的主观色彩，而且不同人员判断时，由于认识以及实地操作经验的不同，得出来的结果也是千差万别，而这些结果就是一个随机过程。
神经网络和深度学习的概念被正式提出之后，因其强大的学习性能，迅速成为研究热点，在语音识别、图像识别和人工智能等方面取得重要进展。卷积神经网络作为深度学习的典型模型之一，具有强大的学习泛化能力，在电力工业已经开始有所应用，其中，风电场功率预测、电力变压器故障诊断、发电机故障挖掘等方面的应用研究已经开展，但在3D仿真培训系统可信度评估方面还没有相关研究。
发明内容
本发明的目的：降低专家评分及确定权重带来的过于主观性，快速给出评判结果。
鉴于此，本发明采用卷积神经网络对评估指标进行分类，进而得到评判结果。通过训练完成的网络，可以直接得到以某一评估指标分数为输入的评判结果，无需计算权重。并且结果准确可靠。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于卷积神经网络的高压电缆施工作业3D仿真培训系统可信度评估方法，其特征在于，包括以下步骤：
步骤1，高压电缆施工作业3D仿真培训系统可信度评估指标的选取，包括画面元素，画面质感、软件的鲁棒性等15个方面建立评估指标体系。如图1所示。
步骤2，将15个指标的分数作为网络的输入。而输出结果应为极好、好、一般、差中的某一个，即4中分类。每个输出索引号与一种评判结果对应，索引号为1～4，依次代表极好、好、一般、差四种评判结果，在该4个输出中，将输出值最大的置1，进而得到评判结果。如图2所示。
步骤3，通过人工模拟获得大量评分数据及指标权重，在此基础上对获得的分数做随机的浮动调整，进而得到更多相似的评分数据及权重。为防止某项指标分数过低而权重也较低湮没在最终得分中，故对每项指标设置阈值，当低于阈值时应提高权重。最终评判结果分级如图3所示。
步骤4，确定最佳网络结构，其操作方式如下：
列出尽可能多的网络结构。一般为卷积层(C层)采样层(S层)交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达。假设每个卷积层的输入矩阵维度为mi*ni*i，其中mi为每个输入样本矩阵的行数，ni为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为mo*no*o，其中mo为每个输出样本矩阵的行数，no为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：
然后设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构。
步骤5，根据确定的最佳网络结构，提升训练的次数，改变批处理数，待测试样本的总错误率降为0为止，将训练好的网络结构参数保存。
步骤6，在每次指标打分后，获取指标分数，输入到训练好的网络，即可输出评判结果，无需再次训练，原理如图4所示。
本发明的优点：本发明通过对十五个指标的因素进行了遍历，通过卷积神经网络强大的泛化学习能力，使该方法不受各指标权重的影响，能准确、迅速地确定评判结果，具有很高的可靠性；本发明通过训练好的网络进行3D仿真培训系统的可信度评估，无需再次训练，评估结果给定迅速，很大程度的满足工程需要。
附图说明
附图1是本发明中高压电缆施工作业3D仿真培训系统可信度评估指标。
附图2是本发明中卷积神经网络输出分类及对应索引号图。
附图3是本发明可信度评估结果划分标准。
附图4是本发明可信度评估原理图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
一种基于卷积神经网络的高压电缆施工作业3D仿真培训系统可信度评估，其特征在于，包括以下步骤：
步骤1，高压电缆施工作业3D仿真培训系统可信度评估指标的选取。
步骤2，将15个指标的分数作为网络的输入。而输出结果应为极好、好、一般、差中的某一个，即4中分类。每个输出索引号与一种评判结果对应，索引号为1～4，依次代表极好、好、一般、差四种评判结果，在该4个输出中，将输出值最大的置1，进而得到评判结果；
步骤3，通过专家打分记录相应指标的分数及权重，并根据专家打分的范围再随机生成大量分数及权重。然后将每个指标的分数与对应权重相乘并求和得到最终得分。从而获得大量的样本数据。此次共获得4000组数据，选择3500组用以训练网络，剩余500组用于测试训练结果。
步骤4，确定最佳网络结构，其操作方式如下：
列出尽可能多的网络结构。一般为卷积层(C层)采样层(S层)交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达。假设每个卷积层的输入矩阵维度为mi*ni*i，其中mi为每个输入样本矩阵的行数，ni为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为mo*no*o，其中mo为每个输出样本矩阵的行数，no为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：
然后设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构。
步骤5，根据确定的最佳网络结构，提升训练的次数，改变批处理数，待测试样本的总错误率降为0为止，将训练好的网络结构参数保存。
步骤6，分别设置不同的网络结构，得到不同网络结构下的错误率和训练时间，仿真结果如表1所示。对表中内容作如下解释：以序号1为例，网络结构为2C-2S-4C-1S，其中C表示卷积层，S表示降采样层；卷积核中的两个数字依次为第1个卷积层和第2个卷积层的卷积核；批处理数量为训练过程中每批输入的样本数；总错误率为评判结果错误的样本占总测试样本数的比率。
表1卷积神经网络用于高压电缆施工作业3D仿真培训系统可信度评估仿真结果
由表可知：在样本总数固定的情况下，CNN的结构，卷积核的大小，批处理数量和训练次数都会影响卷积神经网络的错误率。由序号1、9和10对比知：在相同的网络结构下，卷积核的大小与错误率有关；由序号1、2、3对比知：当网络结构和卷积核相同时，一定范围内的批处理数越少，训练过程中的权重调整次数越多，错误率越低；由序号1、4、5对比知：当批处理数相同时，训练次数越多，错误率越低，但当训练次数达到一定值时，错误率基本上保持在恒定值并在附近波动。由序号1、6、7对比知：在不同的网络结构下，错误率是不同的。多次实验发现在2C-2S-4C-1S结构下，卷积核为4和2时，错误率最低，为最佳网络结构。
由实验可知：在测试样本中无需再次确定权重系数，卷积神经网络仍然可以准确判断评估结果，这是因为训练样本数据对大量权重系数进行了遍历，同时卷积神经网络具有很强的泛化能力与学习能力，因此不需要再对权重系数进行确定。综合上述分析，当样本数足够时，卷积神经网络用于高压电缆施工作业3D仿真培训系统可信度评估具有极高的准确率。
以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变换或变型，因此所有等同的技术方案，都落入本发明的保护范围。
Claims (2)
1.一种基于卷积神经网络的高压电缆施工作业3D仿真培训系统可信度评估方法，其特征在于，包括以下步骤：
步骤1，高压电缆施工作业3D仿真培训系统可信度评估指标的选取，包括画面元素、画面质感、作业工器具细节刻画、作业任务操作步骤的正确性、工器具动作过程的正确性、工器具动作声响的一致性、使用者操控方式的一致性、系统画面显示的连续性、作业规则数值仿真的合理性、电缆运动状态物理仿真的合理性、训练功能设计的有效性、考核功能设计的有效性、3D的沉浸感、软件界面的用户友好性、软件的鲁棒性；
步骤2，将15个指标的分数作为网络的输入；而输出结果应为极好、好、一般、差中的某一个，即4中分类；每个输出索引号与一种评判结果对应，索引号为1～4，依次代表极好、好、一般、差四种评判结果，在该4个输出中，将输出值最大的置1，进而得到评判结果；
步骤3，通过专家打分记录相应指标的分数及权重，并根据专家打分的范围再随机生成大量分数及权重；然后将每个指标的分数与对应权重相乘并求和得到最终得分；从而获得大量的样本数据；此次共获得4000组数据，选择3500组用以训练网络，剩余500组用于测试训练结果；
步骤4，确定最佳网络结构，然后设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构；
步骤5，根据确定的最佳网络结构，提升训练的次数，改变批处理数，待测试样本的总错误率降为0为止，将训练好的网络结构参数保存；
步骤6，分别设置不同的网络结构，得到不同网络结构下的错误率和训练时间，仿真结果如表1所示；对表中内容作如下解释：以序号1为例，网络结构为2C-2S-4C-1S，其中C表示卷积层，S表示降采样层；卷积核中的两个数字依次为第1个卷积层和第2个卷积层的卷积核；批处理数量为训练过程中每批输入的样本数；总错误率为评判结果错误的样本占总测试样本数的比率。
2.根据权利要求1所述的一种基于卷积神经网络的高压电缆施工作业3D仿真培训系统可信度评估方法，其特征在于，步骤4中，操作方式如下：网络包括卷积层(C层)采样层(S层)交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达；假设每个卷积层的输入矩阵维度为mi*ni*i，其中mi为每个输入样本矩阵的行数，ni为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为mo*no*o，其中mo为每个输出样本矩阵的行数，no为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010975180.0A CN112163743A (zh) | 2020-09-16 | 2020-09-16 | 一种基于卷积神经网络的高压电缆施工作业3d仿真培训系统可信度评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010975180.0A CN112163743A (zh) | 2020-09-16 | 2020-09-16 | 一种基于卷积神经网络的高压电缆施工作业3d仿真培训系统可信度评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112163743A true CN112163743A (zh) | 2021-01-01 |
Family
ID=73858167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010975180.0A Pending CN112163743A (zh) | 2020-09-16 | 2020-09-16 | 一种基于卷积神经网络的高压电缆施工作业3d仿真培训系统可信度评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163743A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120278767A1 (en) * | 2011-04-27 | 2012-11-01 | Stibel Aaron B | Indices for Credibility Trending, Monitoring, and Lead Generation |
| CN103366090A (zh) * | 2013-07-11 | 2013-10-23 | 西安交通大学 | 基于专家区间打分的指标权重评估方法 |
| CN106291234A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 |
| CN106599432A (zh) * | 2016-12-07 | 2017-04-26 | 广州供电局有限公司培训与评价中心 | 一种基于变权重理论的高压电缆施工作业3d仿真培训系统可信度评估方法 |
| CN110568483A (zh) * | 2019-07-22 | 2019-12-13 | 中国石油化工股份有限公司 | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 |
-
2020
- 2020-09-16 CN CN202010975180.0A patent/CN112163743A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120278767A1 (en) * | 2011-04-27 | 2012-11-01 | Stibel Aaron B | Indices for Credibility Trending, Monitoring, and Lead Generation |
| CN103366090A (zh) * | 2013-07-11 | 2013-10-23 | 西安交通大学 | 基于专家区间打分的指标权重评估方法 |
| CN106291234A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 |
| CN106599432A (zh) * | 2016-12-07 | 2017-04-26 | 广州供电局有限公司培训与评价中心 | 一种基于变权重理论的高压电缆施工作业3d仿真培训系统可信度评估方法 |
| CN110568483A (zh) * | 2019-07-22 | 2019-12-13 | 中国石油化工股份有限公司 | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241243B (zh) | 面向知识测量的试题、知识、能力张量构建与标注方法 | |
| Zeng | Evaluation of physical education teaching quality in colleges based on the hybrid technology of data mining and hidden markov model | |
| CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
| CN111159419B (zh) | 基于图卷积的知识追踪数据处理方法、系统和存储介质 | |
| CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
| Rubin | Multiple imputation | |
| CN111680216B (zh) | 一种试题推荐方法、系统、介质及设备 | |
| CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
| CN112668809B (zh) | 建立自闭症儿童康复效果预测模型的方法 | |
| CN107610009B (zh) | 一种基于神经网络的三位一体招生录取概率预测方法 | |
| Zhang et al. | Pointer value retrieval: A new benchmark for understanding the limits of neural network generalization | |
| CN113240113A (zh) | 一种增强网络预测鲁棒性的方法 | |
| CN112307536A (zh) | 一种大坝渗流参数反演方法 | |
| CN116306863A (zh) | 基于对比学习的协同知识追踪建模方法及系统 | |
| CN110399279B (zh) | 一种用于非人智能体的智能度量方法 | |
| CN108932593B (zh) | 一种认知影响因素分析方法及装置 | |
| CN114817034A (zh) | 一种测试质量的分析方法、装置及电子设备 | |
| CN114298299A (zh) | 基于课程学习的模型训练方法、装置、设备及存储介质 | |
| CN112163743A (zh) | 一种基于卷积神经网络的高压电缆施工作业3d仿真培训系统可信度评估方法 | |
| CN112883284B (zh) | 一种基于网络和数据分析的在线学习系统及测试题推荐方法 | |
| CN115738285A (zh) | 一种游戏质量评价反馈方法及系统 | |
| CN115153549A (zh) | 一种基于bp神经网络的人机交互界面认知负荷预测方法 | |
| CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
| CN116090879A (zh) | 一种基于眼动数据的飞行训练品质评估方法 | |
| CN111241725B (zh) | 基于条件生成对抗网络的结构响应重构方法 |
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 |