CN112396105A - 一种基于贝叶斯网络的飞行训练科目智能生成方法 - Google Patents
一种基于贝叶斯网络的飞行训练科目智能生成方法 Download PDFInfo
- Publication number
- CN112396105A CN112396105A CN202011291239.0A CN202011291239A CN112396105A CN 112396105 A CN112396105 A CN 112396105A CN 202011291239 A CN202011291239 A CN 202011291239A CN 112396105 A CN112396105 A CN 112396105A
- Authority
- CN
- China
- Prior art keywords
- training
- subject
- flight
- bayesian network
- subjects
- 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
- 238000012549 training Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000001364 causal effect Effects 0.000 claims abstract description 7
- 230000005284 excitation Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 238000010606 normalization Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于贝叶斯网络的飞行训练科目智能生成方法,该方法通过分析影响飞行员训练科目选择的指标,确定网络模型的观测节点,根据各元素间的因果关系确定中间节点,从而完成贝叶斯网络模型的构建。通过对历史训练数据库进行观测数据采集,按照网络推理算法智能决策出训练科目。用户在使用本方法生成飞行训练科目前应准备好训练案例和受训人员各项科目训练评价数据。使用本方法进行仿真训练时可获得实时的、动态的飞行训练科目,增强训练内容的针对性和随机性,减少仿真飞行训练中制定训练方案所耗费的时间,提升训练效率和训练效果。
Description
技术领域
本发明涉及飞行器操作仿真技术领域,尤其涉及一种基于贝叶斯网络的飞行训练科目智能生成方法。
背景技术
在仿真飞行训练领域,目前主要是根据教练员的经验针对飞行训练人员的训练情况做出训练计划,还没有完整、成熟的科目智能生成技术。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。
目前,我国飞行训练中的科目主要由教练员主观进行判断,指定受训人员需要进行训练的科目内容。这种方式容易受到教练员的喜好、主观情绪影响,从而不能客观、综合的选择出适应不同飞行员操纵能力的训练科目。
发明内容
针对上述现有技术的不足,本发明提供一种基于贝叶斯网络的飞行训练科目智能生成方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于贝叶斯网络的飞行训练科目智能生成方法,包括如下步骤:
步骤1:建立飞行科目训练评价指标体系,将受训人员各项科目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:选取推理要素,建立基于贝叶斯网络的飞行训练科目生成模型,过程如下:
步骤2.1:从数据库中的特征值中选取影响训练科目生成的指标要素,定义网络模型的节点和状态集;
步骤2.2:分析各选定观测指标对训练科目的影响程度和各观测节点与根节点之间的因果关系,进而确定中间节点,构建基于贝叶斯网络模型。
所述构建贝叶斯网络模型的过程如下:
选取影响飞行训练科目选择的因素作为观测节点,包括历史训练平均成绩、训练间隔、任务重要度、困难度、误操作可能性和误操作危险性六种;
将历史训练平均成绩按从高分到低分的顺序排序后,划分为五个分数段;训练时间间隔按短、中、长划分为3种类型;误操作可能性按高、中、低划分为3种状态;科目重要程度按照执行任务等级划分为3个级别;科目困难程度按照执行任务操作难度划分为3个级别;误操作危险性按照误操作后果划分为高、中、低三个等级;
由观测节点与根节点的因果关系建立基于贝叶斯网络的飞行训练科目生成模型:
根据上述内容选取的六种观测信息对训练结果的影响程度排序,底层采用历史训练平均成绩和训练科目的自身重要程度进行各科目是否训练决策;第二层选用训练时间间隔特征,进一步确定该科目的训练可能性,训练时间间隔越长,其进行训练的意义越大;第三层结合操控员的历史训练误操作频率和科目自身的误操作危险性,当误操作频率较低和误操作危险性较低时,减小继续进行训练的次数;顶层结合科目自身的训练难度,综合确定是否进行对相应科目的训练。
步骤3:将受训人员的各项历史飞行科目训练评价结果从数据库中读入内存,通过网络模型推理出本次训练的飞行科目,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科目训练评价数据保存到容器中,以供推理模块决策所需;
步骤3.2:模型推理模块将受训人员各项飞行科目训练评价数据作为输入,依据基于贝叶斯网络的飞行训练科目生成模型完成决策,得到训练科目结果。
步骤4:由推理出的训练科目,将对应仿真激励决策结果按照特定格式转换为该次飞行训练科目生成方案,实现对应的仿真激励生成,过程如下:
步骤4.1:对照训练科目的训练内容,将对应仿真激励按照接口格式进行信息确定;
步骤4.2:通过UDP通信将设置的仿真激励数据传送到地面站系统并显示,得到训练科目生成方案。
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存在主观性的问题,完成智能生成科目的突破,为后续的智能制定训练计划奠定理论和技术基础。
2、本发明的方法实现了由“由成绩制定训练方案-训练-由训练获取成绩”的闭环,符合受训人员的学习逻辑。
3、采用这种飞行训练科目生成方案制定方式可以实现科目生成的智能化和训练的无人化,节约人力物力资源,提高了训练的个性化,从而提升训练效率。
附图说明
图1为本发明实施例中训练科目智能生成贝叶斯网络模型的结构示意图;
图2为本发明实施例中模型推理流程图。
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。
本实施例中基于贝叶斯网络的飞行训练科目智能生成方法具体步骤如下:
步骤1:建立飞行科目训练评价指标体系,将受训人员各项科目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;
本实施例中,所述飞行科目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科目训练内容掌握情况;
(2)训练间隔:距上一次训练间隔时间;
(3)任务重要度:该飞行科目在飞行过程中的重要程度;
(4)困难度:进行该飞行科目飞行的难易程度;
(5)误操作可能性:处理该飞行科目时,错误操作的可能性;
(6)误操作危险度:处理该飞行科目时,发生错误操作的危险程度。
步骤2:选取推理要素,建立基于贝叶斯网络的飞行训练科目生成模型,过程如下:
步骤2.1:从数据库中的特征值中选取影响训练科目生成的指标要素,定义网络模型的节点和状态集;
步骤2.2:分析各选定观测指标对训练科目的影响程度和各观测节点与根节点之间的因果关系,进而确定中间节点,构建基于贝叶斯网络模型。
所述构建贝叶斯网络模型的过程如下:
选取影响飞行训练科目选择的因素作为观测节点,包括历史训练平均成绩、训练间隔、任务重要度、困难度、误操作可能性和误操作危险性六种;
将历史训练平均成绩按从高分到低分的顺序排序后,划分为五个分数段;训练时间间隔按短、中、长划分为3种类型;误操作可能性按高、中、低划分为3种状态;科目重要程度按照执行任务等级划分为3个级别;科目困难程度按照执行任务操作难度划分为3个级别;误操作危险性按照误操作后果划分为高、中、低三个等级,具体如表1所示:
表1观测节点特征划分
由观测节点与根节点的因果关系建立基于贝叶斯网络的飞行训练科目生成模型:
根据上述内容选取的六种观测信息对训练结果的影响程度排序,底层采用历史训练平均成绩和训练科目的自身重要程度进行各科目是否训练决策;第二层选用训练时间间隔特征,进一步确定该科目的训练可能性,训练时间间隔越长,其进行训练的意义越大;第三层结合操控员的历史训练误操作频率和科目自身的误操作危险性,当误操作频率较低和误操作危险性较低时,减小继续进行训练的次数;顶层结合科目自身的训练难度,综合确定是否进行对相应科目的训练,具体的网络模型如图1所示。
本实施例中,网络模型中的节点定义及状态集如表2所示。
表2网络模型节点及状态集定义
步骤3:将受训人员的各项历史飞行科目训练评价结果从数据库中读入内存,通过网络模型推理出本次训练的飞行科目,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科目训练评价数据保存到容器中,以供推理模块决策所需;
步骤3.2:模型推理模块将受训人员各项飞行科目训练评价数据作为输入,依据基于贝叶斯网络的飞行训练科目生成模型完成决策,得到训练科目结果。
本实施例中,具体过程如下:
根据构建的贝叶斯网络模型,利用贝叶斯网络推理算法进行训练科目选择,具体推理流程如图2所示,其中α是为了简化公式赋予的标准化常数。
①假设当前提取到训练难度的特征为一级时,则训练此科目的概率为:
不训练此科目的概率为:
根据贝叶斯网络链式推理算法中α的归一性,将是否训练的后验概率相加结果为1,即:
解得α参数的值,再把α分别带入各公式便得到在DL=一级的证据信息下的训练后验概率。
②当获取证据为DL=二级或三级时,同理可求在此特征下的是否训练概率。
上述公式中,P(DR=1)为进行训练的先验概率,P(DR=0)为不进行训练的先验概率,P(DL|DR=1)为在训练难度证据节点下进行训练的后验概率,P(DL|DR=0)为在训练难度证据节点下不进行训练的后验概率,P(DL)为获取训练难度证据信息;
①假设当前提取到误操作危险性为一级时,则训练此科目的概率为:
不训练此科目的概率为:
根据贝叶斯网络链式推理算法中α的归一性,将是否训练的后验概率相加结果为1,即:
解得α参数的值,再把α分别带入各公式便得到在WD=一级的证据信息下的训练后验概率。
②当获取证据为WD=二级或三级时,同理可求在此特征下的是否训练概率。
上述公式中,P(WD)为获取误操作危险性证据信息,P(WC|DR=1)为在误操作危险性证据节点下进行训练的后验概率,P(WC|DR=0)为在误操作危险性证据节点下不进行训练的后验概率,P(WD|WC)为在误操作危险性证据节点信息下的是否训练概率;
①假设当前提取到误操作可能性为高,则训练此科目的概率为:
不训练此科目的概率为:
根据贝叶斯网络链式推理算法中α的归一性,将是否训练的后验概率相加结果为1,即:
解得α参数的值,再把α分别带入各公式便得到在WP=高的证据信息下的训练后验概率。②当获取证据为WP=中或低时,同理可求在此特征下的是否训练概率。
上述公式中,P(WP)为获取误操作可能性证节点信息,P(WP|WC)为在误操作可能性证据节点下的是否训练概率;
①假设当前提取到训练时间间隔为短,则训练此科目的概率为:
不训练此科目的概率为:
根据贝叶斯网络链式推理算法中α的归一性,将是否训练的后验概率相加结果为1,即:
解得α参数的值,再把α分别带入各公式便得到在I=短的证据信息下的训练后验概率。
②当获取证据为I=中或长时,同理可求在此特征下的是否训练概率。
上述公式中,P(I)为获取训练时间间隔证据节点信息,P(IC|WC)为二级是否训练下的三级是否训练概率,P(I|IC)为在训练时间间隔证据节点下的是否训练概率;
①假设当前提取到历史训练平均成绩为优秀,则训练此科目的概率为:
不训练此科目的概率为:
根据贝叶斯网络链式推理算法中α的归一性,将是否训练的后验概率相加结果为1,即:
解得α参数的值,再把α分别带入各公式便得到在S=优秀的证据信息下的训练后验概率。
②当获取证据为S=良好、中等、及格或不及格时,同理可求在此特征下的是否训练概率。
上述公式中,P(S)为获取历史训练平均成绩证据节点信息,P(SC|IC)为一级是否训练下的二级是否训练概率,P(S|SC)为历史训练平均成绩证据节点下的是否训练概率;
①假设当前提取到科目重要程度为一级,则训练此科目的概率为:
不训练此科目的概率为:
根据贝叶斯网络链式推理算法中α的归一性,将是否训练的后验概率相加结果为1,即:
解得α参数的值,再把α分别带入各公式便得到在IL=一级的证据信息下的训练后验概率。
②当获取证据为IL=二级或三级时,同理可求在此特征下的是否训练概率。
上述公式中,P(IL)为获取训练科目重要程度证据节点信息,P(IL|SC)为训练科目重要程度证据节点下的是否训练概率;
六条链路均推理完成后,将其推理后的概率相乘即为该科目最终是否进行训练的后验概率,即:
Bel(DR=n)=P(DR=n|DLi)P(DR=n|WDi)P(DR=n|WPi)P(DR=n|Ii)
P(DR=n|S)P(DR=n|IL)
其中,n=0、1,DLi、WDi、WPi、Ii、Si和ILi是从飞行参数文件中提取的历史训练平均成绩、科目重要程度、训练时间间隔、误操作可能性、误操作危险性和科目困难程度信息,Bel(DR=n)为根节点的后验概率。
当出现多个科目需要进行训练时,按照其推理概率大小进行先后排序,若概率相同,按照历史训练平均成绩及科目重要程度等级进行先后判断。
步骤4:由推理出的训练科目,将对应仿真激励决策结果按照特定格式转换为该次飞行训练科目生成方案,实现对应的仿真激励生成,过程如下:
步骤4.1:对照训练科目的训练内容,将对应仿真激励按照接口格式进行信息确定;
本实施例中,按照接口格式确定的信息包括:风速、目标信息等信息设置;
步骤4.2:通过UDP通信将设置的仿真激励数据传送到地面站系统并显示,得到训练科目生成方案。
本实施例中,针对滑行、起飞、降落等科目,将训练风速划分为低风速、中风速和高风速三种状态,当推理得到对应风速条件下的科目后,进行对应风速仿真激励模拟,随机生成风速值传输到地面站系统,实现训练模拟;针对侦查类科目,将目标数量划分为少、中和多三个等级,推理生成对应数量的目标侦查科目后,同时进行目标数量、方位、距离等因素的随机模拟生成,并在地面站进行显示。
Claims (5)
1.一种基于贝叶斯网络的飞行训练科目智能生成方法,其特征在于,包括如下步骤:
步骤1:建立飞行科目训练评价指标体系,将受训人员各项科目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:选取推理要素,建立基于贝叶斯网络的飞行训练科目生成模型;
步骤3:将受训人员的各项历史飞行科目训练评价结果从数据库中读入内存,通过网络模型推理出本次训练的飞行科目;
步骤4:由推理出的训练科目,将对应仿真激励决策结果按照特定格式转换为该次飞行训练科目生成方案,实现对应的仿真激励生成。
2.根据权利要求1所述的基于贝叶斯网络的飞行训练科目智能生成方法,其特征在于,所述步骤2的过程如下:
步骤2.1:从数据库中的特征值中选取影响训练科目生成的指标要素,定义网络模型的节点和状态集;
步骤2.2:分析各选定观测指标对训练科目的影响程度和各观测节点与根节点之间的因果关系,进而确定中间节点,构建基于贝叶斯网络模型。
3.根据权利要求2所述的基于贝叶斯网络的飞行训练科目智能生成方法,其特征在于,所述构建贝叶斯网络模型的过程如下:
选取影响飞行训练科目选择的因素作为观测节点,包括历史训练平均成绩、训练间隔、任务重要度、困难度、误操作可能性和误操作危险性六种;
将历史训练平均成绩按从高分到低分的顺序排序后,划分为五个分数段;训练时间间隔按短、中、长划分为3种类型;误操作可能性按高、中、低划分为3种状态;科目重要程度按照执行任务等级划分为3个级别;科目困难程度按照执行任务操作难度划分为3个级别;误操作危险性按照误操作后果划分为高、中、低三个等级;
由观测节点与根节点的因果关系建立基于贝叶斯网络的飞行训练科目生成模型:
根据上述内容选取的六种观测信息对训练结果的影响程度排序,底层采用历史训练平均成绩和训练科目的自身重要程度进行各科目是否训练决策;第二层选用训练时间间隔特征,进一步确定该科目的训练可能性,训练时间间隔越长,其进行训练的意义越大;第三层结合操控员的历史训练误操作频率和科目自身的误操作危险性,当误操作频率较低和误操作危险性较低时,减小继续进行训练的次数;顶层结合科目自身的训练难度,综合确定是否进行对相应科目的训练。
4.根据权利要求1所述的基于贝叶斯网络的飞行训练科目智能生成方法,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科目训练评价数据保存到容器中,以供推理模块决策所需;
步骤3.2:模型推理模块将受训人员各项飞行科目训练评价数据作为输入,依据基于贝叶斯网络的飞行训练科目生成模型完成决策,得到训练科目结果。
5.根据权利要求1所述的基于贝叶斯网络的飞行训练科目智能生成方法,其特征在于,所述,步骤4的过程如下:
步骤4.1:对照训练科目的训练内容,将对应仿真激励按照接口格式进行信息确定;
步骤4.2:通过UDP通信将设置的仿真激励数据传送到地面站系统并显示,得到训练科目生成方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291239.0A CN112396105B (zh) | 2020-11-18 | 2020-11-18 | 一种基于贝叶斯网络的飞行训练科目智能生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291239.0A CN112396105B (zh) | 2020-11-18 | 2020-11-18 | 一种基于贝叶斯网络的飞行训练科目智能生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396105A true CN112396105A (zh) | 2021-02-23 |
CN112396105B CN112396105B (zh) | 2023-11-07 |
Family
ID=74607256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011291239.0A Active CN112396105B (zh) | 2020-11-18 | 2020-11-18 | 一种基于贝叶斯网络的飞行训练科目智能生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396105B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638442A (zh) * | 2022-05-19 | 2022-06-17 | 珠海翔翼航空技术有限公司 | 面向个体差异的飞行训练方案生成系统、方法及设备 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183831A (zh) * | 2015-08-31 | 2015-12-23 | 上海德唐数据科技有限公司 | 一种针对不同学科题目文本分类的方法 |
CN106127634A (zh) * | 2016-06-20 | 2016-11-16 | 山东师范大学 | 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统 |
CN106649455A (zh) * | 2016-09-24 | 2017-05-10 | 孙燕群 | 一种大数据开发的标准化系统归类、命令集系统 |
CN110321951A (zh) * | 2019-07-01 | 2019-10-11 | 青岛海科虚拟现实研究院 | 一种vr模拟飞行器训练评价方法 |
CN110503303A (zh) * | 2019-07-22 | 2019-11-26 | 中国人民解放军国防科技大学 | 一种基于云-贝叶斯网络的海上风电场智能宏观选址方法 |
CN111861231A (zh) * | 2020-07-24 | 2020-10-30 | 沈阳航空航天大学 | 一种基于决策树的飞行训练特情智能生成方法 |
-
2020
- 2020-11-18 CN CN202011291239.0A patent/CN112396105B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183831A (zh) * | 2015-08-31 | 2015-12-23 | 上海德唐数据科技有限公司 | 一种针对不同学科题目文本分类的方法 |
CN106127634A (zh) * | 2016-06-20 | 2016-11-16 | 山东师范大学 | 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统 |
CN106649455A (zh) * | 2016-09-24 | 2017-05-10 | 孙燕群 | 一种大数据开发的标准化系统归类、命令集系统 |
CN110321951A (zh) * | 2019-07-01 | 2019-10-11 | 青岛海科虚拟现实研究院 | 一种vr模拟飞行器训练评价方法 |
CN110503303A (zh) * | 2019-07-22 | 2019-11-26 | 中国人民解放军国防科技大学 | 一种基于云-贝叶斯网络的海上风电场智能宏观选址方法 |
CN111861231A (zh) * | 2020-07-24 | 2020-10-30 | 沈阳航空航天大学 | 一种基于决策树的飞行训练特情智能生成方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638442A (zh) * | 2022-05-19 | 2022-06-17 | 珠海翔翼航空技术有限公司 | 面向个体差异的飞行训练方案生成系统、方法及设备 |
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 |
---|---|
CN112396105B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396105A (zh) | 一种基于贝叶斯网络的飞行训练科目智能生成方法 | |
CN109739829A (zh) | 一种基于日常作业的学生知识体系分析系统 | |
CN110473123A (zh) | 一种多元智能教育方法及系统 | |
CN103400328A (zh) | 面向多信息平台聚合的随堂式教学测评系统及测评方法 | |
CN114595923B (zh) | 一种基于深度强化学习的群体教学推荐系统 | |
CN111626372B (zh) | 一种线上教学监督管理方法及系统 | |
CN104680304A (zh) | 一种情境式教学系统 | |
CN111861231B (zh) | 一种基于决策树的飞行训练特情智能生成方法 | |
CN109635869B (zh) | 在线学习干预系统 | |
Zhang et al. | An interpretable online learner's performance prediction model based on learning analytics | |
CN117370568A (zh) | 一种基于预训练语言模型的电网主设备知识图谱补全方法 | |
CN110189236A (zh) | 基于大数据的学习预警方法 | |
CN114186696A (zh) | 一种ai训练教学的可视化系统及方法 | |
Chaturvedi et al. | Predicting student performance in an ITS using task-driven features | |
Gao et al. | Evaluation method of creative dance teaching quality based on fuzzy comprehensive evaluation | |
CN111710208A (zh) | 一种基于学习者画像的电力网络安全智慧教学系统 | |
Silalahi et al. | Real-Time Examination System for New Students at Pandemic Time Covid 19 Using Fuzzy Logic | |
CN116050780B (zh) | 一种基于教育平台的教育智能化管理方法及系统 | |
Milinković et al. | Using decision tree classifier for analyzing students’ activities | |
CN110414628A (zh) | 一种自创课程的学习过程规划和管理方法及系统 | |
Zhu | [Retracted] Prediction Model of Piano Collective Class Teaching and Learning Effect Based on Deep Learning | |
Diyer et al. | Assessment of Scientific Learning Skills Based on Artificial Intelligence | |
Kovalerchuk | Quest for rigorous intelligent tutoring systems under uncertainty: Computing with Words and Images | |
Mislevy et al. | Evidence-Centered CHAPTER 10–Assessment Design and Probability-BasedInferencetoSupportthe Generalized IntelligentFrameworkforTutoring (GIFT) | |
Zheng et al. | Application of Bayesian Network in Effectiveness Evaluation of High Level Construction of Specialized Group |
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 |