CN113869749A - 模拟飞行器的飞行训练质量评估系统及方法 - Google Patents

Abstract

本发明公开了模拟飞行器的飞行训练质量评估系统及方法，涉及模拟飞行器领域，方法包括获取训练数据样本和评分数据，建立评分控制模型和评估模型；评分数据导入评分控制模型获得客观评分值；训练数据样本和客观评分值导入评估模型进行训练优化；训练状态数据导入评估模型获得评估结果；系统包括存储和处理器；通过评分控制模型评委评分进行控制得到客观评分值，保证客观评分值对评估模型进行训练的客观性；然后客观评分值结合训练数据样本对评估模型进行训练优化在后续的训练中，只需通过训练过程中的飞行训练数据就可以实现飞行训练品质自动评估，不需要再通评委进行评分了，有效的提高了飞行训练的训练质量和训练效率，同时还降低了训练成本。

Description

模拟飞行器的飞行训练质量评估系统及方法

技术领域

本发明涉及模拟飞行器领域，尤其涉及一种模拟飞行器的飞行训练质量评估系统及方法。

背景技术

自21世纪以来，我国航空事业的发展日新月异，对于航空而言，安全性是最重要的指标。目前世界各地都有空难发生，导致飞行事故的原因是多种多样的，主要包括机械故障、操作失误、天气因素及其他人为因素。事实上，随着科学技术的发展，飞机的本质安全性能不断提升，由于飞机本身故障等客观因素而导致的事故风险越来越低，机组原因逐渐成为了造成航空安全事故的主要因素。机组原因之一是驾驶员的原因，主要有以下几个方面：基础驾驶技术不足，偏差修正能力偏弱；紧急情况无法保持冷静，变通能力缺乏；决断意识差或不清楚决断标准等等，因此培养一名合格的飞行员是十分有必要的。

培养飞行员是复杂而漫长过程，需经过航校理论培训，然后模拟机训练，最后教练机进行本场训练，大约持续3-5年，而模拟机训练是理论与实践结合的重要环节，模拟机可以避免真实飞机遇到的飞行安全威胁，以高度安全性安全性、真实性、降低训练成本而备受青睐，但是由于模拟机是一个复杂的系统，每个训练科目的内容，飞行员的操纵动作，即使两个的操作量不一样但是有可能都属于达到标准的情况，在这种情况下设定标准参数值，根据与标准值得差距来评估其操作水平会出现不同的结果，与真实情况不符。

发明内容

本发明的目的就在于为了解决上述问题设计了一种模拟飞行器的飞行训练质量评估系统及方法。

本发明通过以下技术方案来实现上述目的：

模拟飞行器的飞行训练质量评估方法，包括：

获取训练数据样本和评分数据，并建立评分控制模型和评估模型；

评分数据导入评分控制模型获得客观评分值；

训练数据样本和客观评分值导入评估模型进行训练优化；

飞行学员通过模拟飞行器进行飞行训练，并采集飞行训练中的训练状态数据；

训练状态数据导入优化后的评估模型获得该次训练的质量评估结果。

模拟飞行器的飞行训练质量评估系统，包括：

存储器；存储器中存储有程序；

处理器；处理器执行储存器中储存的程序，程序包括用于执行模拟飞行器的飞行训练质量评估方法。

本发明的有益效果在于：首先建立了评分控制模型对应训练数据样本的评委评分进行控制得到客观评分值，保证客观评分值对评估模型进行训练的客观性，最大程度上降低人为主观因素，减少了外部干扰因素；然后在客观评分值的基础上结合训练数据样本对评估模型进行训练优化，得到优化后的评估模型，在后续的训练中，只需通过训练过程中的飞行训练数据就可以实现飞行训练品质自动评估，不需要再通评委进行评分了，有效的提高了飞行训练的训练质量和训练效率，同时还降低了训练成本。

附图说明

图1是本发明模拟飞行器的飞行训练质量评估方法的功能结构图；

图2是本发明模拟飞行器的飞行训练质量评估方法的评估模型；

图3是异常评分控制图；

图4是评委进行80次评分中出现异常评分的结果图；

图5是利用训练集精确度acc对评估模型的评价；

图6是利用损失函数/成本函数对评估模型的评价；

图7是利用测试集精确度acc对评估模型的评价；

图8是利用测试集损失函数/成本函数对评估模型的评价。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图，对本发明的具体实施方式进行详细说明。

如图1所示，模拟飞行器的飞行训练质量评估方法，包括：

获取训练数据样本和评分数据，并建立评分控制模型和评估模型，如图2所示；训练数据样本l个样本训练集X，其中

是由l个样本的特征向量α组成，n_α是特征向量α的维数，飞行器上的6个自由度参数为每个训练集的特征向量，即地理位置坐标x、y、z，姿态角yaw、roll、pitch。

评分数据包括测试的次数s和t个评委对每次测试的评分h_ij(i＝1,2,...,s；j＝1,2,...,t)，其中i为第i次测试，j为第j个评委；评估模型为BP神经网络模型，包括输入层、5层隐含层和输出层，在logistic回归中，隐含层的激活函数为sigmoid函数

logistic回归参数是

b∈R，则输出层输出的评估值为

本发明是多分类问题，采用的是logistic回归的推广，隐含层的激活函数为softmax，训练神经网络的思路类似于logistic回归。

由“截头去尾”法可知，对于每个选手的评分数据而言，被剔除的数据量共2个，比例为

假设每个评委给出会被“截去”的异常评分的概率为p，一般情况下有

而发而发生异常评分的次数C_ij，可假设服从二项分布b(s,p)。由于正态分布随机变量落在μ±2σ范围内的概率已大于0.95，所以取μ±2σ为正常区域，则得到如下的假设检验模型：H₀为第j个评委领会评委标准，评分客观，H₁为第j个评委尚未领会评委标准(给定显著性水平)；构造统计量：

由P(C_j＞b_γ)≤γ，其中b_γ为满足该不等式的最小的正整数，易得接受域为[0,b_γ]。在假设H₀成立的条件下，只要C_j落在上述接受域中，即认定第j个评委领会评分标准,评分比较客观；否则认定该评委对评分标准把握不够，尚无法作出客观的评分，建议该评委对评分标准作进一步的培训和测试。

图3是进行80次测试得到的结果，由评分控制模型计算得到的，且其接受域是[0,4](保证正确评分在95％以上，显著性水平γ＝0.05)，由图3可知，评委4的评分标准掌握不好；而评委1处于临界值上，需要进一步加强评分标准的熟悉。由于评委2和3只做了微调，虽然未出现异常超标，但也需要加强培训。

评分数据导入评分控制模型获得客观评分值；每次的测试评分h_ij(i＝1,2,...,s；j＝1,2,...,t)独立同分布，均服从N(μ_i,σ²)，其中

μ为每次测试的总评分，σ²为系统评分方差，

为第i次所有评委评分的均值，求解第i次测试评分的有效方差为

系统评分方差为

其中

为每次测试有效方差的加权值；通过

和σ²判断每个测试每个评委的评分是否超过μ±2σ，若超过则为异常评分，删除该评分，反之则保留，并求解平均分作为客观评分值，如图3所示。

训练数据样本和客观评分值导入评估模型进行训练优化；训练数据样本进行归一化处理符合min-max标准化为

标准化后的训练数据样本进行数值化处理，并对训练数据样本和标准化后的训练数据样本进行乱序处理；乱序处理后的训练数据样本导入评估模型，在logistic回归中，评估模型输出的结果为Y，Y∈R^1×l；特征向量α，想满足的条件是

即当输入特征α满足条件时，此时概率为1，但实际情况达不到，即此时

设定logistic回归参数是

b∈R，引入sigmoid激活函数

其中r为激活函数自变量，此时定义估值函数

针对一个样本引入交叉熵损失函数衡量估计值和实际值的差别程度为

针对l个样本引入交叉熵成本函数衡量在全体训练集上的表现，从而衡量w,b的效果，

其中J(w,b)是基于参数的总成本，考虑到J(w,b)是一个凸函数，可以利用梯度下降法得到全局最优解，更新参数w和b，

其中

是函数的斜率，ξ为神经网络学习率，得到优化后的评估模型。本发明是多分类问题，采用的是logistic回归的推广，隐含层的激活函数为softmax，训练神经网络的思路类似于logistic回归。

飞行学员通过模拟飞行器进行飞行训练，并采集飞行训练中的训练状态数据，根据飞行训练中的训练状态数据判断是否飞行偏航，判断为偏航时发出警报提示；

训练完成后，训练状态数据导入优化后的评估模型获得该次训练的质量评估结果。

模拟飞行器的飞行训练质量评估系统，包括：

存储器；存储器中存储有程序；

处理器；处理器执行储存器中储存的程序，程序包括用于执行模拟飞行器的飞行训练质量评估方法；

报警器；报警器用于偏航时发出警报提示；

显示器；显示器用于显示训练时的训练状态数据和训练的质量评估结果。

建立了评分控制模型对应训练数据样本的评委评分进行控制得到客观评分值，保证客观评分值对评估模型进行训练的客观性，最大程度上降低人为主观因素，减少了外部干扰因素；然后在客观评分值的基础上结合训练数据样本对评估模型进行训练优化，得到优化后的评估模型，在后续的训练中，只需通过训练过程中的飞行训练数据就可以实现飞行训练品质自动评估，不需要再通评委进行评分了，有效的提高了飞行训练的训练质量和训练效率，同时还降低了训练成本。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (7)

1.模拟飞行器的飞行训练质量评估方法，其特征在于，包括：

获取训练数据样本和评分数据，并建立评分控制模型和评估模型；

评分数据导入评分控制模型获得客观评分值；

训练数据样本和客观评分值导入评估模型进行训练优化；

飞行学员通过模拟飞行器进行飞行训练，并采集飞行训练中的训练状态数据；

训练状态数据导入优化后的评估模型获得该次训练的质量评估结果。

2.根据权利要求1所述的模拟飞行器的飞行训练质量评估方法，其特征在于，评分数据包括测试的次数s和t个评委对每次测试的评分h_ij(i＝1,2,...,s；j＝1,2,...,t)，其中i为第i次测试，j为第j个评委，获得客观评分值具体包括：每次的测试评分h_ij(i＝1,2,...,s；j＝1,2,...,t)独立同分布，均服从N(μ_i,σ²)，其中

μ为每次测试的总评分，σ²为系统评分方差，

为第i次所有评委评分的均值，求解第i次测试评分的有效方差为

系统评分方差为

其中

为每次测试有效方差的加权值；通过

和σ²判断每个测试每个评委的评分是否为异常评分，若为异常评分则删除该评分，反之则保留，并求解平均分作为客观评分值。

3.根据权利要求2所述的模拟飞行器的飞行训练质量评估方法，其特征在于，当评委的评分超过μ±2σ时，则该评分为异常评分。

4.根据权利要求1所述的模拟飞行器的飞行训练质量评估方法，其特征在于，评估模型为BP神经网络模型，包括输入层、5层隐含层和输出层，评估模型为BP神经网络模型，包括输入层、5层隐含层和输出层，训练数据样本有l个样本训练集X，其中

是由l个样本的特征向量α组成，n_α是特征向量α的维数，飞行器上的6个自由度参数为每个训练集的特征向量，即地理位置坐标x、y、z，姿态角yaw、roll、pitch，隐藏层的激活函数为sigmoid函数

logistic回归参数是

b∈R，则输出层输出的评估值为

5.根据权利要求4所述的模拟飞行器的飞行训练质量评估方法，其特征在于，评估模型的训练优化具体包括：训练数据样本导入评估模型获得评估值；在logistic回归中，通过交叉熵损失函数

衡量评估值和客观评分值之间的差别程度，通过交叉熵成本函数

衡量w,b的效果；利用梯度下降法更新参数w，b，

得到优化后的评估模型，其中

是函数的斜率，ξ为神经网络学习率。

6.根据权利要求1所述的模拟飞行器的飞行训练质量评估方法，其特征在于，飞行训练质量评估方法还包括根据飞行训练中的训练状态数据判断是否飞行偏航，判断为偏航时发出警报提示。

7.模拟飞行器的飞行训练质量评估系统，其特征在于，包括：

存储器；存储器中存储有程序；

处理器；处理器执行储存器中储存的程序，程序包括用于执行如权利要求1-6任一项所述的方法。

Images