CN114638442A - 面向个体差异的飞行训练方案生成系统、方法及设备 - Google Patents

面向个体差异的飞行训练方案生成系统、方法及设备 Download PDF

Info

Publication number
CN114638442A
CN114638442A CN202210540847.3A CN202210540847A CN114638442A CN 114638442 A CN114638442 A CN 114638442A CN 202210540847 A CN202210540847 A CN 202210540847A CN 114638442 A CN114638442 A CN 114638442A
Authority
CN
China
Prior art keywords
training
item
cruise
scheme
items
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
Application number
CN202210540847.3A
Other languages
English (en)
Other versions
CN114638442B (zh
Inventor
于海
蒋进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Eastern Technology Application R & D Center Co ltd
Original Assignee
Zhuhai Xiangyi Aviation Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Xiangyi Aviation Technology Co Ltd filed Critical Zhuhai Xiangyi Aviation Technology Co Ltd
Priority to CN202210540847.3A priority Critical patent/CN114638442B/zh
Priority to JP2022091140A priority patent/JP7177294B2/ja
Publication of CN114638442A publication Critical patent/CN114638442A/zh
Priority to US17/844,013 priority patent/US11514815B1/en
Application granted granted Critical
Publication of CN114638442B publication Critical patent/CN114638442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/16—Control of vehicles or other craft
    • G09B19/165—Control of aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
    • G09B9/08—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of aircraft, e.g. Link trainer
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
    • G09B9/08—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of aircraft, e.g. Link trainer
    • G09B9/16—Ambient or aircraft conditions simulated or indicated by instrument or alarm

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于计算机领域，具体涉及了一种面向个体差异的飞行训练方案生成系统、方法及设备，旨在解决不能快速生成贴合学员训练状况的差异化训练方案的问题。本发明包括：第一装置，配置为获取用户身份信息；第二装置，配置为存储用户训练数据；第三装置，配置为依据用户身份信息通读取对应的用户训练数据，获取当前用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案；第四装置，配置为基于所述初始训练方案，进行飞行训练拟真环境的配置。本发明通过计算机手段快速高效的得到差异化的训练方案，并且训练方案与学员的贴合程度得到提高，提高了训练方案的生成效率。

Description

面向个体差异的飞行训练方案生成系统、方法及设备
技术领域
本发明属于计算机领域，具体涉及了一种面向个体差异的飞行训练方案生成系统、方法及设备。
背景技术
飞行能力是指顺利完成飞行任务的综合能力，包括身体素质、操作掌控度、心理情绪掌控度，目前的飞行能力训练已经有越来越多的先进设备、先进方法的应用，但飞行训练方案方面多为教练人员根据学员的学习情况以及训练内容安排进行认为定制，该种方法虽然贴合单个学员的情况，但是对制作方案的人员要求较高，而且因教练人员不同存在较大差异。
也有一些基于计算机的训练方案生成系统，是基于计算机系统，人工选定训练项目、训练情景，计算机生成一套训练方案，或者根据学员的学习进度和掌握程度，自行从训练方案库中匹配训练方案。
现有方法中，在差异化训练方案的生成、训练方案生成速度、训练方案与学员的贴合程度、训练方案在线可更新等方面还都存在一些不足。
发明内容
为了解决现有技术中的上述问题，即不能快速生成贴合学员训练状况的差异化训练方案的问题，本发明提供了一种面向个体差异的飞行训练方案生成系统，包括第一装置、第二装置、第三装置、第四装置；
所述第一装置，配置为获取用户身份信息；
所述第二装置，配置为存储用户训练数据；
所述第三装置，配置为依据用户身份信息通读取对应的用户训练数据，获取当前用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案；
所述第四装置，配置为基于所述初始训练方案，进行飞行训练拟真环境的配置；
在训练过程中，所述第四装置实时采集用户生理数据、训练项目操作数据，获取用户在当前的训练项目掌握度、训练项目对应的用户情绪分类分级，生成后续训练项目时序配置，更新训练方案。
在一些优选实施例中，所述初始训练方案，其生成方法为：
依据所述训练情景的时长、环境约束，基于训练项目掌握度、项目训练对应的用户情绪分类分级，通过预设的训练效能优化方法，获取初始训练方案。
在一些优选实施例中，所述的训练效能优化方法，包括：
基于训练项目集合，通过预设的训练效能计算方法，采用马尔科夫蒙特卡洛方法，获取训练效能最大的训练项目组合。
在一些优选实施例中，所述训练项目集合，包括项目名称、训练项目掌握度、项目训练对应的用户情绪分类和分级、训练项目初始加入次数、已完成训练次数、最近一次训练完成时间、关联项目及对应的关联度；
所述训练效能计算方法，包括：
Figure 60787DEST_PATH_IMAGE001
Figure 634988DEST_PATH_IMAGE002
Figure 37019DEST_PATH_IMAGE003
Figure 63881DEST_PATH_IMAGE004
Figure 717716DEST_PATH_IMAGE005
Figure 412003DEST_PATH_IMAGE006
Figure 797985DEST_PATH_IMAGE007
Figure 515405DEST_PATH_IMAGE008
其中，
Figure 645035DEST_PATH_IMAGE009
、
Figure 990566DEST_PATH_IMAGE010
分别为总训练效能、总训练时长；
Figure 78607DEST_PATH_IMAGE011
、
Figure 80061DEST_PATH_IMAGE012
、
Figure 200333DEST_PATH_IMAGE013
、
Figure 338053DEST_PATH_IMAGE014
、
Figure 596996DEST_PATH_IMAGE015
、
Figure 148063DEST_PATH_IMAGE016
、
Figure 619496DEST_PATH_IMAGE017
、
Figure 814985DEST_PATH_IMAGE018
、
Figure 244830DEST_PATH_IMAGE019
、
Figure 955297DEST_PATH_IMAGE020
分别为起飞项目中第
Figure 292737DEST_PATH_IMAGE021
个训练项目的训练效能、原始效能、第
Figure 670629DEST_PATH_IMAGE022
个关联项目的原始效能、与第
Figure 927167DEST_PATH_IMAGE022
个关联项目的关联 度、关联项目总数、训练时长、掌握度、上次训练中的情绪分类数值、上次训练中的情绪分级 数值、遗忘指数；
Figure 390509DEST_PATH_IMAGE023
、
Figure 469323DEST_PATH_IMAGE024
、
Figure 764039DEST_PATH_IMAGE025
、
Figure 4527DEST_PATH_IMAGE026
、
Figure 892849DEST_PATH_IMAGE027
、
Figure 775354DEST_PATH_IMAGE028
、
Figure 862259DEST_PATH_IMAGE029
、
Figure 601544DEST_PATH_IMAGE030
、
Figure 773900DEST_PATH_IMAGE031
、
Figure 194517DEST_PATH_IMAGE032
分别为降落项目中第
Figure 588458DEST_PATH_IMAGE033
个训练项目的训练效能、原始效能、第
Figure 170749DEST_PATH_IMAGE022
个关联项目的原始效能、与第
Figure 892717DEST_PATH_IMAGE022
个关联项目的关联 度、关联项目总数、训练时长、掌握度、上次训练中的情绪分类数值、上次训练中的情绪分级 数值、遗忘指数；
Figure 851446DEST_PATH_IMAGE034
、
Figure 850626DEST_PATH_IMAGE035
、
Figure 869398DEST_PATH_IMAGE036
、
Figure 78662DEST_PATH_IMAGE037
、
Figure 575503DEST_PATH_IMAGE038
、
Figure 757085DEST_PATH_IMAGE039
、
Figure 133709DEST_PATH_IMAGE040
、
Figure 767953DEST_PATH_IMAGE041
、
Figure 130801DEST_PATH_IMAGE042
、
Figure 166890DEST_PATH_IMAGE043
分别为巡航项目中 所选第
Figure 527464DEST_PATH_IMAGE044
个训练项目的训练效能、原始效能、第
Figure 586687DEST_PATH_IMAGE045
个关联项目的原始效能、与第
Figure 425330DEST_PATH_IMAGE022
个关联项目 的关联度、关联项目总数、训练时长、掌握度、上次训练中的情绪分类数值、上次训练中的情 绪分级数值、遗忘指数；
遗忘指数基于已完成训练次数、最近一次训练完成时间，通过遗忘曲线获得。
在一些优选实施例中，所述初始训练方案，其获取方法为：
提取所述训练效能最大的训练项目组合中的训练项目序列；
依据预设的情绪分类级别-训练项目强度映射关系，获取所述训练效能最大的训练项目组合中的训练项目的训练项目强度；
基于所述训练项目序列、训练项目强度，生成所述初始训练方案。
在一些优选实施例中，所述训练项目集合包括起飞项目集合、巡航项目集合、降落项目集合；
所述训练效能最大的训练项目组合，包括起飞项目、巡航项目组合、降落项目，其获取方法为：
S1、基于所述巡航项目集合，随机生成第一巡航训练方案；并初始化变量D=1；
S2、计算第一巡航训练方案总的训练效能
Figure 378242DEST_PATH_IMAGE046
；
Figure 175297DEST_PATH_IMAGE047
S3、将所述第一巡航训练方案中间项目保留D项，其余各项从所述巡航项目集合中进行随机替换，获得第二巡航训练方案；
S4、计算第二巡航训练方案总的训练效能
Figure 518554DEST_PATH_IMAGE048
；
Figure 613418DEST_PATH_IMAGE049
其中，
Figure 358520DEST_PATH_IMAGE050
为第二巡航训练方案中所选第
Figure 326476DEST_PATH_IMAGE044
个训练项目的训练效能；
S5、基于Metropolis准则，接受或拒绝所述第二巡航训练方案，直至变量D的数值与所述第二巡航训练方案中间项目数量相等，停止迭代，将所述第二巡航训练方案作为优选巡航训练项目组合；
S6、从起飞项目集合、降落项目集合获取训练效能最大的一组起飞项目、降落项目，并与所述优选巡航训练项目组合一起构成所述训练效能最大的训练项目组合；
步骤S5中，接受或拒绝所述第二巡航训练方案，包括：
接受所述第二巡航训练方案时：若所述第二巡航训练方案相较于所述第一巡航训 练方案总的训练效能连续
Figure 219345DEST_PATH_IMAGE051
次下降比例小于
Figure 399791DEST_PATH_IMAGE052
，则D=D+1，将所述第一巡航训练方案替换 为所述第二巡航训练方案，执行S3；否则，将所述第一巡航训练方案替换为所述第二巡航训 练方案，执行S3；
拒绝所述第二巡航训练方案时，则舍弃所述第二巡航训练方案，执行S3；
其中，
Figure 202662DEST_PATH_IMAGE053
为变量D对应数值下的预设次数，
Figure 341519DEST_PATH_IMAGE052
为变量D对应数值下的预设阈值。
在一些优选实施例中，所述第四装置为飞行模拟机；所述飞行模拟机基于所述初始训练方案，依据所述训练项目序列、所述训练项目强度进行飞行训练拟真环境的配置。
在一些优选实施例中，更新训练方案的方法为：
依据已完成训练项目，从所述训练项目集合中进行对应训练项目可选次数的扣除；
基于上一完成训练项目的训练项目掌握度、训练项目对应的用户情绪分类分级，基于预设的增训判断方法，对所述训练项目集合中对应训练项目进行增加；
基于更新后的所述训练项目集合，以当前训练方案为第一巡航训练方案，以未完成的中间项目为优化对象，采用所述训练效能最大的训练项目组合的获取方法中S2-S5的方法更新巡航项目组合；
基于更新后的巡航项目组合，更新训练方案。
在一些优选实施例中，所述预设的增训判断方法，为：
已完成训练项目对应的用户情绪分类分级在预设的允许增训预设范围；
以训练项目在单次训练中允许出现的最大次数为第一约束条件，基于第一映射关系获取增训次数；所述第一映射关系为训练项目掌握度、训练项目掌握度提升幅度与增训次数之间预设的映射关系。
本发明的第二方面，提出了一种面向个体差异的飞行训练方案生成方法，包括
获取用户身份信息；
依据用户身份信息通读取对应的用户训练数据，获取当前用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案；
基于所述初始训练方案，进行飞行训练拟真环境的配置；
在训练过程中，实时采集用户生理数据、训练项目操作数据，获取用户在当前的训练项目掌握度、训练项目对应的用户情绪分类分级，生成后续训练项目时序配置，更新训练方案。
本发明的第三方面，提出了一种设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的面向个体差异的飞行训练方案生成方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的面向个体差异的飞行训练方案生成方法。
本发明的有益效果：
（1）本发明通过计算机，调取用户历史训练数据，并提取其中用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案，使每个用户都能快速高效的得到差异化的训练方案，并且训练方案与学员的贴合程度得到提高；
（2）训练过程中，用户在当前的训练项目掌握度、训练项目对应的用户情绪分类分级，生成后续训练项目时序配置，更新训练方案，可以随时监测用户的训练状态，并以训练效能最大化为目的进行后续训练项目的调整，进一步增强训练方案与学员的贴合程度，极大提高了训练效率；
（3）训练效能计算方法充分考虑了训练时长、训练项目掌握度、训练项目中对应用户的情绪分类分级，使训练效能更真实贴合用户的对应训练项目的掌握能力；
（4）再最优训练项目组合的生成过程中，采用马尔科夫蒙特卡洛方法，极大的缩减了优化时间，提高了训练方案的生成效率，同时，也保证了训练方案的在线更新的实现。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明面向个体差异的飞行训练方案生成系统框架示意图；
图2是本发明一种实施例中训练效能最大的训练项目组合获取方法流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种面向个体差异的飞行训练方案生成系统，包括第一装置、第二装置、第三装置、第四装置；
所述第一装置，配置为获取用户身份信息；
所述第二装置，配置为存储用户训练数据；
所述第三装置，配置为依据用户身份信息通读取对应的用户训练数据，获取当前用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案；
所述第四装置，配置为基于所述初始训练方案，进行飞行训练拟真环境的配置；
在训练过程中，所述第四装置实时采集用户生理数据、训练项目操作数据，获取用户在当前的训练项目掌握度、训练项目对应的用户情绪分类分级，生成后续训练项目时序配置，更新训练方案。
为了更清晰地对本发明面向个体差异的飞行训练方案生成系统进行说明，下面结合图1、图2对本发明实施例展开详述。
本发明第一实施例的面向个体差异的飞行训练方案生成系统，包括第一装置、第二装置、第三装置、第四装置，各装置详细描述如下：
1、第一装置
第一装置可以为手机等移动终端，也可以为计算机等设备，其作用是为了进行用户识别，基于获取的用户识别信息（例如账号密码、人脸识别、指纹识别、瞳纹识别等），获取用户身份信息以及权限。
2、第二装置
第二装置为用户训练数据库，用于存储用户历史训练数据，训练数据包括每次训练的训练时间、训练方案、训练项目、训练项目操作数据、训练项目对应的用户生理数据（包括呼吸频次、脉搏、血压等），还可以进一步包括训练项目掌握度、训练项目对应的用户情绪分类分级。
为了获取更准确的情绪分类，本事实施例进一步的将训练过程中用户的面部表情数据增入用户生理数据中。
3、第三装置
第三装置为数据处理装置；训练环境较为复杂、训练时长较长的训练方案生成，可以选择远程具有较强计算能力的服务器端作为第三装置；训练环境为简单、训练时长较短的训练方案生成，可以选择训练机的智能单元或者智能移动终端作为第三装置。
本事实例中第三装置用于：依据用户身份信息通读取对应的用户训练数据，获取当前用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案。
初始训练方案的生成受训练情景的约束，约束条件包括训练时长、环境约束等，例如模拟从1号城市飞往2号城市的训练情景，可加入训练项目的总时长不能超过总的飞行时长，且为了达到训练的真实性，需要根据所在地区的环境因素，筛选可用于加入训练方案的训练项目，该部分内容在模拟机中已得到成熟的应用，此处不再展开详述。
基于训练情景可选的训练项目，依据各项目预设的待选次数，构成训练项目集合；训练项目预设的待选次数基于经验进行设定，比如设定试压训练项目在训练方案中只允许出现一次，仪表故障在训练方案中最多出现3次等。
在获取训练项目集合后，就可以基于训练项目掌握度、项目训练对应的用户情绪分类分级，通过预设的训练效能优化方法，获取初始训练方案。本事实例中，训练效能优化方法为，通过预设的训练效能计算方法，采用马尔科夫蒙特卡洛方法，获取训练效能最大的训练项目组合。
要说明训练效能计算方法，首先要明确训练项目集合所包含的基础信息：项目名称、训练项目掌握度、项目训练对应的用户情绪分类和分级、训练项目初始加入次数、已完成训练次数、最近一次训练完成时间、关联项目及对应的关联度；
所述训练效能计算方法，包括：
Figure 659368DEST_PATH_IMAGE054
Figure 705822DEST_PATH_IMAGE055
Figure 425516DEST_PATH_IMAGE056
Figure 735274DEST_PATH_IMAGE004
Figure 727370DEST_PATH_IMAGE005
Figure 515198DEST_PATH_IMAGE006
Figure 151715DEST_PATH_IMAGE057
Figure 366796DEST_PATH_IMAGE058
其中，
Figure 659237DEST_PATH_IMAGE059
、
Figure 188438DEST_PATH_IMAGE060
分别为总训练效能、总训练时长；
Figure 617146DEST_PATH_IMAGE011
、
Figure 65445DEST_PATH_IMAGE061
、
Figure 845182DEST_PATH_IMAGE062
、
Figure 240391DEST_PATH_IMAGE063
、
Figure 710555DEST_PATH_IMAGE015
、
Figure 533018DEST_PATH_IMAGE016
、
Figure 596789DEST_PATH_IMAGE017
、
Figure 530110DEST_PATH_IMAGE018
、
Figure 933409DEST_PATH_IMAGE019
、
Figure 864456DEST_PATH_IMAGE064
分别为起飞项目中第
Figure 87627DEST_PATH_IMAGE021
个训练项目的训练效能、原始效能、第
Figure 886956DEST_PATH_IMAGE022
个关 联项目的原始效能、与第
Figure 410341DEST_PATH_IMAGE022
个关联项目的关联度、关联项目总数、训练时长、掌握度、上次训 练中的情绪分类数值、上次训练中的情绪分级数值、遗忘指数；
Figure 309027DEST_PATH_IMAGE065
、
Figure 472024DEST_PATH_IMAGE066
、
Figure 747148DEST_PATH_IMAGE067
、
Figure 125039DEST_PATH_IMAGE068
、
Figure 522523DEST_PATH_IMAGE027
、
Figure 720286DEST_PATH_IMAGE028
、
Figure 736783DEST_PATH_IMAGE069
、
Figure 234761DEST_PATH_IMAGE070
、
Figure 475249DEST_PATH_IMAGE071
、
Figure 488205DEST_PATH_IMAGE072
分别为降落项目中第
Figure 105131DEST_PATH_IMAGE033
个训练项目的训练效能、原始效能、 第
Figure 378986DEST_PATH_IMAGE022
个关联项目的原始效能、与第
Figure 790376DEST_PATH_IMAGE022
个关联项目的关联度、关联项目总数、训练时长、掌握度、 上次训练中的情绪分类数值、上次训练中的情绪分级数值、遗忘指数；
Figure 25048DEST_PATH_IMAGE034
、
Figure 711244DEST_PATH_IMAGE073
、
Figure 652656DEST_PATH_IMAGE074
、
Figure 438209DEST_PATH_IMAGE075
、
Figure 97860DEST_PATH_IMAGE076
、
Figure 118906DEST_PATH_IMAGE077
、
Figure 180403DEST_PATH_IMAGE078
、
Figure 464754DEST_PATH_IMAGE041
、
Figure 544792DEST_PATH_IMAGE079
、
Figure 307211DEST_PATH_IMAGE080
分别为巡航项目中所选第
Figure 285531DEST_PATH_IMAGE081
个训练项目的训练效 能、原始效能、第
Figure 475204DEST_PATH_IMAGE022
个关联项目的原始效能、与第
Figure 375027DEST_PATH_IMAGE022
个关联项目的关联度、关联项目总数、训练 时长、掌握度、上次训练中的情绪分类数值、上次训练中的情绪分级数值、遗忘指数。
本事实例中，掌握度为百分数，例如掌握度为70%；情绪分类例如恐惧、紧张、正常， 通过数据进行情绪分类数值的表示，例如恐惧为0.9、紧张为0.6、正常为0.3；情绪分级分为 四级，情绪由弱到强分别为0.3、0.5、0.7、0.9，情绪分类为正常，则情绪分级数值为0.1；
Figure 613242DEST_PATH_IMAGE082
、
Figure 383752DEST_PATH_IMAGE083
、
Figure 806643DEST_PATH_IMAGE084
分别为对应训练项目的待训练指数；关联项目及对应 的关联度为预先设置，例如可以设置巡航阶段仪表故障项目，其关联项目分别为起飞阶段 仪表故障、降落阶段仪表故障，关联度分别为0.8、0.7。
遗忘指数基于对应训练项目的已完成训练次数、最近一次训练完成时间，通过遗 忘曲线获得。遗忘指数
Figure 662603DEST_PATH_IMAGE085
的计算方法为
Figure 953776DEST_PATH_IMAGE086
其中，
Figure 844372DEST_PATH_IMAGE087
为当前时间与最近一次训练完成时间间隔的天数，按照小时为单位进行 统计，不足一天的部分，通过时长占比以小数方式表示，例如36小时则表示为1.5天；
Figure 641426DEST_PATH_IMAGE088
为 对应训练项目的已完成训练次数。
训练项目集合包括起飞项目集合、巡航项目集合、降落项目集合；训练效能最大的训练项目组合，包括起飞项目、巡航项目组合、降落项目，可以基于上述训练效能计算方法，采用马尔科夫蒙特卡洛方法来获取：如图2所示，具体步骤为：
S1、基于所述巡航项目集合，随机生成第一巡航训练方案；并初始化变量D=1；
S2、计算第一巡航训练方案总的训练效能
Figure 47000DEST_PATH_IMAGE089
；
Figure 689334DEST_PATH_IMAGE090
S3、将所述第一巡航训练方案中间项目保留D项，其余各项从所述巡航项目集合中进行随机替换，获得第二巡航训练方案；
S4、计算第二巡航训练方案总的训练效能
Figure 372119DEST_PATH_IMAGE091
；
Figure 340075DEST_PATH_IMAGE092
其中，
Figure 170628DEST_PATH_IMAGE093
为第二巡航训练方案中所选第
Figure 678970DEST_PATH_IMAGE094
个训练项目的训练效能；
S5、基于Metropolis准则，接受或拒绝所述第二巡航训练方案，直至变量D的数值与所述第二巡航训练方案中间项目数量相等，停止迭代，将所述第二巡航训练方案作为优选巡航训练项目组合；
S6、从起飞项目集合、降落项目集合获取训练效能最大的一组起飞项目、降落项目，并与所述优选巡航训练项目组合一起构成所述训练效能最大的训练项目组合；
步骤S5中，接受或拒绝所述第二巡航训练方案，包括：
接受所述第二巡航训练方案时：若所述第二巡航训练方案相较于所述第一巡航训 练方案总的训练效能连续
Figure 544157DEST_PATH_IMAGE095
次下降比例小于
Figure 683015DEST_PATH_IMAGE096
，则D=D+1，将所述第一巡航训练方案替换 为所述第二巡航训练方案，执行S3；否则，将所述第一巡航训练方案替换为所述第二巡航训 练方案，执行S3；
拒绝所述第二巡航训练方案时，则舍弃所述第二巡航训练方案，执行S3；
其中，
Figure 922235DEST_PATH_IMAGE097
为变量D对应数值下的预设次数，
Figure 171951DEST_PATH_IMAGE096
为变量D对应数值下的预设阈值。
在获取训练效能最大的训练项目组合后，进行初始训练方案的获取：
（1）提取所述训练效能最大的训练项目组合中的训练项目序列；训练项目序列可以随机排列，若存在先后关联关系的训练项目，则将关联的训练项目作为一个随机排列单元进行项目的随机排列，关联的训练项目单元中，根据前后关联关系进行顺次排列。
（2）依据预设的情绪分类级别-训练项目强度映射关系，获取所述训练效能最大的训练项目组合中的训练项目的训练项目强度；情绪分类级别-训练项目强度映射关系的一种示例如表1所示：
表1
Figure 953962DEST_PATH_IMAGE098
项目训练强度为训练项目模拟真实度的比例，例如失压环境训练的压力指数，按照强度数值进行百分比的模拟，1级按照正常失压参数的10%，8级按照正常失压参数的80%，10按照正常失压参数的100%；再如俯冲训练，1级按照最大俯冲角度、速度参数的10%，8级按照最大俯冲角度、速度参数的80%，10按照最大俯冲角度、速度参数的100%。
（3）基于所述训练项目序列、训练项目强度，生成所述初始训练方案。
4、第四装置
第四装置为飞行模拟机，飞行模拟机基于所述初始训练方案，依据所述训练项目序列、所述训练项目强度进行飞行训练拟真环境的配置，等待用户进行训练。
在训练过程中，还包括训练方案的更新，可以在第三装置中进行更新并回传至第四装置，也可以直接再第四装置中直接进行，第四装置根据更新后的训练方案，对后续待完成的训练项目进行飞行训练拟真环境的配置。
更新训练方案的方法为：
依据已完成训练项目，从所述训练项目集合中进行对应训练项目可选次数的扣除；
基于上一完成训练项目的训练项目掌握度、训练项目对应的用户情绪分类分级，基于预设的增训判断方法，对所述训练项目集合中对应训练项目进行增加；
基于更新后的所述训练项目集合，以当前训练方案为第一巡航训练方案，以未完成的中间项目为优化对象，采用所述训练效能最大的训练项目组合的获取方法中S2-S5的方法更新巡航项目组合；
基于更新后的巡航项目组合，更新训练方案。
预设的增训判断方法为：
已完成训练项目对应的用户情绪分类分级在预设的允许增训预设范围；允许增训预设范围，例如恐惧的一级、二级，紧张的一级、二级、三级；
以训练项目在单次训练中允许出现的最大次数为第一约束条件，基于第一映射关系获取增训次数；所述第一映射关系为训练项目掌握度、训练项目掌握度提升幅度与增训次数之间预设的映射关系，如表2所示；
表2
恐惧一级 恐惧二级 紧张一级 紧张二级 紧张三级
增训次数 2 1 1 2 1
本发明第二实施例的面向个体差异的飞行训练方案生成方法，包括：
获取用户身份信息；
依据用户身份信息通读取对应的用户训练数据，获取当前用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案；
基于所述初始训练方案，进行飞行训练拟真环境的配置；
在训练过程中，实时采集用户生理数据、训练项目操作数据，获取用户在当前的训练项目掌握度、训练项目对应的用户情绪分类分级，生成后续训练项目时序配置，更新训练方案。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的方法的具体工作过程及有关说明，可以参考前述系统实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的面向个体差异的飞行训练方案生成，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述面向个体差异的飞行训练方案生成方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述面向个体差异的飞行训练方案生成方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (12)

1.一种面向个体差异的飞行训练方案生成系统，其特征在于，包括第一装置、第二装置、第三装置、第四装置；
所述第一装置，配置为获取用户身份信息；
所述第二装置，配置为存储用户训练数据；
所述第三装置，配置为依据用户身份信息通读取对应的用户训练数据，获取当前用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案；
所述第四装置，配置为基于所述初始训练方案，进行飞行训练拟真环境的配置；
在训练过程中，所述第四装置实时采集用户生理数据、训练项目操作数据，获取用户在当前的训练项目掌握度、训练项目对应的用户情绪分类分级，生成后续训练项目时序配置，更新训练方案。
2.根据权利要求1所述的面向个体差异的飞行训练方案生成系统，其特征在于，所述初始训练方案，其生成方法为：
依据所述训练情景的时长、环境约束，基于训练项目掌握度、项目训练对应的用户情绪分类和分级，通过预设的训练效能优化方法，获取初始训练方案。
3.根据权利要求2所述的面向个体差异的飞行训练方案生成系统，其特征在于，所述的训练效能优化方法，包括：
基于训练项目集合，通过预设的训练效能计算方法，采用马尔科夫蒙特卡洛方法，获取训练效能最大的训练项目组合。
4.根据权利要求3所述的面向个体差异的飞行训练方案生成系统，其特征在于，
所述训练项目集合中的训练项目信息，包括项目名称、训练项目掌握度、项目训练对应的用户情绪分类和分级、训练项目初始加入次数、已完成训练次数、最近一次训练完成时间、关联项目及对应的关联度；
所述训练效能计算方法，包括：
Figure 244732DEST_PATH_IMAGE001
Figure 958610DEST_PATH_IMAGE002
Figure 472768DEST_PATH_IMAGE003
Figure 789349DEST_PATH_IMAGE004
Figure 338142DEST_PATH_IMAGE005
Figure 957342DEST_PATH_IMAGE006
Figure 224375DEST_PATH_IMAGE007
Figure 157696DEST_PATH_IMAGE008
其中，
Figure 498679DEST_PATH_IMAGE009
、
Figure 226463DEST_PATH_IMAGE010
分别为总训练效能、总训练时长；
Figure 777530DEST_PATH_IMAGE011
、
Figure 248963DEST_PATH_IMAGE012
、
Figure 693720DEST_PATH_IMAGE013
、
Figure 123564DEST_PATH_IMAGE014
、
Figure 99610DEST_PATH_IMAGE015
、
Figure 171472DEST_PATH_IMAGE016
、
Figure 814943DEST_PATH_IMAGE017
、
Figure 884530DEST_PATH_IMAGE018
、
Figure 285555DEST_PATH_IMAGE019
、
Figure 98790DEST_PATH_IMAGE020
分别为起飞项目中第
Figure 596768DEST_PATH_IMAGE021
个 训练项目的训练效能、原始效能、第
Figure 165152DEST_PATH_IMAGE022
个关联项目的原始效能、与第
Figure 850212DEST_PATH_IMAGE022
个关联项目的关联度、 关联项目总数、训练时长、掌握度、上次训练中的情绪分类数值、上次训练中的情绪分级数 值、遗忘指数；
Figure 732717DEST_PATH_IMAGE023
、
Figure 6572DEST_PATH_IMAGE024
、
Figure 683541DEST_PATH_IMAGE025
、
Figure 918214DEST_PATH_IMAGE026
、
Figure 73251DEST_PATH_IMAGE027
、
Figure 545821DEST_PATH_IMAGE028
、
Figure 331375DEST_PATH_IMAGE029
、
Figure 991026DEST_PATH_IMAGE030
、
Figure 215334DEST_PATH_IMAGE031
、
Figure 73569DEST_PATH_IMAGE032
分别为降落项目中第
Figure 92340DEST_PATH_IMAGE033
个训 练项目的训练效能、原始效能、第
Figure 426238DEST_PATH_IMAGE034
个关联项目的原始效能、与第
Figure 454237DEST_PATH_IMAGE022
个关联项目的关联度、关 联项目总数、训练时长、掌握度、上次训练中的情绪分类数值、上次训练中的情绪分级数值、 遗忘指数；
Figure 370241DEST_PATH_IMAGE035
、
Figure 356651DEST_PATH_IMAGE036
、
Figure 256474DEST_PATH_IMAGE037
、
Figure 557005DEST_PATH_IMAGE038
、
Figure 530778DEST_PATH_IMAGE039
、
Figure 625773DEST_PATH_IMAGE040
、
Figure 12892DEST_PATH_IMAGE041
、
Figure 179431DEST_PATH_IMAGE042
、
Figure 804447DEST_PATH_IMAGE043
、
Figure 522873DEST_PATH_IMAGE044
分别为巡航项目中所选第
Figure 131709DEST_PATH_IMAGE045
个训练项目的训练效能、原始效能、第
Figure 39622DEST_PATH_IMAGE022
个关联项目的原始效能、与第
Figure 847041DEST_PATH_IMAGE022
个关联项目的关联 度、关联项目总数、训练时长、掌握度、上次训练中的情绪分类数值、上次训练中的情绪分级 数值、遗忘指数；
遗忘指数基于已完成训练次数、最近一次训练完成时间，通过遗忘曲线获得。
5.根据权利要求4所述的面向个体差异的飞行训练方案生成系统，其特征在于，所述初始训练方案，其获取方法为：
提取所述训练效能最大的训练项目组合中的训练项目序列；
依据预设的情绪分类级别-训练项目强度映射关系，获取所述训练效能最大的训练项目组合中的训练项目的训练项目强度；
基于所述训练项目序列、训练项目强度，生成所述初始训练方案。
6.根据权利要求5所述的面向个体差异的飞行训练方案生成系统，其特征在于，所述训练项目集合包括起飞项目集合、巡航项目集合、降落项目集合；
所述训练效能最大的训练项目组合，包括起飞项目、巡航项目组合、降落项目，其获取方法为：
S1、基于所述巡航项目集合，随机生成第一巡航训练方案；并初始化变量D=1；
S2、计算第一巡航训练方案总的训练效能
Figure 814997DEST_PATH_IMAGE046
；
Figure 645550DEST_PATH_IMAGE047
S3、将所述第一巡航训练方案中间项目保留D项，其余各项从所述巡航项目集合中进行随机替换，获得第二巡航训练方案；
S4、计算第二巡航训练方案总的训练效能
Figure 29258DEST_PATH_IMAGE048
；
Figure 628867DEST_PATH_IMAGE049
其中，
Figure 564462DEST_PATH_IMAGE050
为第二巡航训练方案中所选第
Figure 882310DEST_PATH_IMAGE045
个训练项目的训练效能；
S5、基于Metropolis准则，接受或拒绝所述第二巡航训练方案，直至变量D的数值与所述第二巡航训练方案中间项目数量相等，停止迭代，将所述第二巡航训练方案作为优选巡航训练项目组合；
S6、从起飞项目集合、降落项目集合获取训练效能最大的一组起飞项目、降落项目，并与所述优选巡航训练项目组合一起构成所述训练效能最大的训练项目组合；
步骤S5中，接受或拒绝所述第二巡航训练方案，包括：
接受所述第二巡航训练方案时：若所述第二巡航训练方案相较于所述第一巡航训练方 案总的训练效能连续
Figure 53398DEST_PATH_IMAGE051
次下降比例小于
Figure 38671DEST_PATH_IMAGE052
，则D=D+1，将所述第一巡航训练方案替换为所 述第二巡航训练方案，执行S3；否则，将所述第一巡航训练方案替换为所述第二巡航训练方 案，执行S3；
拒绝所述第二巡航训练方案时，则舍弃所述第二巡航训练方案，执行S3；
其中，
Figure 82851DEST_PATH_IMAGE051
为变量D对应数值下的预设次数，
Figure 950312DEST_PATH_IMAGE052
为变量D对应数值下的预设阈值。
7.根据权利要求6所述的面向个体差异的飞行训练方案生成系统，其特征在于，所述第四装置为飞行模拟机；所述飞行模拟机基于所述初始训练方案，依据所述训练项目序列、所述训练项目强度进行飞行训练拟真环境的配置。
8.根据权利要求6所述的面向个体差异的飞行训练方案生成系统，其特征在于，训练过程中，更新训练方案的方法为：
依据已完成训练项目，从所述训练项目集合中进行对应训练项目可选次数的扣除；
基于上一完成训练项目的训练项目掌握度、训练项目对应的用户情绪分类分级，基于预设的增训判断方法，对所述训练项目集合中对应训练项目进行增加；
基于更新后的所述训练项目集合，以当前训练方案为第一巡航训练方案，以未完成的中间项目为优化对象，采用所述训练效能最大的训练项目组合的获取方法中S2-S5的方法更新巡航项目组合；
基于更新后的巡航项目组合，更新训练方案。
9.根据权利要求8所述的面向个体差异的飞行训练方案生成系统，其特征在于，所述预设的增训判断方法，为：
已完成训练项目对应的用户情绪分类分级在预设的允许增训预设范围；
以训练项目在单次训练中允许出现的最大次数为第一约束条件，基于第一映射关系获取增训次数；所述第一映射关系为训练项目掌握度、训练项目掌握度提升幅度与增训次数之间预设的映射关系。
10.一种面向个体差异的飞行训练方案生成方法，其特征在于，包括
获取用户身份信息；
依据用户身份信息通读取对应的用户训练数据，获取当前用户训练项目掌握度、训练项目对应的用户情绪分类分级，基于训练情景进行训练项目配置，生成初始训练方案；
基于所述初始训练方案，进行飞行训练拟真环境的配置；
在训练过程中，实时采集用户生理数据、训练项目操作数据，获取用户在当前的训练项目掌握度、训练项目对应的用户情绪分类分级，生成后续训练项目时序配置，更新训练方案。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求10所述的面向个体差异的飞行训练方案生成方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求10所述的面向个体差异的飞行训练方案生成方法。
CN202210540847.3A 2022-05-19 2022-05-19 面向个体差异的飞行训练方案生成系统、方法及设备 Active CN114638442B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210540847.3A CN114638442B (zh) 2022-05-19 2022-05-19 面向个体差异的飞行训练方案生成系统、方法及设备
JP2022091140A JP7177294B2 (ja) 2022-05-19 2022-06-03 個人差向け飛行訓練スキーム生成システム、方法および機器
US17/844,013 US11514815B1 (en) 2022-05-19 2022-06-19 System, method, and device for generating flight training scheme oriented to individual difference

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210540847.3A CN114638442B (zh) 2022-05-19 2022-05-19 面向个体差异的飞行训练方案生成系统、方法及设备

Publications (2)

Publication Number Publication Date
CN114638442A true CN114638442A (zh) 2022-06-17
CN114638442B CN114638442B (zh) 2022-09-02

Family

ID=81952938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210540847.3A Active CN114638442B (zh) 2022-05-19 2022-05-19 面向个体差异的飞行训练方案生成系统、方法及设备

Country Status (3)

Country Link
US (1) US11514815B1 (zh)
JP (1) JP7177294B2 (zh)
CN (1) CN114638442B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275675A (zh) * 2023-11-16 2023-12-22 北京无疆脑智科技有限公司 训练方案生成方法、装置、电子设备和存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116421151B (zh) * 2023-06-12 2023-09-12 慧创科仪(北京)科技有限公司 一种用于神经反馈康复训练装置的交互控制方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295447A (zh) * 2013-05-17 2013-09-11 珠海翔翼航空技术有限公司 一种实时采集全动模拟机飞行参数并实时传输的系统
CN104064071A (zh) * 2014-06-20 2014-09-24 珠海翔翼航空技术有限公司 一种小型固定飞行训练器系统
US20190005828A1 (en) * 2017-06-29 2019-01-03 The Boeing Company Method and system for autonomously operating an aircraft
CN110046835A (zh) * 2019-05-14 2019-07-23 南京弘道软件有限公司 一种基于能力飞行训练大纲的飞行员能力打分方法和系统
US20200388194A1 (en) * 2019-06-05 2020-12-10 Honeywell International Inc. Systems and methods for generating aircraft training programs adapted to user characteristics
CN112116845A (zh) * 2020-11-23 2020-12-22 北京中航科电测控技术股份有限公司 一种用于飞行模拟训练器的自动参数调整系统
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
WO2021136675A1 (en) * 2019-12-30 2021-07-08 Thales System, method and computer program product for providing adaptive training
CN113111952A (zh) * 2021-04-20 2021-07-13 北京心康医学科技有限公司 一种基于人工智能的睡眠训练方法及系统
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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9076343B2 (en) * 2004-04-06 2015-07-07 International Business Machines Corporation Self-service system for education
US9786193B2 (en) * 2011-09-01 2017-10-10 L-3 Communications Corporation Adaptive training system, method and apparatus
WO2013071342A1 (en) 2011-11-17 2013-05-23 Biomedtech Australia Pty Ltd Flight training system
US10013892B2 (en) * 2013-10-07 2018-07-03 Intel Corporation Adaptive learning environment driven by real-time identification of engagement level
US20150348431A1 (en) * 2014-06-02 2015-12-03 Accenture Global Services Limited System and Method for Training
US10395551B2 (en) 2017-03-29 2019-08-27 The Boeing Company Systems and methods for an immersive simulator
CN210574437U (zh) 2019-07-26 2020-05-19 中国人民解放军空军特色医学中心 一种基于4d场景的海上飞行预适应训练系统
CN110473444A (zh) 2019-07-26 2019-11-19 中国人民解放军空军特色医学中心 一种基于4d场景的海上飞行预适应训练系统
CN211264558U (zh) 2019-12-24 2020-08-14 中国人民解放军第四军医大学 一种基于vr技术的军事飞行员口颌心理应激训练系统
CN213940722U (zh) 2020-08-17 2021-08-13 中国人民解放军第四军医大学 一种基于虚拟现实的军事飞行员应激训练系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295447A (zh) * 2013-05-17 2013-09-11 珠海翔翼航空技术有限公司 一种实时采集全动模拟机飞行参数并实时传输的系统
CN104064071A (zh) * 2014-06-20 2014-09-24 珠海翔翼航空技术有限公司 一种小型固定飞行训练器系统
US20190005828A1 (en) * 2017-06-29 2019-01-03 The Boeing Company Method and system for autonomously operating an aircraft
CN110046835A (zh) * 2019-05-14 2019-07-23 南京弘道软件有限公司 一种基于能力飞行训练大纲的飞行员能力打分方法和系统
US20200388194A1 (en) * 2019-06-05 2020-12-10 Honeywell International Inc. Systems and methods for generating aircraft training programs adapted to user characteristics
WO2021136675A1 (en) * 2019-12-30 2021-07-08 Thales System, method and computer program product for providing adaptive training
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
CN112116845A (zh) * 2020-11-23 2020-12-22 北京中航科电测控技术股份有限公司 一种用于飞行模拟训练器的自动参数调整系统
CN113111952A (zh) * 2021-04-20 2021-07-13 北京心康医学科技有限公司 一种基于人工智能的睡眠训练方法及系统
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周悦等: "军用教练机训练效能定量评估研究", 《国防科技》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275675A (zh) * 2023-11-16 2023-12-22 北京无疆脑智科技有限公司 训练方案生成方法、装置、电子设备和存储介质
CN117275675B (zh) * 2023-11-16 2024-03-26 北京无疆脑智科技有限公司 训练方案生成方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
JP2022119974A (ja) 2022-08-17
CN114638442B (zh) 2022-09-02
US11514815B1 (en) 2022-11-29
JP7177294B2 (ja) 2022-11-22

Similar Documents

Publication Publication Date Title
CN114638442B (zh) 面向个体差异的飞行训练方案生成系统、方法及设备
Nagy et al. Predicting dropout in higher education based on secondary school performance
Irawan Implementation Of Data Mining For Determining Majors Using K-Means Algorithm In Students Of SMA Negeri 1 Pangkalan Kerinci
Haswan Decision Support System for election of members unit patients Pamong Praja
CN107220235A (zh) 基于人工智能的语音识别纠错方法、装置及存储介质
JP2021504789A (ja) Ｅｓｇ基盤の企業評価遂行装置及びその作動方法
CN108364550B (zh) 一种特高压电力虚拟实训的体验式交互过程设计方法
Priyambada et al. Curriculum assessment of higher educational institution using aggregate profile clustering
CN108734296A (zh) 优化监督学习的训练数据的方法、装置、电子设备和介质
CN110198453A (zh) 基于弹幕的直播内容过滤方法、存储介质、设备及系统
CN111199469A (zh) 用户还款模型生成方法、装置及电子设备
CN111611085A (zh) 基于云边协同的人机混合增强智能系统、方法、装置
CN110705283A (zh) 基于文本法律法规与司法解释匹配的深度学习方法和系统
CN110166289A (zh) 一种识别目标信息资产的方法及装置
CN110532363A (zh) 一种基于决策树的任务导向型自动对话方法
CN114913923A (zh) 针对单细胞染色质开放性测序数据的细胞类型识别方法
Zekić-Sušac et al. Cluster analysis and artificial neural networks in predicting energy efficiency of public buildings as a cost-saving approach
CN113961765A (zh) 基于神经网络模型的搜索方法、装置、设备和介质
CN113807728A (zh) 基于神经网络的绩效考核方法、装置、设备及存储介质
CN109063983A (zh) 一种基于社交媒体数据的自然灾害损失实时评估方法
Pupara et al. An institution recommender system based on student context and educational institution in a mobile environment
Tribhuvan et al. Applying Naïve Bayesian classifier for predicting performance of a student using WEKA
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN110502752A (zh) 一种文本处理方法、装置、设备及计算机存储介质
Yurtkan et al. Student Success Prediction Using Feedforward Neural Networks

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221213

Address after: 201700 No. 18, Zone 1, No. 8228, Beiqing Road, Xianghuaqiao Street, Qingpu District, Shanghai

Patentee after: China Eastern technology application R & D Center Co.,Ltd.

Address before: 519030 No.32, Zhuhai Free Trade Zone, Guangdong Province

Patentee before: ZHUHAI XIANGYI AVIATION TECHNOLOGY Co.,Ltd.