CN116361130A - 基于虚拟现实人机交互系统的评价方法 - Google Patents

Abstract

本发明公开了基于虚拟现实人机交互系统的评价方法，涉及虚拟现实技术领域，获取工作完成度对工作任务的执行形成评价，并建立交互数字孪生模型；建立系统响应数据集，依据交互效率系数Jxs中超出相应阈值的比例形成功能比Gnb；构建性能检测数据集，关联形成性能评价系数Nxs，依据若干个交互效率系数Jxs中高于相应阈值的比例形成性能比Xnb；交互系数jHxs的变化趋势进行拟合，将形成的jHxs拟合函数输出；关联获取交互系数jHxs；判断交互系统的运行风险，向外部发出预警并将风险节点及应对策略输出；依据异常参数从应对策略库中匹配出相应的应对策略，在进行评价、预测的基础上，输出应对策略，在可能会产生运行风险时就可以及时进行处理。

Description

基于虚拟现实人机交互系统的评价方法

技术领域

本发明涉及虚拟现实技术领域，具体为基于虚拟现实人机交互系统的评价方法。

背景技术

虚拟现实技术是利用现代计算机技术创建的虚拟环境，用户可以使用特定的人机交互设备和装置与虚拟环境进行互动，产生身临其境的感受。

现有的虚拟现实技术在工业技术中应用逐渐常见化，在用户与交互系统或者交互设备产生交互时，甚至可以监测眼球运动、手部运动和身体运动，也可以用于评价用户的完成任务的效率、效果和满意度，并可以进一步的评价人机功能匹配性、操作舒适性等。

但是在人机交互系统时，在交互系统或者相应的交互设备处于长期工作状态下时，限制于系统或者设备的性能，人机交互系统可能会存在一定的运行风险，现有的人机交互系统的评价方法主要侧重于对人机交互系统运行效果进行评价，对人机交互系统的运行管理缺乏一定的指导作用。

为此，提供了基于虚拟现实人机交互系统的评价方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于虚拟现实人机交互系统的评价方法，通过获取工作完成度对工作任务的执行形成评价，并建立交互数字孪生模型；建立系统响应数据集，依据交互效率系数Jxs中超出相应阈值的比例形成功能比Gnb；构建性能检测数据集，关联形成性能评价系数Nxs，依据若干个交互效率系数Jxs中高于相应阈值的比例形成性能比Xnb；交互系数jHxs的变化趋势进行拟合，将形成的jHxs拟合函数输出；关联获取交互系数jHxs；判断交互系统的运行风险，向外部发出预警并将风险节点及应对策略输出；依据异常参数从应对策略库中匹配出相应的应对策略，在进行评价、预测的基础上，输出应对策略，在可能会产生运行风险时就可以及时进行处理，解决了背景技术中的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：基于虚拟现实人机交互系统的评价方法，包括步骤：通过判断图像间的相似度，获取工作完成度对工作任务的执行形成评价，并基于执行工作任务的过程，采集参数并建立交互数字孪生模型；在工作完成度超过预期时，依据用户和交互系统间的交互数据，建立系统响应数据集，据此构建交互效率系数Jxs，依据若干个交互效率系数Jxs中超出相应阈值的比例，形成功能比Gnb，从而对交互系统的功能性形成评价；

在功能比Gnb高于预期时，检测交互设备的运行状态并建立工作状态参数集，且进一步构建性能检测数据集，基于其中的参数关联形成性能评价系数Nxs；基于若干个交互效率系数Jxs中高于相应阈值的比例，形成性能比Xnb，对交互系统所依托的交互设备进行评价；

获取性能比Xnb，并在性能比Xnb高于预期时，基于性能比Xnb及功能比Gnb，关联获取交互系数jHxs，在交互系数jHxs存在多个时，对交互系数jHxs的变化趋势进行拟合，将形成的jHxs拟合函数输出；

依据jHxs拟合函数对交互系数jHxs的变化进行预测，形成预测值并判断交互系统的运行风险，如果存在运行风险，向外部发出预警，并且将可能产生运行风险的风险节点输出，如果存在应对策略，则将应对策略一并输出。

进一步的，依据工作任务的内容确定工作完成后的状态，获取达到预期成果时的预期图像；依据成像交互设备对工作过程进行成像，并在工作任务结束后获取工作的成果成像，检测预期图像与成果图像之间的相似度，以相似度作为工作完成度；在工作完成度高于相应阈值的条件下，基于工作过程的图像及采集到数据，建立交互数字孪生模型；工作完成度低于相应阈值，则向外部发出预警。

进一步的，工作完成度高于相应阈值时，获取用户和交互系统之间的交互数据，在用户发出工作指令时，依据客户发出指令与交互系统接收到指令的时间差，获取交互系统的交互延迟Jc；并获取交互系统的做出响应的速度，获取响应速度Xs，在交互设备做出响应后，依据交互系统做出的响应与指令的相似性，确定响应的准确率Zq；获取交互延迟Jc、响应速度Xs及准确率Zq，建立交互系统响应数据集。

进一步的，获取交互延迟Jc、响应速度Xs及准确率Zq，无量纲处理后，关联形成交互效率系数Jxs；其中，交互效率系数Jxs的关联方式如下公式：

其中，参数的意义为：0≤α≤1，0≤β≤1，且α²+β²＝1，α、β为权重，其具体值可由用户调整设置；当前交互效率系数Jxs未能达到预期时，重复执行工作任务，获取若干个交互效率系数Jxs，确定若干个交互效率系数Jxs中高于相应阈值的比例，形成并输出功能比Gnb。

进一步的，在功能比Gnb高于预期，且交互设备处于持续运行状态下时，沿着时间轴设置若干个检测点，分别在检测点上的运行功率，形成工作功率eH；并在完成工作任务的过程中，获取各个检测点上的任务处理效率xL及交互设备的工作温度T；汇总工作功率eH、处理效率xL及工作温度T，建立工作状态参数集。

进一步的，基于交互数字孪生模型及交互设备工作状态参数集，对交互设备的工作过程进行模拟，至少获取多组的工作功率eH、处理效率xL及工作温度T；

基于工作功率eH、处理效率xL及工作温度T的数据变化，分别确定相应的变化趋势，并进行可视化处理；设置若干个等间隔的时间点，分别在拟合函数上获取两个相邻的时间点上数据间的斜率，将若干个斜率平均并获取平均斜率，作为数据变化率；分别获取功率变化率Nb、效率变化率Cb及温度变化率Tb，建立性能检测数据集。

进一步的，获取功率变化率Nb、效率变化率Cb及温度变化率Tb，无量纲化后，关联形成性能评价系数Nxs；其中，性能评价系数Nxs的形成方式符合如下公式：

其中，θ、γ为权重系数，0≤θ≤1，0≤γ≤1，C为修正系数，具体值可由用户调整设置，或者通过函数进行拟合后确定系数的大小，R为功率变化率Nb与效率变化率Cb之间的相关性系数。

进一步的，连续获取若干个性能评价系数Nxs，获取若干个交互效率系数Jxs中高于相应阈值的比例，获取性能比Xnb；在性能比Xnb高于相应阈值时，获取性能比Xnb及功能比Gnb，无量纲化处理后，关联获取交互系数jHxs；其中，交互系数jHxs获取方式如下：

其中，D为修正系数，具体值可由用户调整设置，R为性能比Xnb及功能比Gnb之间的相关性系数；

获取若干组交互系数jHxs，依据交互系数jHxs的变化进行函数拟合，在经过K-S验证后，将获取的jHxs拟合函数输出。

进一步的，依据jHxs拟合函数对交互系数jHxs的变化进行预测，并至少连续获取三个预测值，判断其中是否存在超过预测值的部分，如果存在，将超过预测值的部分确定为异常预测值，以及产生该异常预测值时的时间节点，以该时间节点为风险节点。

进一步的，依据线性回归预测模型，对工作状态参数集及交互系统响应数据集中的参数进行预测，确定在该风险节点上出超过相应阈值的参数，并确定为异常参数，结合异常参数及相应的风险节点，向外部发出预警；

在工作状态参数集及交互系统响应数据集中的参数存在异常时，预先检索及摘取与之相应的应对方案，汇总后构建应对策略库；在发出预警后，依据异常参数从应对策略库中匹配出相应的应对策略。

(三)有益效果

本发明提供了基于虚拟现实人机交互系统的评价方法，具备以下有益效果：

获取功能比Gnb，在单次使用的基础上对交互系统的功能性进行评价，在对交互系统进行评估时，可以扩大样本的量并形成功能比Gnb，判断交互系统在多次使用时，使用效果能够达到预期的概率，在功能比Gnb低于预期时向外部发出预警，使客户能够及时处理及改善。

在交互数字孪生模型的基础上，进行多次模拟后获取多组数据，依据性能评价系数Nxs的分布，从而对交互设备的运行形成评价，在交互设备的运行状态及其运行的稳定性难以达到预期时向外部发出预警，用户能够做出相应性的处理。

获取交互系数jHxs，并对交互系数jHxs的变化形成预测，依据预测结果，在已经对交互系统及交互设备做出评价值后，对交互设备及交互系统的变化进行预测；在评价之外，在预测到交互系统或者交互设备的变化差于预期时，用户能够提前进行处理，从而有利于保证交互设备或者交互系统的正常运行。

构建应对策略库，在确定了风险节点及异常参数后，依据异常参数从应对策略库中匹配出相应的应对策略，在进行评价、预测的基础上，输出应对策略，使用户能够进行针对性的处理，使交互系统及交互设备在可能会产生运行风险时，及时进行处理，并保持交互设备及交互系统的正常运行。

附图说明

图1为本发明人机交互系统的评价方法流程示意图；

图2为本发明性能评价系数及交互效率系数的构成结构示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

实施例

请参阅图1-2，本发明提供基于虚拟现实人机交互系统的评价方法，包括如下步骤：

步骤一、通过判断图像间的相似度，获取工作完成度对工作任务的执行形成评价，并基于执行工作任务的过程，采集参数并建立交互数字孪生模型；

所述步骤一包括如下内容：

步骤101、依据工作任务的内容确定工作完成后的状态，获取达到预期成果时的预期图像；依据成像交互设备对工作过程进行成像，并在工作任务结束后获取工作的成果成像，检测预期图像与成果图像之间的相似度，以相似度作为工作完成度；

步骤102、在工作完成度高于相应阈值的条件下，确定当前工作完成，基于工作过程的图像及采集到数据，建立交互数字孪生模型；工作完成度低于相应阈值，则向外部发出预警；从而在工作任务难以完成时，能够及时的向外部预警，进而能够及时的对交互系统或者交互设备进行处理。

使用时，结合步骤101结合102中的内容：

依据获取的工作完成度，优先判断工作任务是否已经完成，并且在任务完成时建立交互数字孪生模型，从而可以对执行任务的过程进行模拟，在获取模拟结果后，也助于对交互设备或者交互系统进行改进。

步骤二、在工作完成度超过预期时，依据用户和交互系统间的交互数据，建立系统响应数据集，据此构建交互效率系数Jxs，依据若干个交互效率系数Jxs中超出相应阈值的比例，形成功能比Gnb，从而对交互系统的功能性形成评价；

所述步骤二包括：

步骤201、在工作完成度高于相应阈值时，获取用户和交互系统之间的交互数据，在用户发出工作指令时，依据客户发出指令与交互系统接收到指令的时间差，获取交互系统的交互延迟Jc；并获取交互系统的做出响应的速度，获取响应速度Xs，在交互设备做出响应后，依据交互系统做出的响应与指令的相似性，确定响应的准确率Zq；

获取交互延迟Jc、响应速度Xs及准确率Zq，建立交互系统响应数据集；从而基于交互系统响应数据集中的数据，能够对交互系统的反应进行评价；

步骤202、获取交互延迟Jc、响应速度Xs及准确率Zq，无量纲处理后，关联形成交互效率系数Jxs；其中，交互效率系数Jxs的关联方式如下公式：

其中，参数的意义为：0≤α≤1，0≤β≤1，且α²+β²＝1，α、β为权重，其具体值可由用户调整设置。

使用时，基于获取的交互效率系数Jxs，对交互系统的功能性进行评价，用户依据交互效率系数Jxs的值，能够判断交互系统的功能是否满足需要。

步骤203、在当前交互效率系数Jxs未能达到预期时，重复执行若干次工作任务，获取若干个交互效率系数Jxs，确定若干个交互效率系数Jxs中高于相应阈值的比例，形成并输出功能比Gnb；从而基于获取的功能比Gnb，在交互效率系数Jxs的基础上，以功能比Gnb对交互系统做出更充分的评估。

使用时，结合步骤201至203中的内容：

在获取交互效率系数Jxs的基础上，再次获取功能比Gnb，先在单次使用的基础上对交互系统的功能性进行评价，如果交互效率系数Jxs并未达到预期，则重复的获取多次交互效率系数Jxs，此时，在对交互系统进行评估时，可以扩大样本的量并形成功能比Gnb，从而判断交互系统在多次使用时，使用效果能够达到预期的概率，此时，完成初步评估，在功能比Gnb低于预期时，能够向外部发出预警，使客户能够及时处理及改善。

步骤三、在功能比Gnb高于预期时，检测交互设备的运行状态并建立工作状态参数集，且进一步构建性能检测数据集，基于其中的参数关联形成性能评价系数Nxs；基于若干个交互效率系数Jxs中高于相应阈值的比例，形成性能比Xnb，对交互系统所依托的交互设备进行评价；

所述步骤三包括如下内容：

步骤301、获取功能比Gnb后，在功能比Gnb高于预期，且交互设备处于持续运行状态下时，沿着时间轴设置若干个检测点，

执行工作任务时，分别在检测点上的运行功率，形成工作功率eH；依据在完成工作任务时所需要的时间及相应的任务量，并在完成工作任务的过程中，获取各个检测点上的任务处理效率xL，各个检测点上的交互设备的工作温度T；

汇总工作功率eH、处理效率xL及工作温度T，建立工作状态参数集。

使用时，基于工作状态参数集，在交互系统运行时，对交互系统所依托的交互设备进行评价，获取评价结果，特别是在其中一个或者多个参数超过阈值时，能够进行针对性的维护。

步骤302、基于交互数字孪生模型及交互设备工作状态参数集，在相同或者相似的工作任务的条件下，对交互设备的工作过程进行模拟，至少获取多组的工作功率eH、处理效率xL及工作温度T；基于工作功率eH、处理效率xL及工作温度T的数据变化，分别确定相应的变化趋势，并进行可视化处理；

步骤303、设置若干个等间隔的时间点，分别在拟合函数上获取两个相邻的时间点上的相应数据间的斜率，将若干个斜率平均并获取平均斜率，作为数据变化率；

分别获取功率变化率Nb、效率变化率Cb及温度变化率Tb，建立性能检测数据集；

使用时，依据工作功率eH、处理效率xL及工作温度T的数据变化，分别确定各个数据的变化趋势，也即是形成变化率，依据变化率对交互设备的稳定性及性能进行评价。

步骤304、获取功率变化率Nb、效率变化率Cb及温度变化率Tb，无量纲化后，关联形成性能评价系数Nxs；其中，性能评价系数Nxs的形成方式符合如下公式：

其中，θ、γ为权重系数，0≤θ≤1，0≤γ≤1，C为修正系数，具体值可由用户调整设置，或者通过函数进行拟合后确定系数的大小，R为功率变化率Nb与效率变化率Cb之间的相关性系数。

通过形成的性能评价系数Nxs，在对交互系统形成评价基础上，对相应的交互设备的运行状态进行描述和评估。

使用时，结合步骤301至304中的内容：

在性能检测数据集的基础上获取性能评价系数Nxs，并在交互数字孪生模型的基础上，进行多次模拟后获取多组数据，依据性能评价系数Nxs的分布，从而对交互设备的运行形成评价，此时，在交互设备的运行状态及其运行的稳定性难以达到预期时，向外部发出预警，用户能够做出相应性的处理。

步骤四、获取性能比Xnb，并在性能比Xnb高于预期时，基于性能比Xnb及功能比Gnb，关联获取交互系数jHxs，在交互系数jHxs存在多个时，对交互系数jHxs的变化趋势进行拟合，将形成的jHxs拟合函数输出；

所述步骤四包括：

步骤401、连续获取若干个性能评价系数Nxs，获取若干个交互效率系数Jxs中高于相应阈值的比例，获取性能比Xnb；依据性能比Xnb，对交互设备的运行做出评价；

步骤402、在性能比Xnb高于相应阈值时，也即是，交互设备的运行达到预期的条件下，获取性能比Xnb及功能比Gnb，无量纲化处理后，关联获取交互系数jHxs；

其中，交互系数jHxs获取方式如下：

其中，D为修正系数，具体值可由用户调整设置，R为性能比Xnb及功能比Gnb之间的相关性系数。

此时，依据获取的交互系数jHxs，将交互系统及交互设备关联在一起。

步骤403、获取若干组交互系数jHxs，依据交互系数jHxs的变化进行函数拟合，在经过K-S验证后，将获取的jHxs拟合函数输出，基于获取的拟合函数，能够对交互系数jHxs的变化形成预测。

使用时，结合步骤401及403中的内容：

在交互系统的功能比Gnb及交互设备的性能比Xnb的基础上，进一步的获取交互系数jHxs，并对交互系数jHxs的变化形成预测，依据预测结果，在已经对交互系统及交互设备做出评价值后，关联获取交互系数jHxs，能够对交互设备及交互系统的变化进行预测；在评价之外，在预测到交互系统或者交互设备的变化差于预期时，用户能够提前进行处理，从而有利于保证交互设备或者交互系统的正常运行。

步骤五、依据jHxs拟合函数对交互系数jHxs的变化进行预测，形成预测值并判断交互系统的运行风险，如果存在运行风险，向外部发出预警，并且将可能产生运行风险的风险节点输出，如果存在应对策略，则将应对策略一并输出。

步骤501、依据jHxs拟合函数对交互系数jHxs的变化进行预测，并至少连续获取三个预测值，判断其中是否存在超过预测值的部分，如果存在，将超过预测值的部分确定为异常预测值，以及产生该异常预测值时的时间节点，以该时间节点为风险节点；确定了风险节点后，用户能够确定产生风险的时间。

步骤502、依据线性回归预测模型，对工作状态参数集及交互系统响应数据集中的参数进行预测，确定在该风险节点上出超过相应阈值的参数，并确定为异常参数，结合异常参数及相应的风险节点，向外部发出预警；依据发出的预警，使用户能够进行提前处理；

步骤503、在工作状态参数集及交互系统响应数据集中的参数存在异常时，从公开渠道或者知识图谱上，预先检索及摘取与之相应的应对方案，汇总后构建应对策略库；在发出预警后，依据异常参数从应对策略库中匹配出相应的应对策略。

在需要时，能够从应对策略库选择相对应的策略，解决当前或者即将存在的问题；在获取预警的基础上，继续从应对策略库中匹配到合适的应对策略并输出，从而便于维护交互系统及交互设备。

使用时，结合步骤501至503中的内容：

依据若干个交互系数jHxs拟合形成jHxs拟合函数，并且构建应对策略库，在确定了风险节点及异常参数后，依据异常参数从应对策略库中匹配出相应的应对策略，在进行评价、预测的基础上，输出应对策略，使用户能够进行针对性的处理，使交互系统及交互设备在可能会产生运行风险时，及时进行处理，并保持交互设备及交互系统的正常运行。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (10)

1.基于虚拟现实人机交互系统的评价方法，其特征在于：包括步骤：

通过判断图像间的相似度，获取工作完成度对工作任务的执行形成评价，并基于执行工作任务的过程，采集参数并建立交互数字孪生模型；在工作完成度超过预期时，依据用户和交互系统间的交互数据，建立系统响应数据集，据此构建交互效率系数Jxs，依据若干个交互效率系数Jxs中超出相应阈值的比例，形成功能比Gnb，从而对交互系统的功能性形成评价；

在功能比Gnb高于预期时，检测交互设备的运行状态并建立工作状态参数集，且进一步构建性能检测数据集，基于其中的参数关联形成性能评价系数Nxs；基于若干个交互效率系数Jxs中高于相应阈值的比例，形成性能比Xnb，对交互系统所依托的交互设备进行评价；

获取性能比Xnb，并在性能比Xnb高于预期时，基于性能比Xnb及功能比Gnb，关联获取交互系数jHxs，在交互系数jHxs存在多个时，对交互系数jHxs的变化趋势进行拟合，将形成的jHxs拟合函数输出；

依据jHxs拟合函数对交互系数jHxs的变化进行预测，形成预测值并判断交互系统的运行风险，如果存在运行风险，向外部发出预警，并且将可能产生运行风险的风险节点输出，如果存在应对策略，则将应对策略一并输出。

2.根据权利要求1所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

依据工作任务的内容确定工作完成后的状态，获取达到预期成果时的预期图像；

依据成像交互设备对工作过程进行成像，并在工作任务结束后获取工作的成果成像，检测预期图像与成果图像之间的相似度，以相似度作为工作完成度；

在工作完成度高于相应阈值的条件下，基于工作过程的图像及采集到数据，建立交互数字孪生模型；工作完成度低于相应阈值，则向外部发出预警。

3.根据权利要求1所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

工作完成度高于相应阈值时，获取用户和交互系统之间的交互数据，在用户发出工作指令时，依据客户发出指令与交互系统接收到指令的时间差，获取交互系统的交互延迟Jc；

并获取交互系统的做出响应的速度，获取响应速度Xs，在交互设备做出响应后，依据交互系统做出的响应与指令的相似性，确定响应的准确率Zq；获取交互延迟Jc、响应速度Xs及准确率Zq，建立交互系统响应数据集。

4.根据权利要求3所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

获取交互延迟Jc、响应速度Xs及准确率Zq，无量纲处理后，关联形成交互效率系数Jxs；其中，交互效率系数Jxs的关联方式如下公式：

其中，参数的意义为：0≤α≤1，0≤β≤1，且α²+β²＝1，α、β为权重，其具体值可由用户调整设置；

当前交互效率系数Jxs未能达到预期时，重复执行工作任务，获取若干个交互效率系数Jxs，确定若干个交互效率系数Jxs中高于相应阈值的比例，形成并输出功能比Gnb。

5.根据权利要求4所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

在功能比Gnb高于预期，且交互设备处于持续运行状态下时，沿着时间轴设置若干个检测点，分别在检测点上的运行功率，形成工作功率eH；并在完成工作任务的过程中，获取各个检测点上的任务处理效率xL及交互设备的工作温度T；汇总工作功率eH、处理效率xL及工作温度T，建立工作状态参数集。

6.根据权利要求5所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

基于交互数字孪生模型及交互设备工作状态参数集，对交互设备的工作过程进行模拟，至少获取多组的工作功率eH、处理效率xL及工作温度T；

基于工作功率eH、处理效率xL及工作温度T的数据变化，分别确定相应的变化趋势，并进行可视化处理；设置若干个等间隔的时间点，分别在拟合函数上获取两个相邻的时间点上数据间的斜率，将若干个斜率平均并获取平均斜率，作为数据变化率；

分别获取功率变化率Nb、效率变化率Cb及温度变化率Tb，建立性能检测数据集。

7.根据权利要求6所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

获取功率变化率Nb、效率变化率Cb及温度变化率Tb，无量纲化后，关联形成性能评价系数Nxs；其中，性能评价系数Nxs的形成方式符合如下公式：

其中，θ、γ为权重系数，0≤θ≤1，0≤γ≤1，C为修正系数，具体值可由用户调整设置，或者通过函数进行拟合后确定系数的大小，R为功率变化率Nb与效率变化率Cb之间的相关性系数。

8.根据权利要求7所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

连续获取若干个性能评价系数Nxs，获取若干个交互效率系数Jxs中高于相应阈值的比例，获取性能比Xnb；在性能比Xnb高于相应阈值时，获取性能比Xnb及功能比Gnb，无量纲化处理后，关联获取交互系数jHxs；其中，交互系数jHxs获取方式如下：

其中，D为修正系数，具体值可由用户调整设置，R为性能比Xnb及功能比Gnb之间的相关性系数；

获取若干组交互系数jHxs，依据交互系数jHxs的变化进行函数拟合，在经过K-S验证后，将获取的jHxs拟合函数输出。

9.根据权利要求8所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

依据jHxs拟合函数对交互系数jHxs的变化进行预测，并至少连续获取三个预测值，判断其中是否存在超过预测值的部分，如果存在，将超过预测值的部分确定为异常预测值，以及产生该异常预测值时的时间节点，以该时间节点为风险节点。

10.根据权利要求9所述的基于虚拟现实人机交互系统的评价方法，其特征在于：

依据线性回归预测模型，对工作状态参数集及交互系统响应数据集中的参数进行预测，确定在该风险节点上出超过相应阈值的参数，并确定为异常参数，结合异常参数及相应的风险节点，向外部发出预警；

在工作状态参数集及交互系统响应数据集中的参数存在异常时，预先检索及摘取与之相应的应对方案，汇总后构建应对策略库；在发出预警后，依据异常参数从应对策略库中匹配出相应的应对策略。

Images