[发明专利]一种基于决策树的飞行训练特情智能生成方法

说明书

本发明提供一种基于决策树的飞行训练特情智能生成方法，设计了模型构建模块和模型推理模块，其中模型构建模块读取特征提取后的训练案例数据，通过这些训练案例数据学习飞行特情训练方案制定规则，完成决策树模型构建；其中模型推理模块使用构建好的决策树模型和受训人员的飞行特情训练评价数据动态生成飞行训练特情。在使用本方法进行仿真训练时便可获得实时的、动态的飞行训练特情。本方法可增强训练内容的针对性和随机性，减少在仿真飞行训练中特情训练方案制定所耗费的时间，有效提升训练效果。

技术领域

本发明涉及计算机飞行器操作仿真技术领域，尤其涉及一种基于决策树的飞行训练特情智能生成方法。

背景技术

飞行器在工作过程中发生故障等特情的概率较小，发生特情的时间绝大多数情况下完全随机，且训练计划的制定对于受训人员来说应因人而异，所以在仿真飞行训练领域，目前还没有完整、成熟的特情智能生成技术。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。本方法与现有技术相比，优势主要体现在特情生成时，极大减少了程序设计人员的主观因素对特情生成结果的影响，尽可能复现了训练案例数据所蕴含的特情训练思想，对不同的受训人员生成具有针对性的特情训练方案。

发明内容

针对上述现有技术的不足，提供一种基于决策树的飞行训练特情智能生成方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于决策树的飞行训练特情智能生成方法，包括如下步骤：

步骤1：建立飞行特情训练评价指标体系，将受训人员各项特情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；

所述飞行特情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特情训练内容掌握情况；

(2)训练间隔：距上一次训练间隔时间；

(3)任务重要度：在多项飞行特情发生时，处理该飞行特情的紧急程度；

(4)困难度：处理该飞行特情的难易程度；

(5)误操作可能性：处理该飞行特情时，错误操作的可能性；

(6)误操作危险度：处理该飞行特情时，发生错误操作的危险程度。

所述训练案例数据即是在经过实践证明的已经取得了优异效果的针对个人的训练方案数据，训练案例数据包含受训人员的特情训练评价与该特情在此情况下是否进行训练的信息；

所述受训人员各项特情训练情况为即将使用本方法进行特情内容生成的使用人员数据，不包含是否训练信息。

这里所说的对应是指评价上述两份数据的指标体系相同。训练案例数据为训练集，受训人员各项特情训练情况数据为测试集。

步骤2：依照决策树流程设计模型构建模块，从数据库中读取对应受训人员的训练案例数据，作为该受训人员决策树建立的训练集，完成决策树模型的结构和参数构建，并将该受训人员所对应的训练好的决策树模型存储到数据库中；

步骤2.1：定义数据容器，将从数据库读入内存的受训人员的训练案例数据保存到容器中并构建成当前样本属性集合T，以供决策树算法所需；

步骤2.2：决策树模型构建依赖于信息熵Ent(T)，假定当前样本属性集合T中第k类样本所占的比例为P_k(k＝1,2，…|y|)，根据信息熵计算公式

计算当前属性集合T每种特征的信息熵；