[发明专利]一种基于机器学习的飞行员场景适用性诊断方法及系统

权利要求书

1.一种基于机器学习的飞行员场景适用性诊断方法，其特征在于，所述诊断方法包括如下步骤：

获取历史飞行运行数据；所述历史飞行运行数据包括飞行自然环境参数、飞行状态参数、设备状态参数和飞行员操作参数的多条飞行运行记录；

对所述历史飞行运行数据进行数据降维，获得降维后的多个主成分特征；多个所述主成分特征包括飞行运行数据中的高维参数信息降维整合后的环境条件信息和人员操作信息；所述高维参数信息包括飞行自然环境参数、飞行状态参数、设备状态参数和飞行员操作参数；

根据解释信息差异将多个主成分特征划分至环境条件特征集合和人员操作特征集合，并构建每个主成分特征集合对应的主成分特征向量；所述解释信息是指由飞行自然环境参数、飞行状态参数和设备状态参数构成的环境条件信息，以及由飞行员操作参数构成的人员操作信息；

对所述环境条件特征集合中的所述主成分特征向量进行聚类分析，获得场景类别的聚类结果；

采用飞行技能评分算法计算每条飞行运行记录的技能评分和绩效，根据所述场景类别转化为飞行员的场景适用性；

分别将所述人员操作特征集合中的所述主成分特征向量和场景类别作为输入，将飞行员的场景适用性作为输出，构建样本数据集；

利用所述样本数据集训练多个分类模型，确定训练后表现最好的一个分类模型；

在新的样本数据集上应用所述分类模型，输出新的场景类别下飞行员场景适用性的预测结果；

根据所述分类模型计算影响飞行员场景适用性预测结果的显著因素，确定每个场景类别下的每种飞行技能对应的显著因素集合；

根据显著因素集合对应的各项技能评分情况，分别定位每个场景类别下待诊断飞行员的技能优势和技能短板。

2.根据权利要求1所述的基于机器学习的飞行员场景适用性诊断方法，其特征在于，所述采用飞行技能评分算法计算每条飞行运行记录的技能评分和绩效，根据所述场景类别转化为飞行员的场景适用性，具体包括：

采用模糊综合评判法、TOPSIS评价法和/或灰色关联度分析法，根据每个飞行运行记录，计算每个飞行运行记录对应的飞行员的各项技术评分和能力评分；

根据每个飞行运行记录对应的飞行员的各项技术评分和能力评分，利用公式CBPⁱ＝f(SS_k,AS_l,θ,λ|Condition＝i)，计算每个飞行员对应的场景适用性；

其中，CBPⁱ表示飞行员在场景类别i下的场景适用性；场景类别i为主成分特征向量所属的场景类别，SS_k表示场景类别i下的第k个飞行技术的技术评分，AS_l表示场景类别i下的第l个飞行能力的能力评分，θ表示飞行员操作参数的重要性，λ表示场景类别i下的任务数量，f(·)表示飞行绩效计算函数；

确定每个飞行员对应的场景适用性所属的场景适用性等级。

3.根据权利要求1所述的基于机器学习的飞行员场景适用性诊断方法，其特征在于，根据所述分类模型计算影响飞行员场景适用性预测结果的显著因素，确定每个场景类别下的每种飞行技能对应的显著因素集合，具体包括：

根据训练后的分类模型计算每个主成分特征的特征重要性；

筛选出特征重要性较大的多个主成分特征，作为影响飞行员场景适用性分类结果的显著因素；

根据待诊断飞行员的所述飞行技能评分与显著因素的映射关系，构建每个场景类别下的每种飞行技能对应的显著因素集合。

4.根据权利要求3所述的基于机器学习的飞行员场景适用性诊断方法，其特征在于，所述根据所述分类模型计算特征重要性，具体包括：

根据训练后的分类模型，利用公式进行逆向运算，确定每个主成分特征的特征重要性；

其中，表示训练后的分类模型的预测结果，CI^T表示特征重要性向量，F表示主成分特征向量，F₁、F₂和F_p分别表示第1个、第2个和第P个主成分特征，和分别表示第1个、第2个和第p个主成分特征的特征重要性，g(·)表示特征重要性拟合函数。