[发明专利]一种用于管制员智能评价的进化神经网络、权重更新方法和装置

权利要求书

1.一种用于管制员智能评价的进化神经网络，其特征在于：

所述进化神经网络的结构包括顺序设置的以下各层：

第一输入层，包括多个与二级指标一一对应的节点，所述二级指标是指用于评价管制工作操作的指标，所述管制智能模拟机中记录的任一计算机操作与所有二级指标中至少一个二级指标对应；所述二级指标为从多个地区空管局的考核指标中利用德菲尔法筛选出来的且满足可计算机代码化、可量化的指标；所述第一输入层的节点中的数据为对应的管制智能模拟机中记录的计算机操作中的数据经过归一化后获得；

第二输入层，包括5个与一级指标一一对应的节点，所述一级指标标分别为规则、通话、安全、效率、人机界面；

人工权重层，包括5个与一级指标一一对应的节点，所述人工权重层的节点中的数值为第二输入层中的节点中的数据与人工赋权求积后获得；

NEAT神经网络隐藏层，用于对神经网络的拓扑结构进行自适应化的学习和优化；

第一输出层，包括5个与一级指标一一对应的节点，每个节点的数值为对应的一级指标的打分结果；

第二输出层，包括1个节点，该节点为根据第一输出层的节点加权获得的综合打分结果；

所述进化神经网络以管制智能模拟机中记录的计算机操作作为输入以及对应的打分结果作为输出训练进化神经网络；其中，所述人工权重层在训练时使用的初始人工赋权默认值的权重为通过反向传播神经网络训练获得。

2.根据权利要求1所述的进化神经网络，其特征在于：所述训练时使用的初始人工赋权默认值的权重为通过反向传播神经网络训练获得包括：

以管制智能模拟机中记录的计算机操作作为输入以及对应的打分结果作为输出训练反向传播神经网络，所述反向传播神经网络的输入层结构与所述进化神经网络的第一输入层相同，所述反向传播神经网络的输出层结构与所述进化神经网络的输出层结构相同。

3.根据权利要求2所述的进化神经网络，其特征在于：所述通过反向传播神经网络训练获得的第二输入层中与一级指标一一对应的节点的权重为：规则0.20405669、通话0.135801045、安全0.27565417、效率0.18206525、人机界面0.20021345。

4.根据权利要求1所述的进化神经网络，其特征在于：所述反向传播神经网络采用的激活函数为ReLU函数，使用均方误差MSE为损失函数，采用正则化和梯度下降的优化方法。

5.根据权利要求1所述的进化神经网络，其特征在于：所述在训练好后使用该进化神经网络进行管制员智能评价时，所述人工赋权时各个节点的权值范围为0～0.4。

6.根据权利要求1所述的进化神经网络，其特征在于：所述进化神经网络在训练时，采用的激活函数为ReLU函数，采用的损失函数为均方误差MES，优化方法为包含正则化的梯度下降。

7.根据权利要求1所述的进化神经网络，其特征在于：所述进化神经网络在训练时，NEAT神经网络隐藏层使用交叉变异方法，个体选择方法为轮盘赌方法，评价方法为适应度函数。

8.根据权利要求1所述的进化神经网络，其特征在于：所述NEAT神经网络的编码初始化网络方法为使用遗传编码方案。

9.一种基于进化神经网络的管制员智能评价的权重更新方法，其特征在于：在采用权利要求1至8中任意一项所述的神经网络进行管制员智能评价过程中，对人工权重层的人工赋权根据培训阶段、地区、单位的不同需要进行调整。

10.一种基于进化神经网络的管制员智能评价装置，其特征在于：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求9所述方法的步骤。