基于BP网络的机组工作量评估范文

本站小编为你精心准备了基于BP网络的机组工作量评估参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《飞机设计杂志》2014年第三期

1方法

1.1试验设计试验设计的目的是保证被试能够在尽可能逼真的条件下完成飞行任务，以便对整个飞行过程的工作负荷进行评估。模拟飞行的起飞机场选为南京禄口机场，降落机场为武汉天河机场。

1.1.1机型及故障的选择为区分工作负荷的大小，选择了塞斯纳-172型（传统仪表盘）、波音B737、空客A320、空客A380四种机型作为研究对象，并针对不同飞行阶段设定了自动油门丧失、单侧供油故障及单发停车三类故障。

1.1.2飞行阶段的制定根据民航惯例，民用飞机通常分为以下6个阶段：（1）地面阶段：G1地面滑行，G2飞机静止（系统工作），G3维修。（2）起飞阶段：T1起飞滑跑（抬前轮之前），T2起飞（抬前轮之后），T3中断飞行。（3）飞行中：F1爬升，F2收起落架，F3放起落架，F4巡航，F5下降，F6进场，F7复飞，F860m到着地，F9其他。（4）着陆阶段：L1着陆滑跑、L2反推力刹车。

1.1.3飞行程序的制定飞行程序指的是在不同飞行阶段，飞行员为完成指定任务所进行的操作与监控活动的顺序。具体飞行程序相当复杂，且因机型不同而异。此处不做论述。

1.2被试者共15名民航飞行学院的飞行员参加了试验，全部为男生，被试年龄在22~27岁之间，平均年龄为24.5岁，所有被试视力正常、心理素质良好、飞行技术过硬。

1.3生理指标及测量设备的确定该论文主要任务是对机组工作量进行评估，而机组工作属于情景意识范畴，此时被试心率变化较明显，能反映工作负荷。同时，廖建桥（1995）也在其论文中证实了心率、脑电与工作负荷之间存在某种映射关系。除此之外，Kilseop等人（2005）的试验也证明了眼动、脑电和心率3个生理指标与脑力负荷关系紧密，可以在一定程度上反映脑力负荷的大小。综上所述，本论文可以选择眨眼率、心率、脑电作为神经网络的输入。根据生理指标，确定相应测量设备。眨眼率的测量采用美国应用科学实验室（AppliedScienceLaboratory,ASL）生产的ASL504非头盔式眼部跟踪记录仪；脑电的测量采用国产数字式光电隔离脑电放大器；心率的测量采用北京超思电子有限公司生产的MD100A手持式心电检测仪。

1.4主观评定法三种经典的主观评定法分别是库柏哈柏方法、主观负荷评估技术（SubjectiveWorkloadAssessmentTechnique，SWAT）和美国航空航天局任务负荷指数（NationalAeronauticsandSpaceAdministration-TaskLoadIndex，NASA-TLX），其中，NASA-TLX法更为直观、简便，本论文将其选为网络的输出。NASA-TLX量表分别由脑力要求、体能要求、时间要求、努力程度要求、绩效水平及受挫程度6个条目组成。表中对应的每一条目均为标有刻度的20等分的线段，每一条目的分值由左向右依次增大，最左端为0、最右端为100。根据主观感受，作业者可在每一条目的相应位置进行标注；然后将六条目的权重进行排序，由被试者赋予它们不同的权重值（6，5，4，3，2，1），6条目对总工作负荷的权重值分别为6／21，5／21，4／21，3／21，2／21及1／21。总工作负荷即为6条目的加权平均值（0~l00），分值越大，代表工作负荷越高[6]。

1.5数据收集与整理及相关性验证试验采集了15名被试分别在A320正常、B737正常、塞斯纳-172正常、A380正常、A320自动油门丧失、A320单侧供油故障、A320单发停车7种情况下，生理指标的平均值及每种情况下，主观评价值的平均值，如表1所示。本文选用生理指标值作为输入、主观评定值作为输出仅为假设，二者之间是否存在映射关系，还需进行相关性验证，验证结果如表2所示。显著性水平P均小于0.05，故假设成立，即生理指标与主观评价值之间存在映射关系。

1.6bp网络相对于其他神经网络模型，BP网络的预测精度最高，李金波在其论文中证明了这一点，故本文选其作为建模核心方法。MATLAB提供了BP网络建模的专用工具箱，使神经网络的运用更方便、高效。该论文选用MATLAB实现BP网络，代码如下。对训练模式对进行归一化net=newff(minmax(xn),[n1],{''''tansig'''',''''purelin''''},''''trainlm'''',''''learngdm'''')；设定输入输出神经元的个数及训练、传递、学习函数n=7；经测试，n=7时预测效果最好inputWeights=net.IW{1,1}；设定输入层权值inputbias=net.b{1}；设定输入层阈值layerWeights=net.IW{1,1}；设定中间层权值layerbias=net.b{2}；设定中间层阈值net.trainParam.epochs=1000；设定训练次数上限net.trainParam.goal=1e-4；设定训练精度net=train(net,xn,yn)；调用train函数对网络训练p_test=[XXX]；输入值p_test=p_test''''；对输入值进行转置t_test=[Y]；期望的输出值pn_test=tramnmx(p_test,minx,maxx)；对输入值进行归一化tn_sim=sim(net,pn_test)；对网络进行仿真、测试，得到实际的输出值t_sim=postmnmx(tn_sim,miny,maxy)；对实际输出值进行反归一化，与期望输出值对比。

2验证

为了验证该方法的实用性与可靠性，分别设定三种任务模式，对利用BP网络法得到的工作负荷与NASA-TLX表法得到的工作负荷进行比较。任务模式及生理指标如表3所示。如表3所示，对3种飞行条件下，15名被试的生理指标求平均值，带入BP网络对工作负荷进行预测。采集15名被试的NASA-TLX表评估值，并对其求平均数，数据如表4、表5所示。利用MATLAB中plot功能将两种方法的预测结果图形化，使其更直观。

3结论

由表4可知，BP网络法与NASA-TLX表法测得的主观评价值相比，后者波动明显较大，说明BP网络法更稳定。原因在于，主观评价法与被试的经验有直接关系，对于某项任务，经验丰富者的主观评价值通常低于经验匮乏者，且评价结果个体差异性大，往往需要对大样本求平均值才能得出近似结果。由表5可知，两种方法的评价结果较为接近，说明BP网络法具有较高的可信性。理论上讲，神经网络的一个输入对应一个输出，但如果训练模式对数量过少，就会出现在N次预测中，同一输入产生不同输出的情况。本文因操作和试验条件所限，只能选取7种模式作为输入对网络进行训练，网络的稳定性和精确性较差，故会产生表4所示的波动情况。实际测试中，如果训练模式对增多，输出的波动会减小，网络会更稳定，这一问题会得到很好的解决。

本文选取稳定性较高的生理指标作为输入，以BP网络作为预测工具对工作负荷进行评估，提高了评估结果的稳定性，并解决了以往主观评价法需要大量样本的缺点。利用该方法，对机组工作量进行评估时，生理指标的采集是关键，任何指标的偏差都会影响最终结果的准确性。而对于复杂人机系统中的飞行员来说，对生理指标进行测量时，需要佩戴各种设备，可能会影响到正常的飞行操作；故如何改进测量方法，使其更加简洁化是今后的研究重点。本试验仅仅对飞行进行模拟，情景意识、紧张程度与真实飞行相差甚远。各种飞行条件下所采集到的数据与实际相比，肯定存在一定差距。如实际飞行中，单发停车可能会造成机毁人亡；而模拟过程中，即便被试对危险情况处理不当，也不会对人身产生任何后果，故此时的生理指标变化量差距很大。但无论是现实与模拟，当飞行条件发生变化时，生理指标的变化趋势都是一样的，本文证明了生理指标与工作负荷存在映射这一假设。

作者：刘树强孙有朝单位：南京航空航天大学民航学院