一种航空管制模拟训练智能教学方法和系统技术方案

本发明专利技术提出一种航空管制模拟训练智能教学方法和系统。其中，方法包括：根据教学需求提炼出重要的管制考核知识点，并将训练想定进行知识点关联标记，建立基础的管制知识图谱，即Q矩阵，从而实现主观评估方法的数字化和量化，为评估提供更加有力的客观依据。为实现1对1的个性化教学以及智试题推荐，本发明专利技术参考了人工智能在教育领域的研究成果，采用认知诊断方法对学员进行认知诊断分析，建立学员的认知模型。最后，本发明专利技术提出了一种试题推荐方法，其将结合学员的认知模型以及数据库中的知识图谱，预测学员的得分情况，并基于得分预测进行合理的试题推荐。的试题推荐。的试题推荐。

【技术实现步骤摘要】
一种航空管制模拟训练智能教学方法和系统


[0001]本专利技术属于航空管制模拟训练教学领域，尤其涉及一种航空管制模拟训练智能教学方法和系统。

技术介绍

[0002]目前，国内高校使用航空管制模拟训练系统对学员进行管制技能方面的上机教学培训。教学系统一般会根据学员在上机过程中的实施指挥情况，自动采集训练过程数据，并根据内置的评估指标及评判规则对学员进行业务技能和知识掌握情况的考核分析，最终单向输出评估结果。
[0003]教学系统现存以下问题：1、目前，管制人员的培训考核机制缺乏一定的客观性，其仍采用教员主观打分方式。而且，最终的得分无法直观展示出培训人员对于管制技能的掌握情况；2、现有教学系统不具备智能教学特征。一方面是指，训练想定仍采用人工编辑方式，且想定编辑过程较为繁琐，这样使得教员的工作量没有被减少反而增加。另一方面则是指，教学内容呈现出僵硬化，系统不能根据培训人员的实际掌握情况而自动生成具有针对性的训练想定。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出一种航空管制模拟训练智能教学方法和系统的技术方案，以解决上述技术问题。
[0005]本专利技术第一方面公开了一种航空管制模拟训练智能教学方法，所述方法包括：步骤S1、建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；步骤S2、建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；步骤S3、根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；步骤S4、根据学员潜在作答情况，向不同的学员推荐个性化试题。
[0006]根据本专利技术第一方面的方法，在所述步骤S1中，所述知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法和调配方法；所述试题库Q矩阵是一种元素取0~1的分数向量矩阵，所述试题库Q矩阵的元素取值越大说明训练想定包含知识点的比重高。
[0007]根据本专利技术第一方面的方法，在所述步骤S2中，所述利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数的方法包括：
其中，表示第χ个学员；表示第χ个学员预估成绩与真实成绩的平均误差代价函数；m为训练想定个数；n为知识点个数；为超参数；表示第χ个学员对第j个知识点的学习权重值；T表示转置；表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；表示第χ个学员对第l种训练想定中获得的分数。
[0008]根据本专利技术第一方面的方法，在所述步骤S2中，所述求解所述平均误差代价函数的方法包括：根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。
[0009]根据本专利技术第一方面的方法，在所述步骤S3中，所述根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况的方法包括：其中，表示学员的作答情况；表示总体平均得分；表示学员个性学习状态；表示特定学员
푆
푢
的潜在特征向量；表示特定训练想定练习v的潜在特征向量；表示学员的个性学习状态和学员之间共性的学习状态的比例参数，超参数。
[0010]根据本专利技术第一方面的方法，在所述步骤S3中，所述学员个性学习状态的求取方法包括：从学员认知诊断模型矩阵θ中提取的特征向量，将作为概率矩阵分解的先验信息：
其中，表示学员
푆
푢
的学习得分先验程度，认知诊断模型矩阵θ第u行的平均值；表示训练想定练习v的先验得分程度，认知诊断模型矩阵θ第v列的平均值；表示诊断模型矩阵θ的第u行的第i个元素；V为第u行元素的总数；表示诊断模型矩阵θ的第v列的第i个元素；U为第v列元素的总数。
[0011]根据本专利技术第一方面的方法，在所述步骤S3中，所述特定学员
푆
푢
的潜在特征向量和特定训练想定练习v的潜在特征向量的求取方法包括：利用概率矩阵分解法将学员的得分矩阵分解成学员的特征矩阵M和训练想定练习的特征矩阵N，从而得到所述特定学员
푆
푢
的潜在特征向量和特定训练想定练习v的潜在特征向量 。
[0012]本专利技术第二方面公开了一种航空管制模拟训练智能教学系统，所述系统包括：第一处理模块，被配置为，建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；第二处理模块，被配置为，建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；第三处理模块，被配置为，根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；第四处理模块，被配置为，根据学员潜在作答情况，向不同的学员推荐个性化试题。
[0013]根据本专利技术第二方面的系统，第一处理模块，被配置为，所述知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法和调配方法；所述试题库Q矩阵是一种元素取0~1的分数向量矩阵，所述试题库Q矩阵的元素取
值越大说明训练想定包含知识点的比重高。
[0014]根据本专利技术第二方面的系统，第二处理模块，被配置为，所述利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数包括：其中，表示第χ个学员；表示第χ个学员预估成绩与真实成绩的平均误差代价函数；m为训练想定个数；n为知识点个数；为超参数；表示第χ个学员对第j个知识点的学习权重值；T表示转置；表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；表示第χ个学员对第l种训练想定中获得的分数。
[0015]根据本专利技术第二方面的系统，第二处理模块，被配置为，所述求解所述平均误差代价函数包括：根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。
[0016]根据本专利技术第二方面的系统，第三处理模块，被配置为，所述根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况包括：其中，表示学员的作答情况；表示总体平均得分；表示学员个性学习状态；表示特定学员
푆
푢
的潜在特征向量；表示特定训练想定练习v的潜在特征向量；表示学员的个性学习状态和学员之间共性的学习状态的比例参数，超参数。
[0017]根据本专利技术第二方面的系统，第三理模块，被配置为，所述学员个性学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航空管制模拟训练智能教学方法，其特征在于，所述方法包括：步骤S1、建立试题库和知识点的关联矩阵：根据训练想定和知识点的匹配情况，得到知识点为矩阵的列，训练想定为矩阵的行的关联矩阵，即试题库Q矩阵；所述关联矩阵的元素表示训练想定包含知识点的比重；步骤S2、建立学员认知诊断模型：利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数，求解所述平均误差代价函数，得到学员对知识点的学习权重矩阵，即认知诊断模型矩阵；步骤S3、根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况；步骤S4、根据学员潜在作答情况，向不同的学员推荐个性化试题。2.根据权利要求1所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S1中，所述知识点包括：各机型开车时间、各机型暖机时间、滑行间隔标准、跑道间隔标准、飞行水平/垂直安全间隔标准、标准飞行指挥用语、转场飞行规则、进出空域规则、降落方法、出航方法和调配方法；所述试题库Q矩阵是一种元素取0~1的分数向量矩阵，所述试题库Q矩阵的元素取值越大说明训练想定包含知识点的比重高。3.根据权利要求1所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S2中，所述利用所述关联矩阵和学员的得分矩阵，得到学员预估成绩与真实成绩的平均误差代价函数的方法包括：其中，S
χ
表示第χ个学员S
χ
；J(S
χ
)表示第χ个学员S
χ
预估成绩与真实成绩的平均误差代价函数；m为训练想定个数；n为知识点个数；θ0为超参数；表示第χ个学员S
χ
对第j个知识点的学习权重值；T表示转置；α
χj
表示训练想定包含第j个知识点的比重，即关联矩阵中的元素；g
χl
表示第χ个学员S
χ
对第l种训练想定中获得的分数。4.根据权利要求3所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S2中，所述求解所述平均误差代价函数的方法包括：根据所述平均误差代价函数符合凸函数特点，利用梯度下降算法求解所述平均误差代价函数，得到学员对每个知识点的学习权重。5.根据权利要求1所述的一种航空管制模拟训练智能教学方法，其特征在于，在所述步骤S3中，所述根据学员个性学习状态和学员之间的共性学习状态预测学员的作答情况的方法包括：
其中，η
uv
表示学员的作答情况；μ表示总体平均得分；b
uv
表示学员个性学习状态；M
u
表示特定学员
푆
푢
的潜在特征向量；N<...

【专利技术属性】
技术研发人员：王家隆，周漩，王玉柱，卢爽，张竹君，李成功，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：