楊 琪，黃 磊，陸 中，張子文，韓 冰

（1.南京航空航天大學(xué)民航學(xué)院，南京 211106；2.中國(guó)直升機(jī)設(shè)計(jì)研究所總體氣動(dòng)室，天津 300450）

飛行員工作負(fù)荷的大小與飛行安全緊密相關(guān)。同一時(shí)間段內(nèi)的飛行事故，由飛行員差錯(cuò)導(dǎo)致的致命事故占比58%，機(jī)械故障占比17%［1］。飛行員出現(xiàn)差錯(cuò)的原因?yàn)閳?zhí)行飛行任務(wù)時(shí)工作負(fù)荷強(qiáng)度大，應(yīng)激水平高。因此，飛行員執(zhí)行飛行任務(wù)時(shí)的工作負(fù)荷已成為民用航空器適航審定中的一個(gè)重要指標(biāo)。通過(guò)測(cè)量飛行員在執(zhí)行任務(wù)時(shí)的工作負(fù)荷，可以分析駕駛艙的設(shè)計(jì)是否合理，是否滿足適航規(guī)章的要求。對(duì)飛行員工作負(fù)荷進(jìn)行預(yù)測(cè)分析是針對(duì)25.1302“飛行機(jī)組使用的安裝系統(tǒng)和設(shè)備”、25.1523“最小飛行機(jī)組”等適航條款開(kāi)展符合性驗(yàn)證的重要內(nèi)容［2］，是保證飛機(jī)設(shè)計(jì)滿足安全性要求的重要手段。

飛行員工作負(fù)荷評(píng)價(jià)是對(duì)飛行員進(jìn)行工作負(fù)荷預(yù)測(cè)的基礎(chǔ)，針對(duì)飛行員工作負(fù)荷評(píng)價(jià)國(guó)內(nèi)外已有學(xué)者做過(guò)一定研究。飛行員工作負(fù)荷評(píng)價(jià)方法主要分為基于生理指標(biāo)參數(shù)的客觀評(píng)價(jià)和基于量表的主觀評(píng)價(jià)。針對(duì)工作負(fù)荷客觀評(píng)價(jià)，Wilson等［3］在真實(shí)飛行中，采用10名飛行員在目視飛行儀表飛行狀態(tài)下，發(fā)現(xiàn)視覺(jué)要求高的飛行場(chǎng)景下（工作負(fù)荷大），飛行員眨眼率下降；Veltman［4］驗(yàn)證了多種生理指標(biāo)（心率、心率變異性、呼吸、血壓和眨眼）在實(shí)際飛行中的可用性；Wilson等［3］在采用多生理指標(biāo)研究飛行員腦力負(fù)荷時(shí)發(fā)現(xiàn)，腦電波（Electroencephalogram，EEG）數(shù)據(jù)中的α波和δ波隨腦力負(fù)荷的變化而變化；針對(duì)工作負(fù)荷主觀評(píng)價(jià)，常用方法主要有美國(guó)國(guó)家航空航天局任務(wù)負(fù)荷指數(shù)（National Aeronautics and Space Administration task load index，NASA-TLX）量表、庫(kù)珀-哈珀（Cooper-Harper，CH）量表、主觀工作負(fù)荷評(píng)價(jià)技術(shù)（Subjective workload assessment techniques，SWAT）量表等［5］；辛甜等［6］采用NASA-TLX量表對(duì)飛行員工作負(fù)荷進(jìn)行分析，結(jié)果表明NASA-TLX方法在細(xì)化工作負(fù)荷來(lái)源具有一定優(yōu)越性；李琳君等［7］利用SWAT量表和貝德福德（Bedford）量表對(duì)直升機(jī)飛行員工作負(fù)荷進(jìn)行評(píng)價(jià)。

建立飛行員生理指標(biāo)與主觀評(píng)價(jià)值之間的映射關(guān)系是對(duì)工作負(fù)荷進(jìn)行準(zhǔn)確評(píng)價(jià)的關(guān)鍵，人工神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于該領(lǐng)域。劉樹(shù)強(qiáng)建立了基于誤差反向傳播（Back propagation，BP）神經(jīng)網(wǎng)絡(luò)的機(jī)組工作量評(píng)估模型，并采用了遺傳算法優(yōu)化了BP模型的權(quán)值和閾值［8］；李金波等以飛行員心理努力、任務(wù)主觀難度、注視時(shí)間、注視次數(shù)、主任務(wù)正確率和主任務(wù)反應(yīng)時(shí)6項(xiàng)指標(biāo)為輸入，以認(rèn)知負(fù)荷的3個(gè)等級(jí)為輸出，建立了基于BP神經(jīng)絡(luò)和自組織神經(jīng)網(wǎng)絡(luò)（Self-organization-map，SOM）的認(rèn)知負(fù)荷綜合評(píng)估模型［9］。Mazaeva等對(duì)30個(gè)EEG指標(biāo)通過(guò)主成分降維后，采用自組織神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了信息加工要求不同的任務(wù)負(fù)荷的變化［10］。

從上述文獻(xiàn)可以看出，目前對(duì)飛行員工作負(fù)荷評(píng)價(jià)的研究主要分為基于生理指標(biāo)和基于主觀量表兩方面。而生理指標(biāo)只能間接推斷工作負(fù)荷大小，無(wú)法求得生理指標(biāo)與工作負(fù)荷之間的函數(shù)關(guān)系，主觀量表的評(píng)價(jià)結(jié)果受個(gè)體差異性的影響較大。在建立生理評(píng)價(jià)和主觀評(píng)價(jià)兩者之間關(guān)系的研究中，目前的研究主要集中在通過(guò)神經(jīng)網(wǎng)絡(luò)建立兩者之間的關(guān)系，而在神經(jīng)網(wǎng)絡(luò)建模時(shí)，容易陷入局部最優(yōu)，并且在網(wǎng)格訓(xùn)練中往往需要大量數(shù)據(jù)作為訓(xùn)練樣本，并且在預(yù)測(cè)模型精度優(yōu)化方面的研究較少。

針對(duì)以上所述各類方法的不足，本文提出了一種以粒子群算法優(yōu)化的支持向量回歸機(jī)（Particle swarm optimization-support vector regression，PSO-SVR）為核心的飛行員工作負(fù)荷評(píng)價(jià)模型，綜合考慮飛行員的客觀生理指標(biāo)數(shù)據(jù)和主觀評(píng)價(jià)數(shù)據(jù)，可對(duì)飛行員工作負(fù)荷進(jìn)行準(zhǔn)確評(píng)價(jià)及預(yù)測(cè)。通過(guò)PSO優(yōu)化SVR的核函數(shù)參數(shù)和懲罰因子系數(shù)。將優(yōu)化后的參數(shù)代入SVR模型中，以飛行員生理指標(biāo)數(shù)據(jù)作為網(wǎng)絡(luò)輸入，主觀評(píng)價(jià)數(shù)據(jù)作為網(wǎng)絡(luò)輸出，建立生理指標(biāo)與主觀評(píng)價(jià)值之間的非線性映射關(guān)系。通過(guò)主觀評(píng)價(jià)實(shí)際值與預(yù)測(cè)值之間的對(duì)比，驗(yàn)證了所建模型的準(zhǔn)確性。

本文首次將支持向量回歸模型應(yīng)用在飛行員工作負(fù)荷評(píng)估上，為工作負(fù)荷評(píng)估提出一種新方法。同時(shí)為了進(jìn)一步提高工作負(fù)荷評(píng)估的精度，引入了粒子群優(yōu)化算法?；诒疚乃岱椒ǎ诤罄m(xù)需要對(duì)飛行員進(jìn)行工作負(fù)荷評(píng)價(jià)時(shí)，只需獲取其客觀生理數(shù)據(jù)，有效縮短工作負(fù)荷評(píng)估周期，同時(shí)無(wú)需飛行員進(jìn)行主觀評(píng)價(jià)，避免了由于飛行員主觀評(píng)價(jià)帶來(lái)的不確定性，提高工作負(fù)荷評(píng)價(jià)的準(zhǔn)確性。

1 模擬飛行試驗(yàn)設(shè)計(jì)

基于某型運(yùn)輸類飛機(jī)模擬駕駛艙，構(gòu)建模擬飛行試驗(yàn)?；谀M飛行試驗(yàn)，采集飛行員生理指標(biāo)數(shù)據(jù)和主觀評(píng)價(jià)數(shù)據(jù)。

1.1 模擬飛行人員選取

選取民航學(xué)院45名男飛行員參與模擬飛行試驗(yàn)，年齡在20～25歲之間，視力正常、身心健康，飛行技術(shù)過(guò)硬。

1.2 模擬飛行階段確定

參考某型運(yùn)輸類飛機(jī)飛行手冊(cè)，對(duì)整機(jī)運(yùn)行所有階段進(jìn)行模擬，各階段劃分如圖1所示。

圖1 模擬飛行階段Fig.1 Simulated flight phase

各階段描述如下。

滑出：飛機(jī)從停放位置移動(dòng)到跑道；

起飛滑跑：釋放剎車到離地之前；

起飛：離地35英尺；

起飛爬升：離地35～1500英尺；

爬升：離地1500～20000英尺；

巡航：飛機(jī)水平，離地高度大于20000英尺；

下降：離地大于20000英尺的任何高度到1500英尺；

等待：離地1500～20000英尺的任何高度；

進(jìn)近：離地1500～100英尺；

著陸：離地100英尺到接觸地面；

著陸滑跑：接觸地面到速度達(dá)到滑行速度；

滑入：跑道至機(jī)場(chǎng)航站樓。

各階段的持續(xù)時(shí)間分別為：滑出5min，起飛滑跑26.9 s，起飛5.5 s，起飛爬升1min，爬升6min，巡航45min，下降12min，等待根據(jù)實(shí)際情況，進(jìn)近3.5 min，著陸10s，著陸滑跑20s，滑入5min。

1.3 模擬飛行狀態(tài)選取

為了增加試驗(yàn)數(shù)據(jù)量，輔助SVR建模分析，通過(guò)改變飛機(jī)飛行狀態(tài)，增加飛行員的工作負(fù)荷，設(shè)計(jì)正常模擬飛行狀態(tài)和非正常模擬狀態(tài)，非正常模擬狀態(tài)包括主飛行顯示器（Primary flight display，PFD）顯示失效、單發(fā)失效、PFD顯示和單發(fā)同時(shí)失效。

1.4 模擬飛行場(chǎng)景設(shè)計(jì)

模擬飛行場(chǎng)景由模擬飛行階段和模擬飛行狀態(tài)組合而成，設(shè)計(jì)如表1所示的模擬飛行場(chǎng)景。

表1 模擬飛行場(chǎng)景Table1 Simulated flight scene

1.5 試驗(yàn)數(shù)據(jù)采集

本飛行試驗(yàn)主要采集飛行員的生理指標(biāo)數(shù)據(jù)以及主觀評(píng)價(jià)數(shù)據(jù)，生理指標(biāo)數(shù)據(jù)與主觀評(píng)價(jià)數(shù)據(jù)均為多次測(cè)量后的平均值。

飛行員在進(jìn)行信息處理（工作負(fù)荷發(fā)生變化）時(shí)，中樞神經(jīng)系統(tǒng)會(huì)活動(dòng)，與之相關(guān)的生理指標(biāo)也會(huì)有所變化，因此可以通過(guò)測(cè)量生理指標(biāo)的變化進(jìn)而評(píng)價(jià)工作負(fù)荷［11］。生理指標(biāo)評(píng)價(jià)方法中所使用的指標(biāo)按照涉及的生理器官功能分為3大類：與心臟活動(dòng)相關(guān)的生理指標(biāo)、與眼睛活動(dòng)相關(guān)的指標(biāo)以及與大腦活動(dòng)相關(guān)的生理指標(biāo)。飛行員執(zhí)行飛行任務(wù)需要對(duì)界面進(jìn)行監(jiān)控，而在視覺(jué)監(jiān)控任務(wù)中，被試人員的瞳仁、眨眼率變化顯著［12］；劉樹(shù)強(qiáng)通過(guò)相關(guān)性分析對(duì)飛行員心率、眨眼率、腦電功率與工作負(fù)荷主觀評(píng)價(jià)值的相關(guān)性進(jìn)行分析，結(jié)果表明所選生理指標(biāo)數(shù)據(jù)與主觀評(píng)價(jià)數(shù)據(jù)存在相關(guān)性［8］；Kilseop等通過(guò)實(shí)驗(yàn)也證明了眼動(dòng)、腦電功率和心率與工作負(fù)荷存在相關(guān)性，可以在一定程度上反映工作負(fù)荷大小［13］。因此，本文選取腦電功率、心率和眨眼率3項(xiàng)生理指標(biāo)作為PSO-SVR模型的輸入。腦電功率通過(guò)KT88-2400數(shù)字腦電儀進(jìn)行采集分析；心率通過(guò)MD100A心電檢測(cè)儀進(jìn)行采集；眨眼率通過(guò)ASL504眼部跟蹤儀進(jìn)行采集。

目前常用的工作負(fù)荷主觀評(píng)價(jià)法是CH量表法、SWAT量表法和NASA-TLX量表法。SWAT量表通過(guò)3個(gè)維度對(duì)工作負(fù)荷進(jìn)行評(píng)估，NASA-TLX量表通過(guò)6個(gè)維度對(duì)工作負(fù)荷進(jìn)行評(píng)估，相對(duì)于SWAT量表更為全面，評(píng)估值更準(zhǔn)確。CH量表通過(guò)飛行員操縱飛機(jī)的主觀感受，主要用于評(píng)估飛機(jī)的操縱性是否良好。因此在選用主觀評(píng)估量表時(shí)采用NASA-TLX量表獲取飛行員的工作負(fù)荷主觀評(píng)估值［14］。

2 基于PSO?SVR的工作負(fù)荷預(yù)測(cè)模型

粒子群算法通過(guò)優(yōu)化SVR模型中核函數(shù)的兩個(gè)重要參數(shù)：懲罰系數(shù)c和核函數(shù)參數(shù)g，從而提高算法的預(yù)測(cè)精度。本節(jié)包含構(gòu)建基于SVR算法的飛行員生理指標(biāo)數(shù)據(jù)與主觀評(píng)價(jià)數(shù)據(jù)之間的非線性映射關(guān)系以及基于PSO的SVR模型參數(shù)優(yōu)化兩部分。

2.1 面向飛行員工作負(fù)荷預(yù)測(cè)的SVR模型

支持向量回歸算法是基于統(tǒng)計(jì)學(xué)原理對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，以建立樣本輸入與輸出之間的非線性映射關(guān)系。本文采用非線性回歸ε-SVR對(duì)飛行員工作負(fù)荷預(yù)測(cè)進(jìn)行研究。

樣 本 數(shù) 據(jù) 集{(x1，y1)，(x2，y2)，…，(x30，y30)}，xi=(xi1，xi2，xi3)，i=1～30，表 示 第i組 樣 本 的 生理指標(biāo)數(shù)據(jù)；xi1為第i組樣本的腦電功率值；xi2為第i組樣本的心率；xi3為第i組樣本的眨眼率；yi為第i組樣本的NASA-TLX評(píng)分值。

本文通過(guò)徑向基核函數(shù)將樣本數(shù)據(jù)集中的x映射到高維特征空間并進(jìn)行線性回歸，即有

式中g(shù)為核函數(shù)參數(shù)。

SVR算法結(jié)構(gòu)如圖2所示，回歸函數(shù)為

圖2 工作負(fù)荷預(yù)測(cè)的SVR算法結(jié)構(gòu)圖Fig.2 SVR algorithm structure diagram for workload prediction

為求c和b，引入損失函數(shù)有

式中ε為不敏感系數(shù)，本文取值為0.01 。

所有樣本點(diǎn)與回歸函數(shù)r(x)之間距離都小于ε，結(jié)合結(jié)構(gòu)分險(xiǎn)最小（Structure risk minimization，SRM）準(zhǔn)則，回歸問(wèn)題等價(jià)于二次凸優(yōu)化問(wèn)題，即

式中ξi、為松弛因子。

2.2 基于粒子群算法的SVR參數(shù)優(yōu)化

粒子群優(yōu)化算法是一種啟發(fā)式優(yōu)化算法，通過(guò)一組候選解（粒子）借助速度和位置更新公式在解空間內(nèi)移動(dòng)以解決優(yōu)化問(wèn)題。粒子的移動(dòng)由自身經(jīng)驗(yàn)和最優(yōu)個(gè)體的經(jīng)驗(yàn)進(jìn)行調(diào)整，最終找到最佳位置［15］。

目前對(duì)SVR參數(shù)進(jìn)行優(yōu)化的方法主要有試湊法、網(wǎng)格搜索法和隨機(jī)算法等。試湊法依賴于分析人員的經(jīng)驗(yàn)，主觀性較強(qiáng)；網(wǎng)格搜索法需要遍歷網(wǎng)格內(nèi)的所有參數(shù)點(diǎn)，操作復(fù)雜；隨機(jī)算法中使用較多的是遺傳算法，遺傳算法在處理高維樣本問(wèn)題時(shí)，算法的收斂速度、精度有一定的限制。粒子群算法相對(duì)于其他算法而言參數(shù)設(shè)置較少、收斂速度較快且全局搜索能力較強(qiáng)，且模型簡(jiǎn)單易于實(shí)現(xiàn)，通用性較強(qiáng)［16］。因此，本文采取粒子群算法對(duì)SVR參數(shù)進(jìn)行全局優(yōu)化搜索。

本文中粒子的位置代表待優(yōu)化參數(shù)c和g的值，粒子的速度代表c和g的變化率。設(shè)種群中粒子總數(shù)為n，第k代種群中各粒子的位置可以表示為

第k代群中各粒子的速度可以表示為

對(duì)懲罰系數(shù)c和核函數(shù)參數(shù)g進(jìn)行優(yōu)化，其流程如圖3所示。

圖3 基于PSO的SVR參數(shù)優(yōu)化流程Fig.3 SVR parameter optimization process based on PSO

（1）初始化參數(shù)c和g的值及其變化率懲罰系數(shù)c和核函數(shù)參數(shù)g初始化為式中：c(max)、c(min)、g(max)、g(min)分別為參數(shù)c和g的最大值和最小值，r為（0，1）之間的隨機(jī)數(shù)，i為粒子序號(hào)。

懲罰系數(shù)c和核函數(shù)參數(shù)g變化率為

（2）計(jì)算參數(shù)c和g對(duì)應(yīng)的初始適應(yīng)度值

選用K折交叉驗(yàn)證法樣本數(shù)據(jù)集yi的均方誤差（Mean square error，MSE）作為適應(yīng)度函數(shù)有

式中：yi(θ)為第i位飛行員的NASA-TLX評(píng)分值；y?i(θ)為第i位飛行員的NASA-TLX預(yù)測(cè)值。

（3）初始化每一組c和g的最優(yōu)值、全局最優(yōu)c和g的值

將c和g初始最優(yōu)值記為

c和g全局最優(yōu)初始值g通過(guò)尋找f(θ(0))中最小值確定。

（4）更新參數(shù)c和g的變化率及其值

第k代種群中c和g的變化率更新為

式中：r為（0，1）之間的隨機(jī)數(shù)；wk為第k代種群中變化率的慣性權(quán)重，即［17］

式中：K為最大迭代次數(shù)；k為當(dāng)前迭代次數(shù)。

為了防止變化率超出范圍，對(duì)更新后的變化率進(jìn)行限制有

式中vmax、vmin為參數(shù)c或g變化率的最值。

動(dòng)態(tài)學(xué)習(xí)因子C1、C2［18］

式中r1、r2、r3、r4為常數(shù)［19］。

第k代種群中參數(shù)c和g的值更新為

超出范圍的參數(shù)處理如下

根據(jù)每組最優(yōu)c和g的適應(yīng)值更新全局最優(yōu)c和g的值為

（6）判斷是否滿足終止條件

當(dāng)?shù)螖?shù)達(dá)到指定值時(shí)，或者適應(yīng)度函數(shù)值收斂于指定值時(shí)停止迭代，否則返回步驟（4）。

2.3 PSO?SVR預(yù)測(cè)模型誤差分析

根據(jù)預(yù)測(cè)結(jié)果相對(duì)實(shí)際結(jié)果的誤差百分比對(duì)預(yù)測(cè)結(jié)果進(jìn)行誤差分析。相對(duì)誤差百分比

式中：a0(m)表示第m組樣本數(shù)據(jù)的預(yù)測(cè)值；t0(m)表示第m組樣本數(shù)據(jù)的實(shí)際值。

平均相對(duì)誤差百分比

式中m=1，2，…，M表示第m個(gè)樣本數(shù)據(jù)。

3 實(shí)例分析

以某型號(hào)民用飛機(jī)為例，對(duì)該型飛機(jī)飛行員的工作負(fù)荷進(jìn)行預(yù)測(cè)分析?；诒疚脑O(shè)計(jì)的模擬飛行試驗(yàn)，獲取飛行員的腦電功率、心率變化量、眨眼率以及NASA-TLX量表評(píng)分值，其中腦電功率為絕對(duì)功率值，心率變化量和眨眼率以“次/min”為單位，腦電功率和NASA-TLX評(píng)分值量綱為一。場(chǎng)景1～4分別獲取45組試驗(yàn)數(shù)據(jù)（見(jiàn)附錄1～4）。取每個(gè)場(chǎng)景前30組作為訓(xùn)練樣本，后15組作為預(yù)測(cè)樣本。

為了比較優(yōu)化后的預(yù)測(cè)精度，采用默認(rèn)參數(shù)的SVR預(yù)測(cè)模型和本文建立的PSO-SVR模型分別進(jìn)行訓(xùn)練，NASA-TLX預(yù)測(cè)結(jié)果如表2所示。將SVR模型與PSO-SVR模型的NASA-TLX預(yù)測(cè)值與實(shí)際值之間進(jìn)行對(duì)比如圖4所示。

圖4 SVR/PSO-SVR模型的NASA-TLX預(yù)測(cè)值與實(shí)際值對(duì)比Fig.4 Comparison of NASA-TLX prediction results of SVR/PSO-SVR model with actual results

對(duì)表2中各樣本進(jìn)行誤差分析，由式（19）得SVR/PSO-SVR預(yù)測(cè)模型的樣本相對(duì)誤差如表3所示。

表2 SVR模型與PSO?SVR模型NASA?TLX預(yù)測(cè)結(jié)果Table2 NASA?TLX prediction results of SVR model and PSO?SVR model

根據(jù)表3中SVR/PSO-SVR誤差，由式（20）可得場(chǎng)景1～4的SVR預(yù)測(cè)模型樣本平均相對(duì)誤差分別為13.8 %、14.8 %、12.2 %和9.9 %，PSO-SVR預(yù)測(cè)模型樣本平均相對(duì)誤差分別為6.3 %、5.3 %、5.2 %和4.1 %，將表3中SVR誤差與PSO-SVR誤差以折線圖的形式進(jìn)行對(duì)比如圖5所示。

表3 SVR/PSO?SVR預(yù)測(cè)模型相對(duì)誤差Table3 Relative error of SVR/PSO?SVR prediction models %

由圖5可知，除個(gè)別樣本出現(xiàn)優(yōu)化后誤差增大的情況，絕大多數(shù)樣本經(jīng)過(guò)PSO優(yōu)化后預(yù)測(cè)誤差都減小，與SVR相比，PSO-SVR的預(yù)測(cè)精度更高，表明利用粒子群算法對(duì)SVR參數(shù)進(jìn)行優(yōu)化的方法非常有效。

圖5 SVR/PSO-SVR模型相對(duì)誤差對(duì)比Fig.5 Relative error comparison of SVR/PSO-SVR model

為了驗(yàn)證上述模型的有效性與正確性，設(shè)置區(qū)別于場(chǎng)景1～4的4組不同的飛行場(chǎng)景記為場(chǎng)景5～8，獲取飛行員的工作負(fù)荷主觀評(píng)價(jià)值與客觀生理評(píng)價(jià)數(shù)據(jù)。利用上述評(píng)估模型預(yù)測(cè)出新設(shè)置的4組不同飛行場(chǎng)景下飛行員工作負(fù)荷主觀評(píng)價(jià)值，并與實(shí)際獲取到的值進(jìn)行對(duì)比，分析其誤差是否在可接受的范圍之內(nèi)，4組場(chǎng)景的誤差對(duì)比結(jié)果的如圖6所示。從圖6的誤差對(duì)比可以看出，針對(duì)不同場(chǎng)景優(yōu)化后的預(yù)測(cè)模型能夠?qū)⒄`差控制在10%以內(nèi)。

圖6 新增場(chǎng)景下的SVR/PSO-SVR模型相對(duì)誤差Fig.6 Relative error of SVR/PSO-SVR models in new scenes

4 結(jié) 論

本文對(duì)飛行員工作負(fù)荷評(píng)價(jià)方法進(jìn)行了研究，提出了基于PSO-SVR的飛行員工作負(fù)荷預(yù)測(cè)方法，通過(guò)對(duì)比驗(yàn)證說(shuō)明了本文方法的合理性。本文將支持向量回歸模型應(yīng)用在飛行員工作負(fù)荷預(yù)測(cè)上，為飛行員工作負(fù)荷評(píng)估提供了一種新方法。為了進(jìn)一步提高工作負(fù)荷預(yù)測(cè)的精度，本文提出了基于PSO-SVR的飛行員工作負(fù)荷預(yù)測(cè)模型，對(duì)SVR模型進(jìn)行改進(jìn)，通過(guò)與本文所提的SVR模型的對(duì)比以及與基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)組工作量評(píng)估模型的對(duì)比［8］，PSO-SVR工作負(fù)荷預(yù)測(cè)模型具有更高的預(yù)測(cè)精度，表明本文所提方法是有效的。

實(shí)例分析中多組場(chǎng)景的預(yù)測(cè)結(jié)果表明，本文所提模型能夠?qū)w行員工作負(fù)荷預(yù)測(cè)誤差控制在可接受的范圍之內(nèi)。表明本文所提的PSO-SVR工作負(fù)荷預(yù)測(cè)方法對(duì)不同飛行場(chǎng)景的適用性。利用本文所提方法，在進(jìn)行飛行員工作負(fù)荷適航符合性驗(yàn)證時(shí)，只需測(cè)量飛行員生理指標(biāo)數(shù)據(jù)而不用多次對(duì)飛行員進(jìn)行工作負(fù)荷主觀評(píng)價(jià)，既能夠避免飛行員的主觀不確定性，提高符合性驗(yàn)證的準(zhǔn)確性，同時(shí)提高了符合性驗(yàn)證的效率。

本文所提PSO-SVR模型在預(yù)測(cè)精度上的確要優(yōu)于SVR模型，但是從不同場(chǎng)景的預(yù)測(cè)精度上看，仍然存在一定誤差，原因在于建模所用數(shù)據(jù)存在的局限性，數(shù)據(jù)量和建模所用的工作負(fù)荷主觀評(píng)估值的準(zhǔn)確性是主要原因，后續(xù)需要通過(guò)

附錄

場(chǎng)景1～4試驗(yàn)樣本數(shù)據(jù)，如附表1～4所示。增加數(shù)據(jù)量以及增加建模所用輸出數(shù)據(jù)（工作負(fù)荷主觀評(píng)估值）的準(zhǔn)確性提高模型的預(yù)測(cè)精度。

附表1 場(chǎng)景1樣本數(shù)據(jù)Annexed table1Sample data for scene1

附表2 場(chǎng)景2樣本數(shù)據(jù)Annexed table2Sample data for scene2

附表3 場(chǎng)景3樣本數(shù)據(jù)Annexed table3Sample data for scene3

附表4 場(chǎng)景4樣本數(shù)據(jù)Annexed table4Sample data for scene4