車載電臺虛擬維修智能輔助技術

馮 瑀，何 彬

(裝甲兵工程學院信息工程系，北京 100072)

隨著人工智能的發展，以專家系統為代表的智能輔助技術在多個領域都取得了重大的突破。由于應用領域和實際問題的多樣性，專家系統的結構也多種多樣，但其基本結構具有許多共同之處。知識庫和推理機是專家系統的必要且重要的組成部分?？偨Y出一條適合裝甲車載電臺維修訓練的學生模型。這種學生模型是專家系統的一種，具有特定的知識表達方式并采用基于框架的推理機制。

1 知識表示

目前常用的知識表示方法有:一階謂詞邏輯表示法、產生式表示法、框架表示法、語意網絡表示法、過程表示法、Petri網表示法、面向對象表示法。在此用到的3種表示法是產生式表示法、框架表示法、Petri網表示法.將這三種方法進行比較可看出:產生式表示法更易于因果推導，但推理的工作效率不高，且無法把復雜的故障問題診斷的知識結構關系顯式表示出來;框架表示法善于表達結構化的知識，但不善于表達過程性的知識;Petri網表示法可以很好的利用規則描述規則知識，并能提高推理效率。

通過以上分析可看出，將框架表示法與Petri網表示法結合可滿足電臺維修知識表示的需要。電臺的故障表征現象可用結構化的表示方法描述，電臺維修過程可用Petri網描述。時間這3個要素。

2 基于故障框架的推理機制

裝甲車載電臺虛擬維修訓練系統是一個常用于沒有合適算法或無算法的情形的程序系統。因此推理是裝甲車載電臺虛擬維修訓練系統解決問題的基本技術。目前常用的推理機制是:基于規則的推理(RBR)、基于模型的推理(MBR)和基于案例的推理(CBR)。在此采用的基于故障框架的推理機制是基于規則推理的一種。

基于框架的推理一般采用正向推理，根據初始的征兆和事實逐步推出目標。框架推理實質上是一個反復進行框架匹配的過程，而且多數情況下匹配都具有不確定性。為了使推理得以進行，通常需要設置相應的槽來配合。其推理過程可以表述為圖1所示。

圖1 基于框架的推理過程

在故障框架的推理中，求解問題的基本過程是以故障框架知識結構為基礎，按照圖1的框架推理流程不斷尋找可匹配的框架并進行槽匹配的過程。搜索過程是自頂向下進行，搜索起點的確定是由用戶隨時定義的。系統首先根據已知的條件對知識庫中的框架進行部分匹配，找出預選框架，并且由這些框架中其他槽的內容以及框架間的屬性聯系得到啟發，提出進一步的要求，使問題的求解向前推進一步。如此重復進行這一過程，直到問題最終得到解決為止。

3 學生模型

要在維修活動中體現認知訓練理論的原則，就要使智能維修訓練系統能夠理解受訓者的內在心理特征，能夠根據某些數據信息推理受訓者個性和決策訓練的進程。設計的學生模型包括推理受訓者訓練內容、判斷受訓者訓練狀態、評價受訓者訓練效果及進行訓練決策等動作，能為推理機提供數據資料。

3.1 學生模型的基本概念

1)學生模型的定義

學生模型是記錄學生基本信息和學習狀況的數據結構，是學生認知狀態的表示。學生模型用于記錄學生的認知結構和認知能力，反映學生的學習進度、知識的熟練程度、存在的誤解以及與期望目標之間的差距，描述計算機所能理解的學生特征;學生模型記錄學生的學習過程、學習特點和個性特點，提供了解學生的途徑，為實現學生的個別化學習提供分析基礎，為制定教學策略和選擇教學資源準備基本信息。

2)學生模型的分類

根據學生知識表示方法的不同，可將學生模型分為3種:

a.覆蓋模型。覆蓋模型是將學生擁有的知識看成是專家知識的子集，在兩者之間建立最相近的聯系的一種學生模型。

b.偏差模型。偏差模型是一種擴展的覆蓋模型。在原有的覆蓋模型中擴展了知識集，包含學生可能有的錯誤概念。把學生當前的知識技能處理為正確與錯誤子技能的積累。對領域內容及學生表現深入分析建立錯誤特征庫，其中包含了學生在此領域中對相應知識的正確理解、可能的錯誤認識、引起這些錯誤的可能原因以及糾正相應錯誤的舉措信息。

c.認知模型。認知模型是既能反映學生的知識水平，又能反映學生認知能力及心理因素的一種學生模型。構建認知模型，首先制定認知能力的數據描述標準并利用它對認知能力進行定量評估與測量，然后根據各個問題的認知標準不斷對學生模型進行更新，同時根據從模型獲得的學生認知能力來做出評論。

3.2 學生模型的內容結構

學生模型的內容及結構不盡相同，但它應該是既能反映受訓者普遍的行為和認知特征，又能反映受訓者個性特征的訓練行為和認知結構的模型。一般的，學生模型除了存放學生的靜態學習特征，還要記錄學生學習過程中的動態情況。學生模型只根據所要實現的目標對需要的部分要素加以描述而不是對學生所有特征的真實表示。

在此采用面向對象的方法來對學生模型的內容結構進行描述。如圖2所示，學生模型分為屬性與行為2個部分。其中屬性是對學生認知與非認知特征的靜態描述，在系統中用關系數據庫描述;行為是交互過程中動態更新學生屬性信息的一套機制與規則。

圖2 學生模型內容結構

常規屬性:標示學生個人信息的集合，包括注冊ID號，學生姓名、性別、注冊時間等一系列常規信息;認知屬性:與學習內容相關，反映學生當前對學習內容的掌握情況;非認知屬性:與學習意圖相關，反應學生的動機、目標與學習條件等方面的信息;行為事件:與學習導航相關，包括學習過程中認知的路徑、行為歷史記錄、錯誤集合等數據信息。學習行為:從學生操作的角度，又分為主動行為與被動行為。主動行為反應學生主動使用學習資源、學習工具，參與問題解決的行為;被動行為反映學生對問題的應答與解決情況。

3.3 學生模型的模型實現

從以上學生模型的包含內容來看，常規屬性、非認知屬性都是可以通過用戶自己錄入而得到的，而認知屬性、行為事件和行為集卻需要系統根據用戶的操作和使用情況，進行判定和模型構建。在此主要針對這3個模塊的內容的構建進行探討。

1)學生認知水平的表示

認知水平是學生當前所處的知識狀態，用來表示學生對每個知識點的掌握程度。學生對知識的掌握是一個漸進的過程。一般來說，學生的認知水平是動態變化的，具有很大的不確定性，所以在這里采用模糊集的方式來表示學生的認知水平。

首先定義模糊集合，設指標集為 U={u1，u2，u3，u4，u5}={記憶能力，理解能力，應用能力，分析能力，綜合能力}。對每個評價指標，采用六級評定方法。評語集V={v1，v2，v3，v4，v5，v6}={優秀，良好，中等，及格，較差，極差}，據此建立模糊評價關系矩陣R

矩陣中rij表示評價指標ui被評為vj的隸屬度函數值，隸屬度向量 Ri= {ri1，ri2，…，ri6}是由每種評價的隸屬度組成的V上的一個模糊子集。

其次，確定權重分配集A。由于在進行模糊綜合評價時，五項因素的重要性不一樣，假設知識點庫中給定了當前的知識點:A= (a1，a2，a3，a4，a5)= (0.2，0.1，0.3，0.2，0.2)。需要注意的是，經過一定數量的學生測試后，對知識庫中的集A可作精確一些調整或計算。設某維修知識點要達到熟練運用的能力，經歸一化和模糊化處理后，可得該知識點的R矩陣

此時又由于已假設當前知識點的權重分配集A，那么可得該學生對該知識點掌握情況的模糊評判:

可見，該學生對該知識點的運用能力上，中等占了29%，及格占了16%，及格以下的成績占了少數，由此判定他基本能夠達到對該知識點具有運用能力的認知目標，可以判定該學生通過了該知識點的學習。

2)學生行為事件和事件集的表示

行為事件和事件集的表示是系統在操作過程中根據用戶的使用情況進行記錄統計得到的，是一個動態更新的過程。在表示行為事件和事件集最主要的就是學生學習內容和歷史學習情況的更新。

a.學生學習內容的更新

只有當學生學習過并且通過測試基本掌握了才更新學習內容，這樣做是給學生一個基本的學習路徑，不因為學生不想學習而跳過部分內容，影響學習效果。學生模型會將各個知識點進行歸類，按難度進行分級。學習時系統會根據學生的背景知識，提供不同的學習知識點。只有當學生的認知水平達到了一定程度時，才能做相應難度的訓練。這樣不僅可以使系統根據產生式規則方便實現，而且可以使學生循序漸進的提高。

b.歷史學習情況的更新

歷史學習情況主要是記錄學生在以往的學習中對各知識點掌握的情況，使學生能夠了解一段時期內自己的學習情況，為下一步學習提供一個參考。當學生進行過測試后，學生回答正確與不正確的問題都可以用來更新學生掌握知識的值。掌握知識的值是統計歷史學習情況的依據。與學習內容不同，歷史學習情況不是每一個難度水平上的值都需要更新。例如，如果學生操作正確難度0上的問題，這對他的難度3上掌握的知識沒有任何影響。然而如果難度2的問題解決了，則可能意味著他對于難度0的知識是掌握的。使用這個規則的是因為難度等級越高，學生越難完成。例如，難度3比難度0要困難得多。如果學生不會維修難度3的故障，并不意味著他沒有掌握該水平以下的故障修理。但如果他不能正確處理難度0的故障，高于難度0的知識水平應當被調低。

本文解決歷史學習情況更新問題的方法是故障加權法。例如學員能夠操作故障等級0的故障，那么此故障將按某步進數自動會降低加權系數;當學員沒有能夠完成本故障處理，故障加權系數按某步進數升高。系統根據學員的使用情況變更故障的加權系數，對故障進行調整，從而變更用戶的學習路徑，智能的滿足用戶的需求，達到事半功倍的效果。

4 結束語

本文總結出的適合裝甲車載電臺虛擬維修訓練學生模型是一種具有特殊知識表示和推理機制的專家系統。這種專家系統對于裝甲車載電臺虛擬維修訓練系統的建立具有重要的意義。學生認知水平指標權重的分配是值得深入研究的問題。

［1］ 甘茂治.軍用裝備維修工程學［M］.北京:國防工業出版社，2005.

［2］ 程偉良.廣義裝甲系統［M］.北京:北京理工大學出版社，2005:118－119.

［3］ 李霖.軍事裝備前沿理論與改革實踐［M］.北京:國防工業出版社，2010.

［4］ Claude Girault and Rudiger Valk.系統工程 Petri網——建模、驗證與應用指南［M］.王生原，譯.北京:電子工業出版社，2005:114 －136.

［5］ 王萬森.人工智能原理及其應用［M］.北京:電子工業出版社，2001:13－15.

［6］ 武奎.智能化系統的有機組合推理及優化［J］.重慶大學學報:自然科學版，2003，26(6):1 －5.

［7］ 尹朝慶，尹皓.人工智能及專家系統［M］.北京:中國水利水電出版社，2004:25－28.

(責任編輯周江川)