基于人工智能的大學計算機基礎綜合實驗設計

劉 凱，張立民，張兵強

（1. 海軍航空大學 航空基礎學院，山東 煙臺 264001；2. 海軍航空大學 信息融合所，山東 煙臺 264001）

作為新一輪科技革命的重要方面，人工智能理論與技術是當今科技領域最受重視、最值得關注的技術前沿[1-2]。軍事院校是培養高素質軍事人才的主要平臺，所培養的學生都要面對未來戰場，需要適應未來戰場環境，滿足未來戰爭需求[3-4]。因此，軍校的教育需要應對新軍事變革要求，積極引入國內外先進科學技術，不斷更新教學內容與教學方式，培養學生的探索創新能力。大學計算機基礎是軍校計算機類的公共基礎課程，任務是向學生傳授計算機技術的基礎知識與基本技術，是學生入校后接觸的第一門新技術課，也是學生未來崗位必須要掌握的技能。在新的人工智能時代，探索如何將大學計算機基礎課程內容與人工智能理論有機結合，如何設計基于人工智能的大學計算機基礎綜合實驗方案，對于激發學生興趣，開闊學生視野，提升學生使用計算機解決復雜軍事問題的能力，具有十分重要的意義。

1 大學計算機基礎綜合實驗設計目標

依據軍隊院校非計算機專業計算機基礎課程教學基本要求，其教學目標是：從培養學生科學認知能力出發，讓學生理解和建立“信息、計算、智能”三大核心科學概念；培養學生掌握以“合理抽象、高效實現”為特征的構造計算機解決實際問題過程的能力；讓學生了解計算機學科的發展，向學生展示計算之美[5]。由此可見，大學計算機基礎綜合實驗的設計目標是提升學生計算機使用能力、計算機系統認知能力以及使用計算機解決實際問題的能力[6]。結合實戰化教學需求，應從以下四個方面對學生進行訓練：

（1）計算機理解與程序編寫。結合軍事背景，對計算機工作流程與程序控制進行模擬。采取CPU工作模擬、指令解釋模擬以及數據流控制仿真手段，完成實驗任務。加深學生對計算機工作原理的理解，并鍛煉學生程序編寫、調試能力[6]。

（2）數據思維。對軍事任務數據進行分析、求解，采取數據采集、數據預處理、數據分析以及數據解釋等步驟，完成實驗任務。幫助學生建立實際問題數字化、計算化的思維，即把實際問題譯成數據問題或把數據問題譯成實際現象的多維分析思維[7]。

（3）邏輯思維。對軍事任務數據進行歸納總結，采取數據統計、模型選擇、參數調節以及結果分析等步驟，完成實驗任務。提高學生依據實際問題選擇合適思維模式進行判斷、推理活動的能力，以及比較、分析、綜合、抽象、概括等思維水平[8]。

（4）系統思維。對軍事任務數據進行有效管理，采取任務規劃、需求分析、概念模型設計、邏輯模型設計、系統運行及維護等步驟，完成實驗任務。促進學生運用系統觀點，將對象互相聯系的各個方面及其結構和功能進行系統認識，從而認識和把握整體[9]。

2 大學計算機基礎綜合實驗設計方案

2.1 實驗體系架構

綜合實驗以課程知識點為基礎，按照計算機理解與程序編寫、數據思維、邏輯思維、系統思維等四層進行組織。綜合實驗知識點架構如圖1所示。

從圖1可以看出，綜合實驗均以Python基礎為出發點，通過不同的實驗任務，對大學計算機基礎課程的知識點進行涵蓋，最終達成實驗目標。

2.2 綜合實驗任務描述

針對四層綜合實驗體系，以實際軍事任務為驅動，設置四個相關實驗，其中每個實驗均分為基本任務與擴展任務，以供不同層次的學生完成。

2.3 機載計算機模擬實驗

機載計算機依據自身指令集與計算指令，對雷達送達的目標方位進行計算，獲得其危險等級，并將結果輸出至平視顯示器中。

圖1 綜合實驗知識點架構

2.3.1 基本任務

（1）對compile.py文件進行補充，該文件將target.s計算指令編譯為exe文件；

（2）對target_calc.py文件進行補充，該文件讀取data.txt文件，獲取雷達檢測目標距離，判斷危險等級，并進行排序；

（3）對cpu_sim.py文件進行補充，該文件讀取exe文件字節與目標序列文件，并控制顯示輸出；

（4）編寫 main函數，完成機載計算機目標危險等級計算以及輸出流程。2.3.2 擴展任務

（1）更新雷達檢測目標危險等級判斷方法，增加雷達檢測目標屬性，判別依據由原有的單一距離變為多維度屬性融合（距離、方位、速度），引導學生對target_calc.py進行完善；

（2）應用樸素貝葉斯方法，在給定先驗概率的前提下，計算不同目標的危險等級，并進行排序。

2.4 飛行質量判定實驗

讀取飛行數據文件并依據飛行分析指標對飛行質量進行判定，給出飛行訓練優化方案。

2.4.1 基本任務

（1）對read_csv.py文件進行補充，該文件讀取飛行數據，并進行數據預處理；

（2）對calc_weights.py文件進行補充，該文件依據飛行分析指標對飛行數據進行計算，得到飛行質量評判等級；

（3）對show_plot.py文件進行補充，該文件根據飛行數據進行實際飛行曲線與標準飛行曲線繪制；

（4）編寫main函數，完成飛行質量判定流程。

2.4.2 擴展任務

（1）更新飛行質量分析指標計算方法，增加飛行質量分析指標，由速度、高度、航線擴展為航跡、上升/下降率、俯仰、滾轉等，將原有的固定權重進行擴展，設計基于數據相似度的聚類權重計算方法，引導學生對calc_weight.py進行完善；

（2）應用knn聚類方法，針對擴展指標，通過計算指標間相似度，進行聚類分析，從而獲得新的權重指標。

2.5 航空裝備故障診斷實驗

讀取發動機傳感器數據，并依據數值變化閾值對發動機狀態進行判定。

2.5.1 基本任務

（1）對read_csv.py文件進行補充，該文件讀取發動機傳感器數據，并進行數據預處理；

（2）對calc_index.py文件進行補充，該文件計算傳感器數據均值、標準差指標；

（3）對judge_index.py文件進行補充，該文件依據預先設定的邏輯判別準則，計算得出發動機故障狀態概率；

（4）編寫 main函數，完成航空發動機故障診斷流程。

2.5.2 擴展任務

（1）更新故障診斷方法，使用機器學習模型對發動機正常與故障狀態進行分類，引導學生對 BP_baseline.py進行完善；

（2）應用機器學習模型，通過設定學習速率、L2正則化因子系數等模型參數，建立發動機各性能參數與故障之間的非線性映射關系，實現發動機狀態的智能化檢測。

2.6 航空裝備器材管理實驗

采用 MySQL構建航空裝備器材管理系統，實現器材庫存數量的增加、減少、查詢等操作。

2.6.1 基本任務

（1）對login.py文件進行補充，該文件實現系統登錄功能，通過驗證用戶名、密碼以及權限啟動器材管理系統；

（2）對equipment_table.py文件進行補充，該文件包括了器材表格數據的添加、刪除、修改以及查詢操作；

（3）對mySQLutil.py文件進行補充，該文件是對MySQL數據操作的封裝，負責提供數據庫連接、數據表創建等SQL語言的執行；

（4）編寫 main函數，完成航空裝備器材管理系統的啟動。

2.6.2 擴展任務

（1）增加器材數量錄入方式，實現手寫數字識別功能；

（2）應用深度學習方法，通過構建多層神經網絡，對手寫器材數字進行識別，并完成數據庫相關操作。

3 航空裝備故障診斷實驗案例

下面以前述“航空裝備故障診斷實驗”為例，詳細論述基于案例式教學的綜合實驗環節。

3.1 實驗內容與任務

航空發動機故障是誘發飛行事故的重要隱患，也是影響飛行安全的主要威脅[10]。本實驗通過“計算思維”和人工智能理論，解決部隊日常機務維護與保障中發動機的定損問題，需要綜合運用 Python語言設計、機器學習、數值分析、概率論等相關知識與技術，體現數據思維、系統思維能力與需求分析、系統設計等軟件工程理念[11]。

（1）補充完善航空發動機數據準備模塊代碼，從發動機故障數據集中提取正負樣本，用于模型訓練；

（2）補充完善航空發動機數據預處理模塊代碼，運用數據歸一化與主成分分析，對樣本進行降維等處理，提取主要特征；

（3）補充完善故障識別模型訓練模塊代碼，運用支持向量機（support vector machines，SVM）建立發動機故障識別模型，通過參數調節并結合交叉驗證方法，對模型進行校驗；

（4）補充完善數據可視化模塊代碼，運用Matplotlib繪制接受者操作特性（receiver operating characteristic，ROC）曲線，并計算曲線下面積（area under curve，AUC），顯示模型訓練效果；

（5）補充航空發動機故障診斷程序代碼，基于Tkinter實現航空發動機故障診斷窗口可視化界面，能夠輸入實際數據，并進行故障識別，識別準確率高于80%。

3.2 實驗過程

針對實驗的基本任務與擴展任務，將實驗過程分為兩個層次，其實驗流程如圖2所示。

圖2 實驗流程

3.2.1 基本任務

在基本任務階段，引導學生分析已有Python代碼并補充，使學生掌握本次實驗的基礎知識，能夠使用Python計算數據的統計學度量，并能依據簡單判別準則對發動機狀態進行邏輯判斷，完成實驗任務。

3.2.2 擴展任務

在擴展任務第 1階段，首先引入人工智能模型SVM，并講解模型結構和訓練方法；然后引導學生分析 SVM 的實現代碼，并補充完善；最后指導學生完成SVM的基準模型，擴展學生人工智能知識。

在擴展任務第 2階段，學生完成基準模型設計并獲得實驗結果后，設置實驗結果對比環節，比較不同模型參數對實驗結果的影響，幫助學生設置合理的模型參數和訓練參數，解決發動機故障狀態檢測問題。

在擴展任務第3階段，通過分析不同模型參數對實驗結果的影響，講解人工智能理論特點與參數設置原則，訓練過擬合與欠擬合問題，提升學生使用人工智能理論解決實際問題的能力。

3.3 實驗方案

在密切聯系部隊需求的基礎上，指導學生通過較為完整的項目實現，掌握SVM、數據可視化、窗口消息響應等技術，以及應用人工智能理論進行航空發動機故障診斷的方法，熟悉實際問題數字化、計算化的實踐路線。

3.3.1 模型實現階段

首先通過數據準備和數據預處理，獲得模型訓練數據集與標簽集；然后構建 SVM 模型，設置模型參數；隨后進行模型訓練，待模型訓練完成后，檢驗是否滿足AUC不低于0.9的要求，如果否，則返回參數設置環節，對參數進行調節，重新訓練模型；最后，若達到模型驗證要求，則保存模型文件 Model.pkl至本地。整個過程均在百度AI Studio平臺進行。

3.3.2 系統實現階段

首先分析航空發動機故障診斷程序界面需求，設計窗口界面，添加控件與消息響應函數；然后讀取模型文件Model.pkl，編寫接口代碼；隨后輸入驗證數據，待程序輸出預測結果后，進行統計分析。整個過程在本機完成，Python IDE平臺為Spyder。

3.3.3 實現方案

結合實踐流程，實驗實現所需要的Python模塊與核心函數如圖3所示。系統主要包括數據準備模塊、數據預處理模塊、模型訓練模塊、數據可視化模塊、界面實現模塊與預測分析模塊。

圖3 實驗實現方案

（1）數據準備模塊完成數據提取任務，將數據集合中發動機生命周期的第一條數據作為正常樣本（正樣本），最后一條數據作為故障樣本（負樣本），整理所得樣本總數為2832。所使用模塊為Pandas、Numpy，其中 Pandas讀取數據，Numpy將數據轉換為矩陣形式，以供后續模塊使用。

（2）數據預處理模塊完成數據預處理任務，包括數據歸一化與PCA降維處理，所使用的模塊為sklearn，兩個主要方法為StandardScaler和PCA，其中PCA過程中需要度量的累計方差貢獻率通過 pca.explained_variance_ratio_方法獲得。

（3）模型訓練模塊完成 SVM模型訓練任務，包括 SVM 模型對象創建、訓練集分割、模型訓練等，所使用的模塊為 sklearn，兩個主要方法為 KFold和SVC；

（4）數據可視化模塊完成ROC曲線繪制與AUC面積計算，所使用的模塊為sklearn和matplotlib，其中sklearn.metrics.roc_curve返回ROC曲線的假正率與真正率坐標，sklearn.auc返回AUC值，matplotlib.pyplot完成曲線繪制。

（5）界面實現模塊完成航空發動機故障診斷系統窗口實現，所使用的模塊分別為 tkinter與 sklearn，其中 tkinter進行界面設計與消息響應函數實現，sklearn.externals.joblib讀取SVM模型文件，用于后續驗證數據的故障診斷。

（6）預測分析模塊完成驗證數據的故障診斷實現，所使用的模塊為 sklearn，其中 SVC.predict用于輸出驗證數據的模型診斷結果。圖4為ROC曲線示例，圖5為窗口界面示例。

圖4 接受者操作特性（ROC）曲線示例

圖5 窗口界面示例

3.4 實施效果

本大學計算機基礎綜合實驗設計，與軍用實際需求結合，具有較強的實用性和綜合性。實驗通過需求牽引、理論講解、自主設計、調試驗證等環節，讓學生從感性認識到理性認識，層層深入，幫助學生綜合運用計算機理論知識與人工智能方法解決現存的實際問題，切實體現了計算思維能力培養[12]。

（1）基礎理論與實戰化需求深度結合。軍校大學計算機基礎課程的改革難點在于，所授知識難以與真實作戰案例結合，在有效的課時內無法實現理論與實踐、理論與實戰的有機結合。通過以任務為驅動的綜合實驗設計，能夠引導學生利用所學計算機知識解決實戰化問題，提升學生利用計算機解決實際軍事問題的能力。

（2）利用案例式教學實踐方式促進教學相長。所設實驗均通過需求牽引、理論講解、自主設計、調試驗證等環節展開，在自主設計環節，學生可以對講解內容提出異議，教師提供的模型僅僅是基準，參數需要學生自己調整，學生通過實踐可獲得更優成績，教師也可通過收集學生實驗結果獲得最優模型，極大地激勵了學生的學習信心和動力。

（3）可滿足不同崗位需求和人才培養目標。計算機基礎類課程的教學對象涵蓋大學本科、任職培訓等多個層次學員，不同層次教學的課程內容差異較大。通過綜合實驗的分層設計，可以有效控制實驗深度，提高知識針對性，靈活調整教學深度與廣度，滿足不同層次學員的學習需求。

4 結語

本文針對人工智能時代軍校大學計算機基礎課程的實戰化教學需要，探討了課程綜合實驗設計問題，論述了戰場電磁環境教學系統建設目的及具體建設方案；結合課程案例式教學需求，介紹了基于設計方案的案例式教學實驗思路，并初步在本科教學中進行了應用。

實踐表明，綜合實驗有利于學生掌握大學計算機基礎課程內容。在實驗課上，學生能夠積極主動完成實驗任務，并能主動對其他實驗小組的實驗過程發表自身見解，實驗課堂實踐氛圍濃厚；在課下，學生能夠組建學習小組，對感興趣的人工智能問題進行探索，學習的自主性和創造性得到很大提高。