基于ANFIS和CBR的防化訓練效果智能評估

呂學義

摘要：本文首先介紹ANFIS和CBR的理論知識，集成人工智能方法的思想，提出ANFIS和CBR相結合的方案，建立ANFIS-CBR智能評估模型，對受訓者的防化訓練效果進行了全景式科學評估。實驗結果表明，該智能評估模型能有效地對防化訓練效果進行全面優化評估，為防化訓練系統的虛擬模型優化、快速提升受訓者的能力水平提供了數據參考。

關鍵詞：ANFIS;CBR;防化訓練;評估

隨著人工智能技術和虛擬現實技術的快速發展，許多領域采用防化訓練系統代替實裝進行維修訓練。針對不同受訓者的訓練特點，依據計算機智能評估分析有助于得出最佳的訓練決策，即選擇最合適的訓練內容和訓練方法;大致診斷出受訓者的錯誤及可能的錯誤原因，并給出指導和評價，以提高訓練的實際效果和質量。當前，對于防化訓練的研究多側重在防化訓練系統功能設計、虛擬對象仿真等方面，對防化訓練智能化評估的研究比較缺乏。因此，防化訓練智能評估研究將成為一個既有理論價值又有重大實際意義的研究方向。

1ANFIS和CBR理論簡介

1.1ANFIS 知識

ANFIS（自適應神經模糊系統）是指模仿人的大腦神經系統信息處理功能的智能化系統。隨著神經網絡理論的快速發展，將神經網絡與模糊理論融合為建模仿真的新技術成為學者們研究的焦點之一。ANFIS通過學習訓練給定的經驗數據，并由此生成模糊控制規則。通過神經網絡實現的模糊控制，在控制生成策略時，不必進行復雜的規則搜索和推理，只需要通過高速并行的分布計算就可產生輸出結果。神經網絡模糊控制器一般組合形式。主要有三種作用：①利用神經網絡驅動模糊推理。②利用神經網絡記憶模糊控制規則。③利用神經網絡優化模糊控制器的參數。

1.2CBR 知識

CBR （Case-Based Reasoning）是對新問題在案例庫中搜索出最為相似的舊案例，并進行修改給新問題提供一種解的推理模式。目前，CBR技術的應用已成為人們研究的熱點，因為CBR技術解決問題不是通過知識規則去推理，而是對其自身所經歷過的信息進行回憶。CBR實質上是一種類比學習方法，是一種基于過去求解類似闖題的經驗獲得豢前問題求解結果的推理模式。它是人工智能領域知識工程中的一種新的方法。與其它人工智能方法相比，CBR有其鮮明的特點：（1）CBR可以快速給出問題的解答。（2）CBR可以在人們尚未完全掌握理解的領域求解。（3）CBR在沒有規則可尋的情況下給推理系統提供了一種解決問題的方法。（4）CBR可以用來解釋一個可擴充的或未能很好定義的概念，即CBR適合在無限或未知領域應用。（5）CBR通過指出以往案例的核心部分指導將推理的重點放到問題的關鍵方面，問題求解的質量和效率取決于案例的表示、組織、獲取以及案例的檢索。

2 ?ANFIS-CBR智能評估模型

本文集成人工智能方法的思想，提出ANFIS和CBR相結合的方案，建立ANFIS-CBR智能評估模型。ANFIS-CBR模型的核心思想是，根據案例的屬性特征，通過對其建立不同的索引，將一個大型的案例庫劃分為多個子案例庫。ANFIS作為CBR的前序模塊，對輸入的故障信息通過學習訓練賦予索引，從而可在CBR模塊中的具有相應索引的子案例庫中索引相似的案例集。系統的工作方式可分為建模學習過程和檢索評估過程。在對系統進行建模學習時，受訓者在虛擬環境中進行維修訓練的數據通過EON軟件數據采集端口輸出到智能評估模型，通過與故障庫標準數據對比分析，采用CBR技術進行故障案例檢索，在相應的子案例庫中尋找相似案例集，得出與當前故障問題最匹配的一個或幾個案例，完成案例相似度的排序，如訓練故障數據未超過闕值范圍則通過ANFIS智能模塊進行綜合評估，得出受訓者此次的防化訓練綜合成績。否則，判為新案例存儲到案例知識庫，整個過程實現了評估模型的自學習。ANFIS-CBR智能評估模型。

3 ?CBR模塊案例檢索實現

案例檢索是構建CBR的專家系統的關鍵技術之一。案例索引就是按照一定的索引策略，從案例庫中篩選出對當前問題可能有潛在的啟發和指導意義的案例集，以縮小案例匹配的案例集的范圍。案例匹配就是從案例索引得到的案例集中根據一定的相似性度量方法，查找與當前待求解的問題最相似的案例。案例檢索的根本目的就是通過案例庫中的案例與待求解的問題之間的相似度比較，找到最相似的案例。具體實現步驟：1）首先由用戶輸入裝備故障種類、故障發生的部件、部位等故障案例關鍵特征屬性。2）利用步驟1）的特征屬性，根據層次結構索引，初步檢索出符合用戶輸入的特征屬性的故障案例種類，以及得到初始匹配的案例集。3）根據故障案例的種類，列出該種類所包含待匹配的特征屬性和特征權值，然后由用戶輸入這些關鍵特征屬性值。4）計算新故障案例中的特征屬性與初步檢索出故障案例集中的第k個案例的相應特征屬性的匹配度。5）將4）中得出的匹配度與相應特征屬性的權值，根據k-近鄰法進行計算，求得該新案例與故障集中第k個案例的匹配度。6）重復步驟4）和步驟5），計算出該初始匹配案例集中的所有案例與當前故障問題的匹配度。將所有案例的匹配度排序，輸出與當前故障問題最匹配的一個或幾個案例，完成案例匹配過程。

4 防化訓練評估指標體系構建

防化訓練評估就是在虛擬環境下根據專家們對受訓者操作時的諸項指標進行分析處理綜合評價。科學正確的選擇評估指標對于防化訓練系統評估具有重要影響。防化訓練評估就是在虛擬環境下根據專家們對受訓者操作時的諸項指標進行分析處理綜合評價。為克服由一位專家確定權重時存在的主觀性問題，可用Delphi法，首先選擇10～15位專家，根據設計的兩兩指標相對重要性專家咨詢表參與評判，并不斷進行反饋和修改。經專家多輪評判，獲得趨近一致的專家意見后，利用所得的兩兩指標相對重要性結果來分別構造各指標層的判斷矩陣，然后用層次分析法計算各指標間的相對權重。根據所得的權重數據，對采樣數據進行處理即獲得初始訓練樣本。防化訓練系統在防化訓練中選取的主要八個特性為：①時間符合度，訓練項目中規定的關鍵點狀態轉換完成的時間，現實情況中通常也會依據歷史經驗提供標準參考時間;②路徑符合度，路徑是指對訓練項目中，關鍵點的順序要求，對于操作訓練項目，路徑是指動作對象的執行序列;③關鍵點符合度，關鍵點是指訓練項目中，要求必須執行的點，對于操作訓練項目，關鍵點主要是指操作步驟中的動作對象;④參數符合度，參數是指訓練項目中，關鍵點狀態特征的量化表征;⑤易操作性，指防化訓練系統安裝啟動步驟簡明程度、啟動時間快慢程度和操作界面的人性化程度;⑥方法符合度，方法是指訓練項目中，受訓人員對于執行對象所采用的行為方式;⑦層次性，指防化訓練系統為了對不同知識層次的受訓者提供不同的維修案例庫。⑧智能性，指防化訓練系統為現場測試人員綜合評價的推理評判過程。防化訓練效果評估指標是網絡模型能夠準確預測的關鍵。因此我們仍需對防化訓練效果評估指標體系進行深入研究，加強對虛擬環境下人機交互的數據采集、存儲保留等工作，在大量數據的支持下，效能預測才能夠更加精準。

5 結束語

本文將ANFIS理論和CBR技術相結合，建立ANFIS-CBR智能評估模型。模型中ANFIS模塊的分類結果主要體現在故障案例索引的建立上，而CBR的案例庫也因索引的不同被劃分為若干個子案例庫，在進行案例檢索時，ANFIS將指導CBR在相應的子案例庫中檢索。ANFIS-CBR智能評估模型解決了ANN和CBR各自單獨應用時的局限，應用到防化訓練領域具有一定參考價值。

參考文獻：

[1]葛哲學，孫志強.神經網絡理論與MATLABR2007[M].電子工業出版社.2007.9.

[2]楊宇航，庚紅等.裝備防化訓練系統工程研究[J].計算機工程與設計，2002，23（4）：34～41.

[3]郭齊勝，郅志剛，楊瑞平等.裝備效能評估概論[M].北京：國防工業出版社，2005.