车载电台虚拟维修智能辅助技术

2012-02-26冯瑀，何彬

兵器装备工程学报 2012年8期

冯瑀，何彬

(装甲兵工程学院信息工程系，北京 100072)

随着人工智能的发展，以专家系统为代表的智能辅助技术在多个领域都取得了重大的突破。由于应用领域和实际问题的多样性，专家系统的结构也多种多样，但其基本结构具有许多共同之处。知识库和推理机是专家系统的必要且重要的组成部分。总结出一条适合装甲车载电台维修训练的学生模型。这种学生模型是专家系统的一种，具有特定的知识表达方式并采用基于框架的推理机制。

1 知识表示

目前常用的知识表示方法有:一阶谓词逻辑表示法、产生式表示法、框架表示法、语意网络表示法、过程表示法、Petri网表示法、面向对象表示法。在此用到的3种表示法是产生式表示法、框架表示法、Petri网表示法.将这三种方法进行比较可看出:产生式表示法更易于因果推导，但推理的工作效率不高，且无法把复杂的故障问题诊断的知识结构关系显式表示出来;框架表示法善于表达结构化的知识，但不善于表达过程性的知识;Petri网表示法可以很好的利用规则描述规则知识，并能提高推理效率。

通过以上分析可看出，将框架表示法与Petri网表示法结合可满足电台维修知识表示的需要。电台的故障表征现象可用结构化的表示方法描述，电台维修过程可用Petri网描述。时间这3个要素。

2 基于故障框架的推理机制

装甲车载电台虚拟维修训练系统是一个常用于没有合适算法或无算法的情形的程序系统。因此推理是装甲车载电台虚拟维修训练系统解决问题的基本技术。目前常用的推理机制是:基于规则的推理(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机制是基于规则推理的一种。

基于框架的推理一般采用正向推理，根据初始的征兆和事实逐步推出目标。框架推理实质上是一个反复进行框架匹配的过程，而且多数情况下匹配都具有不确定性。为了使推理得以进行，通常需要设置相应的槽来配合。其推理过程可以表述为图1所示。

图1 基于框架的推理过程

在故障框架的推理中，求解问题的基本过程是以故障框架知识结构为基础，按照图1的框架推理流程不断寻找可匹配的框架并进行槽匹配的过程。搜索过程是自顶向下进行，搜索起点的确定是由用户随时定义的。系统首先根据已知的条件对知识库中的框架进行部分匹配，找出预选框架，并且由这些框架中其他槽的内容以及框架间的属性联系得到启发，提出进一步的要求，使问题的求解向前推进一步。如此重复进行这一过程，直到问题最终得到解决为止。

3 学生模型

要在维修活动中体现认知训练理论的原则，就要使智能维修训练系统能够理解受训者的内在心理特征，能够根据某些数据信息推理受训者个性和决策训练的进程。设计的学生模型包括推理受训者训练内容、判断受训者训练状态、评价受训者训练效果及进行训练决策等动作，能为推理机提供数据资料。

3.1 学生模型的基本概念

1)学生模型的定义

学生模型是记录学生基本信息和学习状况的数据结构，是学生认知状态的表示。学生模型用于记录学生的认知结构和认知能力，反映学生的学习进度、知识的熟练程度、存在的误解以及与期望目标之间的差距，描述计算机所能理解的学生特征;学生模型记录学生的学习过程、学习特点和个性特点，提供了解学生的途径，为实现学生的个别化学习提供分析基础，为制定教学策略和选择教学资源准备基本信息。

2)学生模型的分类

根据学生知识表示方法的不同，可将学生模型分为3种:

a.覆盖模型。覆盖模型是将学生拥有的知识看成是专家知识的子集，在两者之间建立最相近的联系的一种学生模型。

b.偏差模型。偏差模型是一种扩展的覆盖模型。在原有的覆盖模型中扩展了知识集，包含学生可能有的错误概念。把学生当前的知识技能处理为正确与错误子技能的积累。对领域内容及学生表现深入分析建立错误特征库，其中包含了学生在此领域中对相应知识的正确理解、可能的错误认识、引起这些错误的可能原因以及纠正相应错误的举措信息。

c.认知模型。认知模型是既能反映学生的知识水平，又能反映学生认知能力及心理因素的一种学生模型。构建认知模型，首先制定认知能力的数据描述标准并利用它对认知能力进行定量评估与测量，然后根据各个问题的认知标准不断对学生模型进行更新，同时根据从模型获得的学生认知能力来做出评论。

3.2 学生模型的内容结构

学生模型的内容及结构不尽相同，但它应该是既能反映受训者普遍的行为和认知特征，又能反映受训者个性特征的训练行为和认知结构的模型。一般的，学生模型除了存放学生的静态学习特征，还要记录学生学习过程中的动态情况。学生模型只根据所要实现的目标对需要的部分要素加以描述而不是对学生所有特征的真实表示。

在此采用面向对象的方法来对学生模型的内容结构进行描述。如图2所示，学生模型分为属性与行为2个部分。其中属性是对学生认知与非认知特征的静态描述，在系统中用关系数据库描述;行为是交互过程中动态更新学生属性信息的一套机制与规则。

图2 学生模型内容结构

常规属性:标示学生个人信息的集合，包括注册ID号，学生姓名、性别、注册时间等一系列常规信息;认知属性:与学习内容相关，反映学生当前对学习内容的掌握情况;非认知属性:与学习意图相关，反应学生的动机、目标与学习条件等方面的信息;行为事件:与学习导航相关，包括学习过程中认知的路径、行为历史记录、错误集合等数据信息。学习行为:从学生操作的角度，又分为主动行为与被动行为。主动行为反应学生主动使用学习资源、学习工具，参与问题解决的行为;被动行为反映学生对问题的应答与解决情况。

3.3 学生模型的模型实现

从以上学生模型的包含内容来看，常规属性、非认知属性都是可以通过用户自己录入而得到的，而认知属性、行为事件和行为集却需要系统根据用户的操作和使用情况，进行判定和模型构建。在此主要针对这3个模块的内容的构建进行探讨。

1)学生认知水平的表示

认知水平是学生当前所处的知识状态，用来表示学生对每个知识点的掌握程度。学生对知识的掌握是一个渐进的过程。一般来说，学生的认知水平是动态变化的，具有很大的不确定性，所以在这里采用模糊集的方式来表示学生的认知水平。

首先定义模糊集合，设指标集为 U={u1，u2，u3，u4，u5}={记忆能力，理解能力，应用能力，分析能力，综合能力}。对每个评价指标，采用六级评定方法。评语集V={v1，v2，v3，v4，v5，v6}={优秀，良好，中等，及格，较差，极差}，据此建立模糊评价关系矩阵R

矩阵中rij表示评价指标ui被评为vj的隶属度函数值，隶属度向量 Ri= {ri1，ri2，…，ri6}是由每种评价的隶属度组成的V上的一个模糊子集。

其次，确定权重分配集A。由于在进行模糊综合评价时，五项因素的重要性不一样，假设知识点库中给定了当前的知识点:A= (a1，a2，a3，a4，a5)= (0.2，0.1，0.3，0.2，0.2)。需要注意的是，经过一定数量的学生测试后，对知识库中的集A可作精确一些调整或计算。设某维修知识点要达到熟练运用的能力，经归一化和模糊化处理后，可得该知识点的R矩阵

此时又由于已假设当前知识点的权重分配集A，那么可得该学生对该知识点掌握情况的模糊评判:

可见，该学生对该知识点的运用能力上，中等占了29%，及格占了16%，及格以下的成绩占了少数，由此判定他基本能够达到对该知识点具有运用能力的认知目标，可以判定该学生通过了该知识点的学习。

2)学生行为事件和事件集的表示

行为事件和事件集的表示是系统在操作过程中根据用户的使用情况进行记录统计得到的，是一个动态更新的过程。在表示行为事件和事件集最主要的就是学生学习内容和历史学习情况的更新。

a.学生学习内容的更新

只有当学生学习过并且通过测试基本掌握了才更新学习内容，这样做是给学生一个基本的学习路径，不因为学生不想学习而跳过部分内容，影响学习效果。学生模型会将各个知识点进行归类，按难度进行分级。学习时系统会根据学生的背景知识，提供不同的学习知识点。只有当学生的认知水平达到了一定程度时，才能做相应难度的训练。这样不仅可以使系统根据产生式规则方便实现，而且可以使学生循序渐进的提高。

b.历史学习情况的更新

历史学习情况主要是记录学生在以往的学习中对各知识点掌握的情况，使学生能够了解一段时期内自己的学习情况，为下一步学习提供一个参考。当学生进行过测试后，学生回答正确与不正确的问题都可以用来更新学生掌握知识的值。掌握知识的值是统计历史学习情况的依据。与学习内容不同，历史学习情况不是每一个难度水平上的值都需要更新。例如，如果学生操作正确难度0上的问题，这对他的难度3上掌握的知识没有任何影响。然而如果难度2的问题解决了，则可能意味着他对于难度0的知识是掌握的。使用这个规则的是因为难度等级越高，学生越难完成。例如，难度3比难度0要困难得多。如果学生不会维修难度3的故障，并不意味着他没有掌握该水平以下的故障修理。但如果他不能正确处理难度0的故障，高于难度0的知识水平应当被调低。

本文解决历史学习情况更新问题的方法是故障加权法。例如学员能够操作故障等级0的故障，那么此故障将按某步进数自动会降低加权系数;当学员没有能够完成本故障处理，故障加权系数按某步进数升高。系统根据学员的使用情况变更故障的加权系数，对故障进行调整，从而变更用户的学习路径，智能的满足用户的需求，达到事半功倍的效果。