基于ANFIS和CBR的防化训练效果智能评估

吕学义

摘要：本文首先介绍ANFIS和CBR的理论知识，集成人工智能方法的思想，提出ANFIS和CBR相结合的方案，建立ANFIS-CBR智能评估模型，对受训者的防化训练效果进行了全景式科学评估。实验结果表明，该智能评估模型能有效地对防化训练效果进行全面优化评估，为防化训练系统的虚拟模型优化、快速提升受训者的能力水平提供了数据参考。

关键词：ANFIS;CBR;防化训练;评估

随着人工智能技术和虚拟现实技术的快速发展，许多领域采用防化训练系统代替实装进行维修训练。针对不同受训者的训练特点，依据计算机智能评估分析有助于得出最佳的训练决策，即选择最合适的训练内容和训练方法;大致诊断出受训者的错误及可能的错误原因，并给出指导和评价，以提高训练的实际效果和质量。当前，对于防化训练的研究多侧重在防化训练系统功能设计、虚拟对象仿真等方面，对防化训练智能化评估的研究比较缺乏。因此，防化训练智能评估研究将成为一个既有理论价值又有重大实际意义的研究方向。

1ANFIS和CBR理论简介

1.1ANFIS 知识

ANFIS（自适应神经模糊系统）是指模仿人的大脑神经系统信息处理功能的智能化系统。随着神经网络理论的快速发展，将神经网络与模糊理论融合为建模仿真的新技术成为学者们研究的焦点之一。ANFIS通过学习训练给定的经验数据，并由此生成模糊控制规则。通过神经网络实现的模糊控制，在控制生成策略时，不必进行复杂的规则搜索和推理，只需要通过高速并行的分布计算就可产生输出结果。神经网络模糊控制器一般组合形式。主要有三种作用：①利用神经网络驱动模糊推理。②利用神经网络记忆模糊控制规则。③利用神经网络优化模糊控制器的参数。

1.2CBR 知识

CBR （Case-Based Reasoning）是对新问题在案例库中搜索出最为相似的旧案例，并进行修改给新问题提供一种解的推理模式。目前，CBR技术的应用已成为人们研究的热点，因为CBR技术解决问题不是通过知识规则去推理，而是对其自身所经历过的信息进行回忆。CBR实质上是一种类比学习方法，是一种基于过去求解类似闯题的经验获得豢前问题求解结果的推理模式。它是人工智能领域知识工程中的一种新的方法。与其它人工智能方法相比，CBR有其鲜明的特点：（1）CBR可以快速给出问题的解答。（2）CBR可以在人们尚未完全掌握理解的领域求解。（3）CBR在没有规则可寻的情况下给推理系统提供了一种解决问题的方法。（4）CBR可以用来解释一个可扩充的或未能很好定义的概念，即CBR适合在无限或未知领域应用。（5）CBR通过指出以往案例的核心部分指导将推理的重点放到问题的关键方面，问题求解的质量和效率取决于案例的表示、组织、获取以及案例的检索。

2  ANFIS-CBR智能评估模型

本文集成人工智能方法的思想，提出ANFIS和CBR相结合的方案，建立ANFIS-CBR智能评估模型。ANFIS-CBR模型的核心思想是，根据案例的属性特征，通过对其建立不同的索引，将一个大型的案例库划分为多个子案例库。ANFIS作为CBR的前序模块，对输入的故障信息通过学习训练赋予索引，从而可在CBR模块中的具有相应索引的子案例库中索引相似的案例集。系统的工作方式可分为建模学习过程和检索评估过程。在对系统进行建模学习时，受训者在虚拟环境中进行维修训练的数据通过EON软件数据采集端口输出到智能评估模型，通过与故障库标准数据对比分析，采用CBR技术进行故障案例检索，在相应的子案例库中寻找相似案例集，得出与当前故障问题最匹配的一个或几个案例，完成案例相似度的排序，如训练故障数据未超过阙值范围则通过ANFIS智能模块进行综合评估，得出受训者此次的防化训练综合成绩。否则，判为新案例存储到案例知识库，整个过程实现了评估模型的自学习。ANFIS-CBR智能评估模型。

3  CBR模块案例检索实现

案例检索是构建CBR的专家系统的关键技术之一。案例索引就是按照一定的索引策略，从案例库中筛选出对当前问题可能有潜在的启发和指导意义的案例集，以缩小案例匹配的案例集的范围。案例匹配就是从案例索引得到的案例集中根据一定的相似性度量方法，查找与当前待求解的问题最相似的案例。案例检索的根本目的就是通过案例库中的案例与待求解的问题之间的相似度比较，找到最相似的案例。具体实现步骤：1）首先由用户输入装备故障种类、故障发生的部件、部位等故障案例关键特征属性。2）利用步骤1）的特征属性，根据层次结构索引，初步检索出符合用户输入的特征属性的故障案例种类，以及得到初始匹配的案例集。3）根据故障案例的种类，列出该种类所包含待匹配的特征属性和特征权值，然后由用户输入这些关键特征属性值。4）计算新故障案例中的特征属性与初步检索出故障案例集中的第k个案例的相应特征属性的匹配度。5）将4）中得出的匹配度与相应特征属性的权值，根据k-近邻法进行计算，求得该新案例與故障集中第k个案例的匹配度。6）重复步骤4）和步骤5），计算出该初始匹配案例集中的所有案例与当前故障问题的匹配度。将所有案例的匹配度排序，输出与当前故障问题最匹配的一个或几个案例，完成案例匹配过程。

4 防化训练评估指标体系构建

防化训练评估就是在虚拟环境下根据专家们对受训者操作时的诸项指标进行分析处理综合评价。科学正确的选择评估指标对于防化训练系统评估具有重要影响。防化训练评估就是在虚拟环境下根据专家们对受训者操作时的诸项指标进行分析处理综合评价。为克服由一位专家确定权重时存在的主观性问题，可用Delphi法，首先选择10～15位专家，根据设计的两两指标相对重要性专家咨询表参与评判，并不断进行反馈和修改。经专家多轮评判，获得趋近一致的专家意见后，利用所得的两两指标相对重要性结果来分别构造各指标层的判断矩阵，然后用层次分析法计算各指标间的相对权重。根据所得的权重数据，对采样数据进行处理即获得初始训练样本。防化训练系统在防化训练中选取的主要八个特性为：①时间符合度，训练项目中规定的关键点状态转换完成的时间，现实情况中通常也会依据历史经验提供标准参考时间;②路径符合度，路径是指对训练项目中，关键点的顺序要求，对于操作训练项目，路径是指动作对象的执行序列;③关键点符合度，关键点是指训练项目中，要求必须执行的点，对于操作训练项目，关键点主要是指操作步骤中的动作对象;④参数符合度，参数是指训练项目中，关键点状态特征的量化表征;⑤易操作性，指防化训练系统安装启动步骤简明程度、启动时间快慢程度和操作界面的人性化程度;⑥方法符合度，方法是指训练项目中，受训人员对于执行对象所采用的行为方式;⑦层次性，指防化训练系统为了对不同知识层次的受训者提供不同的维修案例库。⑧智能性，指防化训练系统为现场测试人员综合评价的推理评判过程。防化训练效果评估指标是网络模型能够准确预测的关键。因此我们仍需对防化训练效果评估指标体系进行深入研究，加强对虚拟环境下人机交互的数据采集、存储保留等工作，在大量数据的支持下，效能预测才能够更加精准。

5 结束语

本文将ANFIS理论和CBR技术相结合，建立ANFIS-CBR智能评估模型。模型中ANFIS模块的分类结果主要体现在故障案例索引的建立上，而CBR的案例库也因索引的不同被划分为若干个子案例库，在进行案例检索时，ANFIS将指导CBR在相应的子案例库中检索。ANFIS-CBR智能评估模型解决了ANN和CBR各自单独应用时的局限，应用到防化训练领域具有一定参考价值。

参考文献：

[1]葛哲学，孙志强.神经网络理论与MATLABR2007[M].电子工业出版社.2007.9.

[2]杨宇航，庚红等.装备防化训练系统工程研究[J].计算机工程与设计，2002，23（4）：34～41.

[3]郭齐胜，郅志刚，杨瑞平等.装备效能评估概论[M].北京：国防工业出版社，2005.