一种民航飞行员多维度认知能力的检测系统的制作方法

1.本发明属于认知能力检测技术领域，具体涉及一种民航飞行员多维度认知能力的检测系统。


背景技术：

2.伴随着全球航空事业的飞速发展，飞行器硬件设备制造开发水平的提升，以及各地机场等配套基础设施的完善，民航在人们面临中远程距离出行时，被接受的程度越来越高。但是，越来越多的乘机需求也意味着越来越高的营运风险，因此针对航空安全性与可靠性的需求越来越迫切。在飞行过程中，人为因素是导致航空事故的最主要原因，飞行员在紧急情况下对飞行器的运行决策直接决定了飞行器的事故风险。因此，亟需一种能对飞行员认知能力进行合理检测的系统，这有利于选拔出飞行决策能力较强的飞行员，一定程度上降低航空事故发生的风险和概率。值得注意的是，一次完整的飞行过程中涉及多个飞行环节，每个环节都需要对飞行员进行认知检测，并需要综合的检测结果，目前的技术只能从单一层面对飞行员的认知能力进行检测，这将导致检测的结果与飞行员真实能力之间存在较大偏差，无法作为飞行员选拔的依据。
3.本发明旨在开发一种民航飞行员多维度认知能力的检测系统，通过对整个飞行过程中多个环节的认知能力进行综合检测，合理有效的进行飞行员选拔，避免因为单一维度检测结果所带来的偏差，从而对飞行员选拔过程起到支持和辅助作用。


技术实现要素：

4.为了解决现有技术中的上述问题，即为了解决现有的认知能力的检测系统检测准确率较低的问题，本发明提出了一种民航飞行员多维度认知能力的检测系统，该系统包括认知能力检测单元，所述认知能力检测单元包括时空旋转能力检测模块、知觉速度能力检测模块、专业能力检测模块、注意能力检测模块、记忆能力检测模块、思维能力检测模块；所述系统还包括：
5.检测结果获取模块，配置为获取待认知能力检测的飞行员在通过所述认知能力检测单元每个检测模块中各检测指标检测后得到的检测成绩数据，作为第一数据；
6.对各第一数据进行归一化处理，得到归一化数据；基于各第一数据，计算信息熵，并将所述信息熵与对应的归一化数据相乘，将相乘后的结果作为第二数据；将各第二数据转换为百分制，作为所述飞行员各检测指标对应的最终检测结果；
7.一致性检验模块，配置为基于各最终检测结果形成指标判断矩阵，进而构建区间中智矩阵，利用去中智化方法将所述区间中智矩阵所包含的真、假及不确定中智区间转化为单一计算值，构建去中智化判断矩阵；其中，真、假、不确定中智区间即对应隶属度ta、犹豫度ia、费隶属度fa，共同表示一个区间中智集a；
8.基于所述去中智化判断矩阵，计算一致性指标ci；根据区间中智集评价语言量表查找与所述ci对应的平均随机一致性指标ri，相除得到一致性比例cr；判断所述cr小于设
定的一致性比例阈值，若否，则修改所述指标判断矩阵；
9.第一权重值更新模块，配置为对所述去中智化判断矩阵中各元素进行归一化处理，得到归一化元素；基于各归一化元素计算所述去中智化判断矩阵每行的算数平均值，作为各检测模块的最终权重值进行更新；
10.所述区间中智集评价语言量表，为预设的两个检测模块之间设定的相对重要程度的映射关系。
11.在一些优选的实施方式中，所述信息熵，其计算方法为：
[0012][0013]
其中，ej表示检测指标j对应的信息熵，x
ij
表示待认知能力检测的飞行员i对应检测指标j的检测成绩数据，k＝1/ln(n)＞0，n表示参与检测的飞行员数量。
[0014]
在一些优选的实施方式中，所述飞行员各检测指标对应的最终检测结果为：其中，x
″
表示第二数据；
[0015]
两项及以上检测指标对应的最终检测结果为：
[0016][0017]
其中，x
″
ij
为待认知能力检测的飞行员i对应检测指标j归一化后的检测得分，即待认知能力检测的飞行员i第j个检测指标对应的第二数据，j＝1,2,...,m，m为检测题目中的检测指标的项数，s
test
为检测题目的检测得分，即两项及以上检测指标对应的最终检测结果。
[0018]
在一些优选的实施方式中，所述区间中智矩阵，其构建方法为：
[0019]
根据各最终检测结果，获取具体重要性打分结果，对重要性打分结果进行矩阵化处理，形成指标判断矩阵；
[0020]
判断所述指标判断矩阵中每一个维度都有对应的重要性等级，对照预构建的区间中智集评价语言量表，将所述指标判断矩阵中的重要性等级替换为与之对应的区间中智集，从而形成区间中智矩阵。
[0021]
在一些优选的实施方式中，所述去中智化判断矩阵中各元素为：
[0022][0023]
其中，u表示去中智化判断矩阵中的元素，表示隶属度t的下限值，表示隶属度ta的上限值，表示犹豫度ia的上限值，表示非隶属度fa的下限值，表示非隶属度fa的上限值。
[0024]
在一些优选的实施方式中，所述一致性指标，其获取方法为：
[0025]
[0026]
其中，ci表示一致性指标，λ
max
表示最大特征根，即矩阵的特征值中绝对值最大的一个，n表示矩阵阶数。
[0027]
在一些优选的实施方式中，基于各归一化元素计算所述去中智化判断矩阵每行的算数平均值，作为各检测模块的最终权重值，其方法为：
[0028][0029][0030]
其中，wi表示第i个检测模块的最终权重值，u
ij
表示去中智化判断矩阵中第i行第j列的元素。
[0031]
在一些优选的实施方式中，所述民航飞行员多维度认知能力的检测系统，还包括第二权重更新模块；
[0032]
所述第二权重更新模块，配置为获取各检测模块中子模块对应的检测环节的视觉特征以及模拟飞行场景下各子环节的视觉特征，所述视觉特征对应的眼动指标包括注视时长占比、平均注视时长、眼跳幅度、左眼瞳孔直径、右眼瞳孔直径；
[0033]
基于模拟飞行场景下各子环节的视觉特征，通过预构建的多元线性回归分析模型预测各检测模块中子模块对应的检测环节的重要性参数；
[0034]
基于所述重要性参数，获取各检测模块的子模块对应的权重提升列表、权重暂不调整列表，进而对各检测模块的子模块对应的权重进行调整；
[0035]
计算第n-1次迭代后的各检测模块的子模块的更新后的权重值、第n次迭代后的各检测模块的子模块的未更新的权重以及第n次迭代后的各检测模块的子模块调整后的权重的均值，作为第n次迭代的更新后的权重值，进而进行更新；其中，n表示当前迭代。
[0036]
在一些优选的实施方式中，基于模拟飞行场景下各子环节的视觉特征，通过预构建的多元线性回归分析模型预测各检测模块中子模块对应的检测环节的重要性参数，其方法为：
[0037]ai
＝w1a1+w2a2+w3a3+
…
+w
22a22
+ε,i＝23,24,
…
,30
[0038]
其中，ai表示第i个检测环节的向量，即模拟飞行场景下各子环节的视觉特征，wi表示第i个向量的重要性参数，即各检测模块中子模块对应的检测环节的重要性参数，ε表示设定的误差值。
[0039]
在一些优选的实施方式中，基于所述重要性参数，获取各检测模块的子模块对应的权重提升列表、权重暂不调整列表，进而对各检测模块的子模块对应的权重进行调整，其方法为：
[0040]
当在模拟飞行场景下任一子环节中，若所述wi不为0的数量大于设定的第一数量阈值，则选取前m个子模块作为显著认知能力模块，否则，则选取所有重要性系数不为0的子模块作为显著认知能力模块；重要性系数为0的子模块作为非显著认知能力模块；
[0041]
对在超过设定个模拟飞行场景下的子环节出现的显著认知能力模块，增入权重提升列表，对在超过设定个模拟飞行场景下的子环节出现的非显著认知能力模块，增入权重暂不调整列表；
[0042]
基于所述权重提升列表、所述权重暂不调整列表，对各检测模块的子模块对应的
权重进行调整；
[0043]
调整策略为：所有检测模块的子模块同时开始调整，设置权值调整步长为α，单位批次人数为x人，即默认每一批新增的检测人数量为x人次，若不足该人数或超过该人数，步长按照α*(实际人数/x)划定，根据其重要性值确定权值调整方向升高，按照步长进行一次更新迭代。
[0044]
本发明的有益效果：
[0045]
本发明提升了认知能力检测的准确率。
[0046]
本发旨在为飞行员选拔过程提供一种更加科学、准确和公正的检测手段。首先，该系统采用了多种检测维度，例如专业能力，记忆能力，思维能力，注意能力，时空旋转能力以及速度感知能力等，以检测候选飞行员在不同认知方面的表现。相比于传统的选拔方法，该系统能够全面、细致地检测飞行员的认知能力，从而更好地判断其是否适合从事飞行工作。其次，该系统采用了智能化数字化的检测技术，以提高检测的科学性、准确性和客观性。该系统根据待认知能力检测的飞行员在进行认知能力系统检测以及模拟飞行时的眼动信号比对分析结果作为参考依据，结合视觉眼动特征进行优化调整；此外，利用归一化和熵权法对不同检测指标进行计分，以更好地识别优秀的飞行员。最后，该系统可以自动化地并满足多人多公司多层次的选拔要求，从而大大减少了人力成本和时间成本，提高了选拔效率。同时，该系统也可以与其他选拔方法结合使用，以提高选拔效果和可靠性。因此，本发明的多维度认知能力检测系统具有广泛的应用前景，在飞行员选拔和相关领域都有很大的推广和应用价值。
附图说明
[0047]
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本技术的其他特征、目的和优点将会变得更明显。
[0048]
图1是本发明一种实施例的一种民航飞行员多维度认知能力的检测系统的简略框架示意图；
[0049]
图2是本发明一种实施例的检测成绩数据的示意图；
[0050]
图3是本发明一种实施例的一种民航飞行员多维度认知能力的检测系统的整体检测过程的简略示意图；
[0051]
图4是本发明一种实施例的多个飞行员同时检测的过程示意图；
[0052]
图5是本发明一种实施例的认知能力检测单元的具体框架示意图；
[0053]
图6是本发明一种实施例的各检测模块对应的子模块的示意图。
具体实施方式
[0054]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。需要说明的是，在不冲突的
情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0056]
本发明第一实施例的一种民航飞行员多维度认知能力的检测系统，该系统包括认知能力检测单元，所述认知能力检测单元包括时空旋转能力检测模块、知觉速度能力检测模块、专业能力检测模块、注意能力检测模块、记忆能力检测模块、思维能力检测模块；所述系统还包括：
[0057]
检测结果获取模块，配置为获取待认知能力检测的飞行员在通过所述认知能力检测单元每个检测模块中各检测指标检测后得到的检测成绩数据，作为第一数据；
[0058]
对各第一数据进行归一化处理，得到归一化数据；基于各第一数据，计算信息熵，并将所述信息熵与对应的归一化数据相乘，将相乘后的结果作为第二数据；将各第二数据转换为百分制，作为所述飞行员各检测指标对应的最终检测结果；
[0059]
一致性检验模块，配置为基于各最终检测结果形成指标判断矩阵，进而构建区间中智矩阵，利用去中智化方法将所述区间中智矩阵所包含的真、假及不确定中智区间转化为单一计算值，构建去中智化判断矩阵；其中，真、假、不确定中智区间即对应隶属度ta、犹豫度ia、费隶属度fa，共同表示一个区间中智集a；
[0060]
基于所述去中智化判断矩阵，计算一致性指标ci；根据区间中智集评价语言量表查找与所述ci对应的平均随机一致性指标ri，相除得到一致性比例cr；判断所述cr小于设定的一致性比例阈值，若否，则修改所述指标判断矩阵；
[0061]
第一权重值更新模块，配置为对所述去中智化判断矩阵中各元素进行归一化处理，得到归一化元素；基于各归一化元素计算所述去中智化判断矩阵每行的算数平均值，作为各检测模块的最终权重值进行更新；
[0062]
所述区间中智集评价语言量表，为预设的两个检测模块之间设定的相对重要程度的映射关系。
[0063]
为了更清晰地对本发明一种民航飞行员多维度认知能力的检测系统进行说明，下面结合附图，对本发明系统一种实施例中各模块进行展开详述。
[0064]
首先介绍该系统的整体过程，如图3所示，第一步被检测者(即待认知能力检测的飞行员)通过用户登录界面登录个人账号进入系统。
[0056]
进入到个人系统后被检测者建立本次检测的文档，建立后即可进入下一环节，不同航空公司针对不同类型和阶段的飞行员选拔标准会有不同，因此题目的顺序和频次可由检测方进行调整并命名为特定类别，建档过程需要先选择具体的检测类别然后进行建档。
[0057]
建立好本次检测的文档后，即可进入题目示范环节，首先是检测题目示范1，经过展示模块(如图1所示)的展示和说明，被检测者接着进行操作的尝试，尝试完毕后，被检测者可选择理解该题目操作或不理解，若已经理解题目并学会操作可进入下一题目的学习和操作，若没有理解或不会操作，系统重新回到题目1的示范，再次进行示范操作。以此类推，直到被检测者理解了所有题目的内容并学会操作，如图3所示。
[0058]
被检测者理解了所有检测题目并学会操作后就可进入下一环节，开始正式的认知能力检测。
[0059]
认知能力检测的具体内容如图6所示，根据飞行员在飞行过程中需要参与的所有环节以及需要的能力，认知能力检测内容主要包括6大模块，分别是专业能力检测模块，记忆能力检测模块，思维能力检测模块，注意能力检测模块，时空旋转能力检测模块以及知觉
速度能力检测模块；具体如下：
[0060]
记忆力检测模块用于对被测人员的记忆力进行检测。记忆力检测模块包括文字记忆能力子模块、数字记忆能力子模块、数字工作记忆能力子模块、路径记忆能力子模块、音频记忆能力子模块、情景记忆能力子模块、字符记忆能力子模块、动作记忆能力子模块；
[0061]
文字记忆题目配置为：同时出现若干个(例如10个)中文词语并持续一定的时间(例如40s)，文字消失后依次单独出现相同数量的(例如10个)不同词语，问这些词语是否在之前出现过，以对被测人员的文字记忆能力进行检测。
[0062]
数字记忆题目配置为：同时出现若干个(例如10个)多位数(例如三位数)并持续一定的时间(例如40s)，数字消失后依次单独出现相同数量的(例如10个)不同的多位数(例如三位数)，问这些多位数(例如三位数)是否在之前出现过，以对被测人员的数字记忆能力进行检测。
[0063]
数字工作记忆题目配置为：依次显示若干个(例如2个)格子点亮的多宫格(例如九宫格)，点亮的其中一个格子中显示数字，多次(例如四次)显示后，计算某一格子中历史数字之和，以对被测人员的数字工作记忆能力进行检测。
[0064]
路径记忆题目配置为：在n乘n(n为大于1的自然数，例如6乘6)的方形格子组成的大正方形中，随机点亮1个方格后迅速熄灭(例如随机显示1个方格为红色0.75s)，重复多次(例如3-4次)，选择所有次数中被点亮方格(红色方格)出现过的位置，以对被测人员的路径记忆能力进行检测。
[0065]
音频记忆题目配置为：根据一段若干字数(例如30字)以内的语音内容，回答与语音内容相关的问题，以对被测人员的音频记忆能力进行检测。
[0066]
情景记忆检测模块配置为：显示一张包含多个(例如4个)特殊物品的场景图片并维持显示一定的时间后消失(例如4s)，在场景图片消失后回答出现在其中一个位置上(例如问号位置)的是什么物品，以对被测人员的情景记忆能力进行检测。
[0067]
字符记忆题目配置为：显示一个多位数(例如5位数)并持续一定的时间(例如1.5s)，待该多位数消失后随机出现某一个数字，判断该随机出现的数字是否在之前显示的多位数中出现过(若出现过则按下空格键)，以对被测人员的字符记忆能力进行检测。
[0068]
动作记忆题目配置为：显示四个数字(例如1、2、3、4)并持续一定的时间(例如3s)，记住这四个数字分别对应的方向键，当按键指令发出后(例如出现“press”的指令)，按数字从小到大的顺序，依次按下这四个方向键，以对被测人员的动作记忆能力进行检测。
[0069]
注意能力检测模块用于对被测人员的注意力进行检测。注意能力检测模块包括：注意分配能力子模块、注意集中能力子模块；
[0070]
注意分配题目有以下两种配置分别是：
[0071]
1)屏幕分成左右两部分，左屏幕中需用手移动光标追踪移动的对象(例如小球)(即跟踪任务)，同时右侧完成上文中动作记忆检测模块的检测(即动作记忆)
[0072]
2)屏幕分成左右两部分，左屏幕中需用手移动光标追踪移动的小球(即跟踪任务)，同时右侧当出现某个数字(例如数字0)后默数设定时长(例如5秒)后按下指定按键(例如空格键)(即时间估计)。
[0073]
注意集中题目有以下两种配置分别是：
[0074]
1)屏幕分成左右两部分，左屏幕中需用手移动光标追踪移动的小球(即跟踪任
务)，同时右侧出现不同颜色后需按下对应的数字(例如，“绿色”为1，“红色”为2，“黄色”为3)(即颜色反应)。
[0075]
2)屏幕分成左右两部分，左屏幕中需用手移动光标追踪移动的小球(即跟踪任务)，同时，会听到三种不同频率的声音(例如550hz、650hz、750hz这三种不同频率的声音)。检测时，当听到的声音频率为其中的一种频率(例如650hz)时按下指定按键(例如需用右手按下指定按键)(即声音反应)。
[0076]
思维能力检测模块包括：四则运算能力子模块、数字推理能力子模块、图像能力子模块(即图像推理能力子模块)；
[0077]
四则运算模块配置为：屏幕上出现多个(例如三个)数字的四则运算且最终结果为个位数，题目出现后输入四则运算的结果，以对结果的准确性和输入速度进行检测。
[0078]
数字推理模块配置为：根据已有数字，推理出符合规律的正确答案，以对被测人员的数字推理能力进行检测。
[0079]
图像推理模块配置为：根据已有图像，推理出符合规律的正确答案，以对被测人员的图像推理能力进行检测，
[0080]
时空旋转能力检测模块包括时空旋转能力子模块；时空旋转能力子模块配置为：在一定的时间(例如120s)内选择可以由指定三维图像旋转后得到的图像。
[0081]
知觉速度能力检测模块包括数字辨识能力子模块、数字反应能力子模块、颜色反应能力子模块、声音反应能力子模块；
[0082]
数字辨识能力子模块，配置为：根据显示的艺术加工后的图像按下对应数字，以对被测人员的数字辨识能力进行检测。
[0083]
数字反应能力子模块，配置为：屏幕上随机出现字母或者数字，每次出现一定的时长(例如1s)，当看到数字时立即按下空格键，当看到字母时不做任何操作，以对被测人员的数字反应能力进行检测。
[0084]
颜色反应能力子模块，配置为：屏幕上显示不同的颜色，根据显示颜色按下对应按键(例如“绿色”为1，“红色”为2，“黄色”为3)，以对被测人员的颜色反应能力进行检测。
[0085]
声音反应能力子模块，配置为：受试者听到不同频率的声音，根据听到的音高按下对应按键(例如“550hz”为1、“650hz”为2、“750hz”为3)，以对被测人员的声音反应能力进行检测。
[0086]
专业能力检测模块包括仪表盘辨认能力子模块、刻度估计能力子模块、特殊形状跟踪能力子模块、移动目标跟踪能力子模块、扫视比较能力子模块、位置识别能力子模块、时间估计能力子模块、速度估计能力子模块；
[0087]
仪表盘辨认能力子模块配置为：在刻度盘中，已知基准刻度线(例如0度)和某一刻度线的度数，判断另一刻度线的度数。
[0088]
刻度估计能力子模块配置为：屏幕上半部分出现一个条形刻度尺，已标出2个刻度值，另有一个标志(例如三角形标志)指向某条刻度线，推算该标志(三角形标志)所指的刻度值。
[0089]
特殊形状跟踪能力子模块配置为：屏幕出现一个可移动物体(例如一架小飞机)和一个特殊曲线轨迹，可移动物体(小飞机)会以固定速度向光标位置前进，被测人员需要控制可移动物体(小飞机)沿着图中的特殊曲线轨迹移动，使可移动物体(小飞机)绕特殊曲线
轨迹一周。
[0090]
移动目标跟踪能力子模块配置为：屏幕上出现一个三角形和一个圆形，三角形根据内置的函数运动，被测人员需用手控制圆形移动并尽量使三角形位于圆形中间。
[0091]
扫视比较能力子模块配置为：屏幕上出现两行成对的图形，被测人员需要对其进行比较，识别出其中形状完全相同的一对图形(不需要旋转)，然后按下该对相同形状图形的列号。
[0092]
位置识别能力子模块配置为：被测人员观察显示的坐标系，读取指定单元格(例如红色单元格)的(x，y)坐标，并使用键盘输入x，y的值。
[0093]
时间估计能力子模块配置为：屏幕上出现某个数字(例如数字0)并伴随干扰声(例如“滴滴声”干扰)，当出现该数字(数字0)后被测人员需要默数设定时长(例如5s)，之后按下指定键(例如空格键)。
[0094]
速度估计能力子模块配置为：屏幕上出现一个匀速直线运动的物体(例如小球)和目标物体(例如墙壁)，运动速度随机，当小球运动一段距离(1/2或2/3)后会消失，但实际上其会以原速度继续运动，被测人员需估计小球到达目标墙壁的时刻，并在该时刻按下指定键(例如空格键)。
[0095]
上述所有题目成绩统计的指标分为三种，动作类任务为距离的均方误差(mse),考察正确与否的题目为正确率，除动作类任务的其它任务均记录反应时。
[0096]
为了提高成绩的可信度和可靠性，该系统采用两层模块进行赋权(即图1中的视觉特征双层赋权模块)，第一层模块的核心理论是区间中智评价法，第二层模块的核心理论是熵权法。第一层模块功能是实现对如图5所示准则层的模块权重分配，主要依赖专家团队的模糊打分结果，去模糊化后得到模块权重。由于会有新的专家加入到打分赋权的过程中，因此专家打分系统会基于加入的专家给出的打分结果，迭代更新准则层模块的权重值。第二层模块的功能是实现指标层模块的权重分配，系统的参数变化就是针对指标层权重的更新。第二层模块在全局中的最终权重由第一层模块权值(wi)乘以第二层模块在第一层模块下的权值(w
i-j
)来表征，即需要注意的是，系统对于第一层模块权重(wi)和第二层模块对应于第一层模型下权重(w
i-j
)的赋权过程相对独立，系统基于视觉特征分析结果而对第二层模块权重做出的调整，调整对象均指的是该第二层模块在对应第一层模块下的权值，即w
i-j
。
[0097]
第二层模块(即检测结果获取模块，系统除过上述模块还包括一致性检验模块、第一权重值更新模块)配置为获取待认知能力检测的飞行员在通过所述认知能力检测单元每个检测模块中各检测指标检测后得到的检测成绩数据(如图2所示)，作为第一数据；对各第一数据进行归一化处理，得到归一化数据；基于各第一数据，计算信息熵，并将所述信息熵与对应的归一化数据相乘，将相乘后的结果作为第二数据；将各第二数据转换为百分制，作为所述飞行员各检测指标对应的最终检测结果；具体内容如下：
[0098]
基于系统中飞行员完成检测后得到的成绩，对指标层每个模块进行权重的计算赋值的计算过程如下所示：
[0099]
对于检测指标j,第i＝1,2,...,n个记录值(即检测成绩数据)变换公式为：
[0100][0101]
其中，x
ij
表示待认知能力检测的飞行员i对应检测指标j的检测成绩数据，x
min,j
和x
max,j
为检测指标j对应的最小和最大值，xi′j表示归一化后的x
ij
(即使得检测成绩数据按照分布进行变换，使值域处于[0,1]范围内)。
[0102]
对检测指标j的信息熵计算公式如下：
[0103][0104]
其中，表示检测指标j,第i个记录值出现x
ij
的概率，k＝1/ln(n)＞0，引入信息熵的归一化结果为x
″
ij
＝x
″
ij
*e。
[0105]
具有一项检测指标的检测题目最终得分为其归一化的值转为百分制，即具有两项及以上检测指标的检测题目最终得分为归一化之后相加除以指标对应信息熵的和，再转换为百分制，如下公式：
[0106]
其中x
″
ij
为待认知能力检测的飞行员i对应检测指标j归一化后的检测得分，即待认知能力检测的飞行员i第j个检测指标对应的第二数据，j＝1,2,...,m，m为检测题目中的检测指标的项数，s
test
为检测题目的检测得分，即两项及以上检测指标对应的最终检测结果；
[0107]
同理，总体检测结果在各个维度中计算检测得分，其计算公式为：
[0108]
第一层模块(即一致性检验模块、第一权重值更新模块)，一致性检验模块，配置为基于各最终检测结果形成指标判断矩阵，进而构建区间中智矩阵，利用去中智化方法将所述区间中智矩阵所包含的真、假及不确定中智区间转化为单一计算值，构建去中智化判断矩阵；其中，真、假、不确定中智区间即对应隶属度ta、犹豫度ia、费隶属度fa，共同表示一个区间中智集a，每一个区间中智集都包含真、假、不确定中智区间，是固定顺序的，去中智化就是一种去模糊化方法，将三个中智区间转化为一个数值；具体如下述公式(3)所示。
[0109]
基于所述去中智化判断矩阵，计算一致性指标ci；根据区间中智集评价语言量表查找与所述ci对应的平均随机一致性指标ri，相除得到一致性比例cr；判断所述cr小于设定的一致性比例阈值，若否，则修改所述指标判断矩阵(具体为：修改方法为重新组织专家打分，对专家说明当前一致性检验不合格的状况，并就各个模块概念重新进行详细、准确的介绍性说明，专家基于经验、认知以及对当前状况的理解，重新根据语言量表标准进行打分，打分结果收集后，重复进行去模糊化处理步骤，得到修改后的指标判断矩阵，接着重新进行一致性检验，直到检验通过为止，即重新构建去中智化判断矩阵，进行一致性比例计算)。第一权重值更新模块，配置为对所述去中智化判断矩阵中各元素进行归一化处理，得到归一化元素；基于各归一化元素计算所述去中智化判断矩阵每行的算数平均值，作为各检测模块的最终权重值进行更新；所述区间中智集评价语言量表，为预设的两个检测模块之间设定的相对重要程度的映射关系；具体内容如下：
[0110]
区间中智评价法的核心是假设a为论域e中的一个区间中智集，由隶属度函数ta、犹豫度函数ia、非隶属度函数fa共同表示：
[0111]
a＝{《ta(x)，ia(x)，fa(x)》|x∈e}
ꢀꢀꢀꢀ
(3)
[0112]
其中，ta(x)，ia(x)和fa(x)分别表示隶属度、犹豫度、非隶属度，是隶属[0，1]的子集，并且0≤sup[ta(x)]+sup[ia(x)]+sup[fa(x)]≤3，ta(x)的下限值为上限值为若ta(x)越接近于1，则表示x属于ta的程度越高。
[0113]
专家打分系统会根据当前系统数据库内已有的检测成绩数据对准则层各个模块进行打分，区间中智集评价语言量表是专家系统面向各个认知维度进行重要性打分的参考标准。量表基于两个检测要素之间的相对重要程度，以区间中智集进行表征。量表共包含同等重要、绝对弱重要、极弱重要、较弱重要等11个重要程度，隶属取值在一个区间范围内，如绝对弱重要中的《[0.50，0.60]，[0.35，0.45]，[0.40，0.50]》，其中同等重要均用[0.50，0.50]表示，代表其取值为0.50，具体内容如表1(区间中智集评价语言量表)所示，每个重要性等级分别对应特定区间中智集。
[0114]
表1表1
[0115]
根据专家系统的具体重要性打分结果，对重要性评级结果进行矩阵化处理，形成指标判断矩阵(可以根据实际情况进行调整)：
[0116][0117]
其中，指标判断矩阵中第i行第j列元素表示检测模块ci相较于检测模块cj的重要性等级。
[0118]
接着，判断指标判断矩阵中每一个维度都有对应的重要性等级，对照区间中智集评价语言量表，将指标判断矩阵中的重要性等级替换为与之对应的区间中智集，从而形成区间中智矩阵。接着，利用去中智化公式，将每个矩阵元素所包含的真、假及不确定中智区间转化为单一计算值，构成去中智化判断矩阵，以及矩阵中各元素u。
[0119][0120]
其中，表示ia对应的上限值，表示fa的下限值，表示fa的上限值。
[0121]
根据判断矩阵属性，计算得到一致性指标ci，计算公式为：
[0122][0123]
其中，λ
max
为最大特征根，最大特征根是矩阵的特征值中绝对值最大的一个。计算最大特征根可以通过以下步骤进行：给定一个n阶矩阵a，可以表示为a＝[a_{ij}]，其中1《＝i，j《＝n；使用特征值求解的方法来计算矩阵a的特征值λ。特征值满足以下方程：a*v＝λ*v，其中v是一个非零向量解特征值方程，得到矩阵a的所有特征值λ_1，λ_2，...，λ_n；通过比较特征值的绝对值大小，找到绝对值最大的特征值，即最大特征根，n为矩阵阶数。根据区间中智集评价语言量表查找与计算结果ci对应的平均随机一致性指标ri，相除得到一致性比例cr。如果cr设定的一致性比例阈值(本发明优选0.1)，则可认为判断矩阵的一致性可以接受；否则需要对指标判断矩阵进行修改，重新组织专家评议打分直至一致性检验通过。
[0124]
即一致性性检验通过，根据归一化计算公式，对去中智化判断矩阵中的每一个元素进行处理，得到归一化元素n
ij
：
[0125][0126]
计算矩阵每行的算数平均值：
[0127][0128]
其中，wi表示第i个检测模块的最终权重值，u
ij
表示去中智化判断矩阵中第i行第j列的元素。
[0129]
由于矩阵每一行对应于一个认知能力指标，因此此时的wi即为第i个检测模块的最终权重值。
[0130]
民航飞行员多维度认知能力的检测系统，还包括第二权重更新模块；
[0131]
所述第二权重更新模块，配置为获取各检测模块中子模块对应的检测环节的视觉特征以及模拟飞行场景下各子环节的视觉特征，所述视觉特征对应的眼动指标包括注视时
长占比、平均注视时长、眼跳幅度、左眼瞳孔直径、右眼瞳孔直径；基于模拟飞行场景下各子环节的视觉特征，通过预构建的多元线性回归分析模型预测各检测模块中子模块对应的检测环节的重要性参数；基于所述重要性参数，获取各检测模块的子模块对应的权重提升列表、权重暂不调整列表，进而对各检测模块的子模块对应的权重进行调整(具体为：调整策略为：所有检测模块的子模块同时开始调整，设置权值调整步长为α，单位批次人数为x(本技术优选设置为100)人，即默认每一批新增的检测人数量为100人次，若不足该人数或超过该人数，步长按照α*(实际人数/100)划定，根据其重要性值确定权值调整方向升高，按照步长进行一次更新迭代。权重迭代步长α设置为0.05。举例说明，动作记忆子模块在记忆能力模块下的初始权重为0.27，那么如若动作记忆在100个测试人(单位批次)的眼动结构分析结果公布后，位于显著认知能力模块列表，那么就对动作记忆子模块在记忆能力模块下的权重值进行上调操作，调整幅度为0.05*(100/100)＝0.05，调整后的权重为0.32。随着测试人数增加，该操作重复进行)；计算第n-1次迭代后的各检测模块的子模块的更新后的权重值、第n次迭代后的各检测模块的子模块的未更新的权重以及第n次迭代后的各检测模块的子模块调整后的权重的均值，作为第n次迭代的更新后的权重值，进而进行更新(即图1中的参数更新模块)；其中，n表示当前迭代。具体如下：
[0132]
在对指标层各个模块(即子模块)的权重进行更新时，引入视觉特征信息辅助权重调整决策。由于认知能力检测是为了保障实际飞行场景中的飞行安全，因此各个认知能力维度权重应当被认为与飞行过程中的表现显著性(或重要性)关联。因此创建两个场景范式，其一即为认知能力检测场景，其二为模拟飞行场景，模拟飞行场景借助飞行模拟机实现(模拟机型号以实际应用场景为准)。视觉初始信号等均通过眼动追踪设备(眼动仪)在双场景下进行采集。
[0133]
认知能力检测场景中，按照各个题型分为多个子环节，其中由于“跟踪任务+动作记忆”、“跟踪任务+时间记忆”、“跟踪任务+颜色反应”、“跟踪任务+声音反应”四项题型均针对性考察“双任务”条件下飞行员的注意分配能力，因此在子环节切分时将其合并纳入同一子环节。最终得到22个认知检测场景子环节，分别编号为1-22号子环节。模拟飞行场景包含飞行中工作量最密集的滑跑起飞和进近着陆两个完整操作流程。滑跑起飞按照飞行员操作特性分为滑跑到离地前、0-200ft初始爬升、200ft以上爬升三个子环节；进近着陆分为捕获下滑到至距跑道高度200ft、200-100ft最终进近、100-20ft拉平前、20-0ft拉平、触地后等五个子环节，对以上8个子环节按照顺序标号表示为23-30号子环节，共计30个子环节如表2(所有子环节及对应编号)所示：
[0134]
表2
[0135]
认知能力检测以及模拟飞行场景中的每一个子环节中，均包含一段视觉原始信号信息，该信息以视频形式呈现，难以量化表达。因此选取四个眼动指标：注视时长占比、平均注视时长、眼跳幅度、瞳孔直径，来描述飞行员在各个子环节中的视觉行为特征。因此可以使用包含五个数值(其中瞳孔直径分为左眼和右眼)的向量来表征各个子环节的视觉特征，如下式所示：
[0136][0137]
其中，ai表示第i个检测指标(即子模块或子环节)对应的检测环节的视觉特征，a
i1
至a
i5
分别表示视觉特征对应的眼动指标的数值。
[0138]
随后，通过对两个场景下的各个子环节向量进行多元线性回归分析，计算飞行场景中各个子环节中认知能力维度的重要性结果。
[0139]
认知能力检测场景下22个认知能力维度对应的子环节向量(即子模块对应的检测环节的视觉特征)作为回归分析的自变量，当选定某一个模拟飞行场景下的子环节向量作为因变量时，构建得到以下多元线性回归模型。
[0140]ai
＝w1a1+w2a2+w3a3+
…
+w
22a22
+ε,i＝23,24,
…
,30
[0141]
其中，ai表示第i个检测环节的向量，即模拟飞行场景下各子环节的视觉特征，wi表示第i个向量的重要性参数，即各检测模块中子模块对应的检测环节的重要性参数，ε表示设定的误差值。
[0142]
通过多元线性回归可以预测得出各指标层模块(即子模块)的重要性系数及排名结果。若某个飞行过程子环节当中，重要性系数不为0的子模块向量数量超过5个(m优选设
置为5)，则取排名前五名的子模块作为显著认知能力模块，若不足5个，则选取所有重要性系数不为0的子模块作为显著认知能力模块。重要性系数为0的子模块判定为非显著认知能力模块。因此可以确认每一个飞行过程子环节中的显著与非显著认知能力模块。对于在超过3个子环节中出现的显著认知能力模块，判定为全过程显著认知能力模块并纳入权重提升列表；对于在超过3个子环节中出现的非显著认知能力模块，判定为全过程显著认知能力模块并纳入权重暂不调整列表。
[0143]
依据认知能力模块权重提升和降低列表，对各模块依次进行对应的权重调整，最终得到相对最优的赋权结果。调整方法为：所有认知能力模块同时开始调整，设置权值调整步长为0.02(默认每一批新增的实验人样本数量为100人次，若不足该人数或超过该人数，步长按照0.02*(实际人数/100)划定)，根据其重要性值确定权值调整方向(升高或降低)，按照步长进行一次更新迭代。
[0144]
随着待认知能力检测的飞行员数量的增多，不断收集其生理信号数据加入分析数据集，可以实现对指标层模块权重的迭代更新。在第n批待认知能力检测的飞行员获得成绩后，就会出现第n-1次迭代后的认知模块权重(即第n-1批次的各子模块更新修正后的权重值)、第n批次计算的认知模块权重(即各子模块未基于眼动信号分析修正更新的权重值)以及第n批次基于眼动信号分析修正后的认知模块权重(即上述子模块根据眼动信号修正调整后的权值)。对这三个权重求均值，得到第n批次的最终权重值。以此循环往复，最终随着待认知能力检测的飞行员人数的不断增多，批次不断增加，权重变化也将趋于稳定。举例说明，动作记忆子模块经过三批实验数据更新迭代后，在记忆能力模块下的权重为0.27，在第四批实验人员获得成绩后，根据测试成绩结果更新权重为0.29，而基于第四批实验人员的眼动数据分析结果修正调整权重值为0.28，那么第四批测试结束后，最终的动作记忆子模块在记忆能力模块下的权重则为(0.27+0.29+0.28)/3＝0.28。
[0145]
由视觉信息以及检测成绩等信息综合更新系统维度权重体系后，下一位待认知能力检测的飞行员在完成检测后，会以当前的系统权重体系为依据，输出得到认知能力检测成绩。在获得了检测成绩后，待认知能力检测的飞行员可以选择是否接受当前成绩；若对当前成绩满意，成绩将被记录到系统数据库中，数据库中由于新采集到待认知能力检测的飞行员成绩，系统对当前指标层模块权重再次循环往复进行权重更新。过程随待认知能力检测的飞行员数量增加而重复类推和更新。
[0146]
涉及多个待认知能力检测的飞行员同时检测的流程，如图4所示。待认知能力检测的飞行员1到n分别在检测设备1到n设备上进行检测，产生1到n个操作记录，所有待认知能力检测的飞行员的操作记录进入到后方服务器中，即计算机设备内进行评分，产生n个检测成绩，检测成绩最终进入数据库，并通过前端的界面进行成绩展示，如图4所示。
[0147]
本系统在检测过程中，根据不同题目对待认知能力检测的飞行员的作答答案和过程进行记录，记录的主要内容包括姓名，试卷名称，试题分类，作答用时，正确与否，作答内容，检测时间以及试题的序号。其中，作答用时的单位为毫秒。需要注意的是，通过作答时间进行测评的题目，作答用时的记录为0，时间记录在作答内容中出现，如题目“跟踪任务(左)声音反应(右)”。题目出现的顺序在作答过程中是随机的。作答的具体内容，根据不同题目有所不同，记录待认知能力检测的飞行员每次作答的所需时间和每次作答的具体内容。其中作答内容包括三种类型，其一如听数据广度题目中回答的“kbj0”，即是根据听到的内容，
待认知能力检测的飞行员回答的内容是“kbj0”；其二为双任务题型，作答内容包含双引号的数字序列，表示每0.5秒测量一次所得到的手指触点与飞机像素点点位之间的距离均方差；其三为情景意识题型，作答内容数字部分表示的是手指触达屏幕的时间记录，true和false分别表示每0.5秒测量时飞机所处位置，即处于白色不规则廊道内时为true，处于红色禁行区域时为false。这一部分展示的检测原始数据与图4中所示的待认知能力检测的飞行员的操作记录等效，获得了原始数据后，原始数据导入计算设备的数据库中进行相应的成绩计算处理，以此获得成绩。
[0148]
本发明提供了一种用于飞行员选拔的多维度认知能力检测系统，旨在为飞行员选拔过程提供一种更加科学、准确和公正的检测手段。首先，该系统采用了多种检测维度，例如专业能力，记忆能力，思维能力，注意能力，时空旋转能力以及速度感知能力等，以检测候选飞行员在不同认知方面的表现。相比于传统的选拔方法，该系统能够全面、细致地检测飞行员的认知能力，从而更好地判断其是否适合从事飞行工作。其次，该系统采用了智能化数字化的检测技术，以提高检测的科学性、准确性和客观性。该系统根据待认知能力检测的飞行员在进行认知能力系统检测以及模拟飞行时的眼动信号比对分析结果作为参考依据，结合视觉眼动特征进行优化调整；此外，利用归一化和熵权法对不同检测指标进行计分，以更好地识别优秀的飞行员。最后，该系统可以自动化地并满足多人多公司多层次的选拔要求，从而大大减少了人力成本和时间成本，提高了选拔效率。同时，该系统也可以与其他选拔方法结合使用，以提高选拔效果和可靠性。因此，本发明的多维度认知能力检测系统具有广泛的应用前景，在飞行员选拔和相关领域都有很大的推广和应用价值。
[0149]
需要说明的是，上述实施例提供的一种民航飞行员多维度认知能力的检测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
[0150]
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0151]
术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
[0152]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种民航飞行员多维度认知能力的检测系统，该系统包括认知能力检测单元，所述认知能力检测单元包括时空旋转能力检测模块、知觉速度能力检测模块、专业能力检测模块、注意能力检测模块、记忆能力检测模块、思维能力检测模块；其特征在于，所述系统还包括：检测结果获取模块，配置为获取待认知能力检测的飞行员在通过所述认知能力检测单元每个检测模块中各检测指标检测后得到的检测成绩数据，作为第一数据；对各第一数据进行归一化处理，得到归一化数据；基于各第一数据，计算信息熵，并将所述信息熵与对应的归一化数据相乘，将相乘后的结果作为第二数据；将各第二数据转换为百分制，作为所述飞行员各检测指标对应的最终检测结果；一致性检验模块，配置为基于各最终检测结果形成指标判断矩阵，进而构建区间中智矩阵，利用去中智化方法将所述区间中智矩阵所包含的真、假及不确定中智区间转化为单一计算值，构建去中智化判断矩阵；其中，真、假、不确定中智区间即对应隶属度t
a
、犹豫度i
a
、费隶属度f
a
，共同表示一个区间中智集a；基于所述去中智化判断矩阵，计算一致性指标ci；根据区间中智集评价语言量表查找与所述ci对应的平均随机一致性指标ri，相除得到一致性比例cr；判断所述cr小于设定的一致性比例阈值，若否，则修改所述指标判断矩阵；第一权重值更新模块，配置为对所述去中智化判断矩阵中各元素进行归一化处理，得到归一化元素；基于各归一化元素计算所述去中智化判断矩阵每行的算数平均值，作为各检测模块的最终权重值进行更新；所述区间中智集评价语言量表，为预设的两个检测模块之间设定的相对重要程度的映射关系。2.根据权利要求1所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，所述信息熵，其计算方法为：其中，e
j
表示检测指标j对应的信息熵，x
ij
表示待认知能力检测的飞行员i对应检测指标j的检测成绩数据，k＝1/ln(n)＞0，n表示参与检测的飞行员数量。3.根据权利要求2所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，所述飞行员各检测指标对应的最终检测结果为：其中，x
″
表示第二数据；两项及以上检测指标对应的最终检测结果为：其中，x
″
ij
为待认知能力检测的飞行员i对应检测指标j归一化后的检测得分，即待认知能力检测的飞行员i第j个检测指标对应的第二数据，j＝1,2,...,m，m为检测题目中的检测指标的项数，s
test
为检测题目的检测得分，即两项及以上检测指标对应的最终检测结果。
4.根据权利要求2所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，所述区间中智矩阵，其构建方法为：根据各最终检测结果，获取具体重要性打分结果，对重要性打分结果进行矩阵化处理，形成指标判断矩阵；判断所述指标判断矩阵中每一个维度都有对应的重要性等级，对照预构建的区间中智集评价语言量表，将所述指标判断矩阵中的重要性等级替换为与之对应的区间中智集，从而形成区间中智矩阵。5.根据权利要求4所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，所述去中智化判断矩阵中各元素为：其中，u表示去中智化判断矩阵中的元素，表示隶属度t
a
的下限值，表示隶属度t
a
的上限值，表示犹豫度i
a
的上限值，表示非隶属度f
a
的下限值，表示非隶属度f
a
的上限值。6.根据权利要求5所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，所述一致性指标，其获取方法为：其中，ci表示一致性指标，λ
max
表示最大特征根，即矩阵的特征值中绝对值最大的一个，n表示矩阵阶数。7.根据权利要求6所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，基于各归一化元素计算所述去中智化判断矩阵每行的算数平均值，作为各检测模块的最终权重值，其方法为：重值，其方法为：其中，w
i
表示第i个检测模块的最终权重值，u
ij
表示去中智化判断矩阵中第i行第j列的元素。8.根据权利要求4所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，所述民航飞行员多维度认知能力的检测系统，还包括第二权重更新模块；所述第二权重更新模块，配置为获取各检测模块中子模块对应的检测环节的视觉特征以及模拟飞行场景下各子环节的视觉特征，所述视觉特征对应的眼动指标包括注视时长占比、平均注视时长、眼跳幅度、左眼瞳孔直径、右眼瞳孔直径；基于模拟飞行场景下各子环节的视觉特征，通过预构建的多元线性回归分析模型预测各检测模块中子模块对应的检测环节的重要性参数；
基于所述重要性参数，获取各检测模块的子模块对应的权重提升列表、权重暂不调整列表，进而对各检测模块的子模块对应的权重进行调整；计算第n-1次迭代后的各检测模块的子模块的更新后的权重值、第n次迭代后的各检测模块的子模块的未更新的权重以及第n次迭代后的各检测模块的子模块调整后的权重的均值，作为第n次迭代的更新后的权重值，进而进行更新；其中，n表示当前迭代。9.根据权利要求8所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，基于模拟飞行场景下各子环节的视觉特征，通过预构建的多元线性回归分析模型预测各检测模块中子模块对应的检测环节的重要性参数，其方法为：a
i
＝w1a1+w2a2+w3a3+
…
+w
22
a
22
+ε,i＝23,24,
…
,30其中，a
i
表示第i个检测环节的向量，即模拟飞行场景下各子环节的视觉特征，w
i
表示第i个向量的重要性参数，即各检测模块中子模块对应的检测环节的重要性参数，ε表示设定的误差值。10.根据权利要求9所述的一种民航飞行员多维度认知能力的检测系统，其特征在于，基于所述重要性参数，获取各检测模块的子模块对应的权重提升列表、权重暂不调整列表，进而对各检测模块的子模块对应的权重进行调整，其方法为：当在模拟飞行场景下任一子环节中，若所述w
i
不为0的数量大于设定的第一数量阈值，则选取前m个子模块作为显著认知能力模块，否则，则选取所有重要性系数不为0的子模块作为显著认知能力模块；重要性系数为0的子模块作为非显著认知能力模块；对在超过设定个模拟飞行场景下的子环节出现的显著认知能力模块，增入权重提升列表，对在超过设定个模拟飞行场景下的子环节出现的非显著认知能力模块，增入权重暂不调整列表；基于所述权重提升列表、所述权重暂不调整列表，对各检测模块的子模块对应的权重进行调整；调整策略为：所有检测模块的子模块同时开始调整，设置权值调整步长为α，单位批次人数为x人，即默认每一批新增的检测人数量为x人次，若不足该人数或超过该人数，步长按照α*(实际人数/x)划定，根据其重要性值确定权值调整方向升高，按照步长进行一次更新迭代。

技术总结
本发明属于认知能力检测技术领域，具体涉及一种民航飞行员多维度认知能力的检测系统，旨在解决现有的认知能力的检测系统检测准确率较低的问题。本发明系统包括：检测结果获取模块，配置为获取待认知能力检测的飞行员在通过认知能力检测单元每个检测模块中各检测指标检测后对应的最终检测结果；一致性检验模块，配置为基于最终检测结果构建去中智化判断矩阵，并计算一致性比例CR，判断是否需要修改指标判断矩阵；第一权重值更新模块，配置为对去中智化判断矩阵中各元素进行归一化处理，得到归一化元素；基于各归一化元素计算去中智化判断矩阵每行的算数平均值，作为各检测模块的最终权重值进行更新。本发明提升了认知能力检测的准确率。测的准确率。测的准确率。


技术研发人员：贾博 赵梦恬 胡昊 宋洋 张志鹏 陈强 狄运 郑重 伊涵 方陈浩 王钧溥
受保护的技术使用者：东航技术应用研发中心有限公司
技术研发日：2023.08.23
技术公布日：2023/10/11