阅读说明：本技术 一种导航雷达模拟训练效果评价方法 (Evaluation method for simulation training effect of navigation radar ) 是由 姚烨 车春宇 冯翔宇 朱怡安 练彬 于 2020-05-27 设计创作，主要内容包括：本发明公开了一种导航雷达模拟训练效果评价方法,包括：获取评价指标对应的导航雷达模拟训练数据；获取导航雷达评估属性指标；对导航雷达评估属性指标进行简化处理,获得导航雷达评估属性指标；根据CART决策树算法的二分特点,对导航雷达决策属性进行泛化处理；根据决策属性泛化数据,通过决策树Gini系数计算方法,得到导航雷达决策属性Gini系数；根据导航雷达决策属性Gini系数,生成导航雷达模拟训练CART决策树,通过导航雷达模拟训练CART决策树分类,获得学员导航雷达模拟训练效果评价结果。本发明通过建立了四级评价指标,提出了基于CART决策树导航雷达学员学习效果评价方法,可实现在综合评价指标的基础上使用评价方法给予雷达学员个性化评估结果。(The invention discloses a method for evaluating a simulation training effect of a navigation radar, which comprises the following steps: acquiring navigation radar simulation training data corresponding to the evaluation index; acquiring a navigation radar evaluation attribute index; simplifying the evaluation attribute index of the navigation radar to obtain the evaluation attribute index of the navigation radar; according to the dichotomy characteristic of the CART decision tree algorithm, carrying out generalization treatment on the navigation radar decision attribute; obtaining a navigation radar decision attribute Gini coefficient through a decision tree Gini coefficient calculation method according to the decision attribute generalization data; and generating a navigation radar simulation training CART decision tree according to the navigation radar decision attribute Gini coefficient, and classifying through the navigation radar simulation training CART decision tree to obtain the evaluation result of the trainee navigation radar simulation training effect. According to the invention, through establishing a four-level evaluation index, the evaluation method for the learning effect of the radar student based on the CART decision tree navigation is provided, and the evaluation method can be used for providing a personalized evaluation result for the radar student on the basis of the comprehensive evaluation index.)

一种导航雷达模拟训练效果评价方法

技术领域

本发明涉及电子信息技术领域，更具体的涉及一种导航雷达模拟训练效果评价方法。

背景技术

雷达在现代战争占据着重要地位，在进行导航雷达模拟训练过程中，每个学员都是独立的个体，需要根据每个人的个性特点，给予个性化评价。但是对于学员的学习效果及训练效果进行评价较为复杂。雷达学员在自行学习操作导航雷达的过程中，教员无法面面俱到为每一位学员进行精确手把手指导，所以教员无法细致掌握学员的学习过程。因此，需要在评价过程中考虑多种因素，应该从多个角度对学员进行评价，例如学习态度、学习效果等。但是目前针对导航学员尚未建立一个完善的个性化评价指标。总之，导航雷达教学缺少对训练结果科学而实际的评估，对于操作考核大多基于教员的主观判断，评判结果不够客观，因此，拥有完善考试与评估功能的模拟训练系统是解决以上问题的关键。

发明内容

本发明实施例提供一种导航雷达模拟训练效果评价方法，用以解决上述背景技术中提出的问题。

本发明实施例提供一种导航雷达模拟训练效果评价方法，包括：

根据四级学员评价指标体系，在学员模拟训练的过程中，获取评价指标对应的导航雷达模拟训练数据；

从导航雷达模拟训练数据中，获取导航雷达评估属性指标；

对导航雷达评估属性指标进行简化处理，获得导航雷达评估属性指标；

根据CART决策树算法的二分特点，对导航雷达决策属性进行泛化处理，获得决策属性泛化数据；

根据决策属性泛化数据，通过决策树Gini系数计算方法，得到导航雷达决策属性Gini系数；

根据导航雷达决策属性Gini系数，生成导航雷达模拟训练CART决策树，通过导航雷达模拟训练CART决策树分类，获得学员导航雷达模拟训练效果评价结果。

进一步地，所述四级学员评价指标体系，包括：

一级评价指标：学习态度，学习效率，学习效果；

二级评价指标：登录次数，与学***均学习时间间隔、教学完成度，与学习效率对应的自学学习速度，与学习效果对应的自学学习成绩、考试成绩；

三级评价指标：登录次数，与学***均学习时间间隔，与教学完成度对应的理论知识教学，与自学学习速度对应的理论知识自学速度、模拟训练自学速度，与自学学习成绩对应的理论知识自学成绩、模拟操作自学成绩，与考试成绩对应的理论知识考试成绩、模拟操作考试成绩；

四级评价指标：登录次数，与理论知识自学时间对应的各章节自学时间，与模拟训练自学时间对应的各操作自我训练时间，与理论知识自学完成度对应的各章节练***均学习时间间隔，与理论知识教学对应的理论知识学习章节数量，与理论知识自学速度对应的各章节学习速率，与模拟训练自学速度对应的各操作学习速率，与理论知识自学成绩对应的核心正确率、基础正确率、专业正确率、常识正确率，与模拟操作自学成绩对应的核心正确率、基础正确率、专业正确率、常识正确率，与理论知识考试成绩对应的核心得分、基础得分、专业得分、常识得分，与模拟操作考试成绩对应的核心得分、基础得分、专业得分、常识得分。

进一步地，所述导航雷达评估属性指标，包括：登陆次数、雷达组成结构学***均学习时间间隔、雷达组成结构知识点查看次数、雷达部件知识点查看次数、开关机训练失误次数、测距侧向训练失误次数、抗干扰训练失误次数、雷达组成结构考核基础得分、雷达组成结构考核核心得分、雷达组成结构考核专业得分、雷达组成结构考核常识得分、雷达部件考核基础得分、雷达部件考核核心得分、雷达部件考核专业得分、雷达部件考核常识得分、开关机得分、测距侧向得分、抗干扰得分。

进一步地，所述对导航雷达评估属性指标进行简化处理，获得导航雷达评估属性指标，具体包括：

对雷达组成结构学***均值，简化为平均学习时长；

对雷达组成结构知识点查看次数和雷达部件知识点查看次数求平均值，简化为理论学***均学习次数；

对雷达开关机训练时间、测距侧向训练时间和抗干扰训练操作失误次数求平均值，简化为模拟操作平均失误次数；

对雷达组成结构考核基础得分、雷达组成结构考核核心得分、雷达组成结构考核专业得分、雷达组成结构考核常识得分、雷达部件考核基础得分、雷达部件考核核心得分、雷达部件考核专业得分、雷达部件考核常识得分、开关机得分、测距侧向得分、抗干扰得分求和，简化为雷达考核得分；

简化后的导航雷达评估属性指标为导航雷达决策属性指标，包括：登陆次数、平均学***均学***均学***均失误次数、雷达考核得分。

进一步地，所述根据决策属性泛化数据，通过决策树Gini系数计算方法，得到导航雷达决策属性Gini系数，具体包括：

当考核得分对应的泛化结果优秀对应的学员等级类别的学员数量为49、19、68、27时，及当考核得分对应的泛化结果一般对应的学员等级类别的学员数量为29、11、39、20时，

考核优秀得分和考核一般得分的Gini系数分别为：

将两个子集T_i和T_j，分别看做考核得分的子集，求得考核得分的Gini系数为：

。

本发明实施例提供一种导航雷达模拟训练效果评价方法，与现有技术相比，其有益效果如下：

本发明基于对真实导航雷达的功能结构分析，结合雷达教学中教员与学员的教学认知和模拟训练的需求，提出一种导航雷达模拟训练效果评价方法，针对导航雷达模拟训练效果评价问题，建立了四级评价指标，提出了基于CART决策树导航雷达学员学习效果评价方法，可实现在综合评价指标的基础上使用评价方法给予雷达学员个性化评估结果。

附图说明

图1为本发明实施例提供的学员学习效果CAET决策树示意图。

具体实施方式

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，所描述的实施例仅仅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。

图1为本发明实施例提供一种导航雷达模拟训练效果评价方法，该方法包括：

步骤1：根据四级学员评价指标体系，在学员模拟训练的过程中，获取评价指标对应的导航雷达模拟训练数据；

步骤2：从导航雷达模拟训练数据中，获取导航雷达评估属性指标；

步骤3：对导航雷达评估属性指标进行简化处理，确定导航雷达决策属性指标；

步骤4：根据CART决策树算法的二分特点，对导航雷达决策属性进行泛化处理，获得决策属性泛化数据；

步骤5：根据决策属性泛化数据，通过决策树Gini系数计算方法，得到导航雷达决策属性Gini系数；

步骤6：根据导航雷达决策属性Gini系数，生成导航雷达模拟训练CART决策树，通过导航雷达模拟训练CART决策树分类，获得学员导航雷达模拟训练效果评价结果。

上述步骤1～6的具体过程如下：

1、学员学习效果评价指标体系构建方法

本系统对导航雷达学员给出的各个指标等级进行处理，以得出导航雷达学员模拟训练效果的个性化评价。对于过往的导航雷达教学评价中不重视过程进行评价的现象，通过分析最终确定的评价指标体系。本系统共设立四级评价指标。然后采用层次分析法确定各级指标的权重，旨在为了实现公平合理评价学员的学习效果。通过该评价指标体系，基本可以全面掌握学员学习效果。导航雷达模拟训练系统中雷达学员评价指标体系如表1所示。

表1评价指标体系

2、基于CART决策树评估模型的学习效果评价方法

决策树是一种基于树状结构，通过自上而下进行分类的机器学习算法。本发明所设计的CART决策树算法，是决策树中的二分类算法。CART决策树算法生成的树的形状为二叉树。CART决策树的生成思想是不断对数据集进行二分类，直至不能够再分。而CART决策树判断分类的依据技术是Gini系数。Gini系数是可以计算的数据指标，可以通过训练数据求得。如果目前数据集中可以将数据分为M类，假设每一类分类几率为p_m，那么Gini(p)定义如下：

Gini指数的大小可以用来判别生成的二叉树判断的准确性，当Gini指数越小的时候，判断的越准确。因此需要在设计过程中尽量获取Gini指数最小作为分类的标准。

CART决策树对导航雷达学员进行评估方法描述如下：

对于第5步，CART决策树使用GINI系数来选择划分属性，在候选集合RadarAttribute_list中，选择那个使得划分后GINI系数最小的属性作为最优划分属性。例如考核得分的属性GINI系数最小，就将此作为开始节点。

根据建立的个性化评估指标，可以得到与个性化评价指标相对应的导航雷达评估属性。评价指标是学员在学习过程中不断收集的，因此进行考核评估的时候，基于个性化评估指标的决策属性，有助于针对学员进行个性化评估。导航雷达学员的评估如表2所示。

表2导航雷达评估属性

根据表2，在进行评估成绩等级优、良、中、差时首先将指标进行泛化之前，先将相似指标经计算后简化为一个值。雷达组成结构学***均学习时长T_average。

T_average＝(T_Sz+T_Sb+T_onoff+T_range+T_echo)/5

雷达组成结构知识点查看次数和雷达部件知识点查看次数简化为理论学***均学习次数N_Lx。

N_Lx＝(N_Lz+N_Lb)/2

雷达开关机训练时间、测距侧向训练时间和抗干扰训练操作失误次数。可以统一为模拟操作平均失误次数F_average。

F_average＝(F_onoff+F_range+F_echo)/3

雷达组成结构考核基础得分、雷达组成结构考核核心得分、雷达组成结构考核专业得分、雷达组成结构考核常识得分、雷达部件考核基础得分、雷达部件考核核心得分、雷达部件考核专业得分、雷达部件考核常识得分、开关机得分、测距侧向得分、抗干扰得分统一简化为雷达考核得分Sc_Kh。

Sc_Lx＝Sc_Zj+Sc_Zh+Sc_Zz+Sc_Zc+Sc_Bj+Sc_Bh+Sc_Bz+Sc_Bc+Sc_onoff+Sc_range+Sc_e cho

简化后的指标如表3所示，只剩下6个指标。登陆次数、平均学***均学***均学***均失误次数、雷达考核得分。这些简化的指标能够反映导航雷达学员在教学过程中的学习及思考，同时，通过简化目标也可以减少数的深度，相当对数据进行预处理。

表3导航雷达决策属性

根据CART决策树的算法具有的二分特点，将所有导航雷达学员决策属性分为优秀和一般之后，可以得到表4所示。

表4数据汇总表

根据表中数据，先以考核得分为例，考核得分有优秀和一般两种得分，则可以计算如下：

将两个子集T_i和T_j，分别看做是考核得分的子集，可以求得Gini为：

3、学员学习效果CAET决策树计算结果

根据上述方法可以求得其他属性的Gini值，由此可以求得CART决策树如图1所示。

由最终生成的CART决策树可以看出来导航雷达模拟训练评估方法具有可用性，针对本系统设计的CART决策树评估模型，可以有效地应用于实际中的模拟训练考核评估中。

以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。