基于德尔菲和云相似度的飞行员着舰驾驶评估*

张海燕 张立民 闫文君 李忠超

（1.海军航空大学 烟台 264001）（2.31627部队 深圳 518000）（3.73022部队 惠州 516000）

1 引言

飞行员驾驶舰载机的过程中，着舰是难度系数最大、操纵精准度要求最高的科目之一。航空母舰起降甲板的跑道长度不足陆地机场起降跑道长度的1/10，飞行员驾驶舰载机着舰被比作在刀尖上起舞［1］。通过对飞行员着舰能力的评估能够反映出飞行员的驾驶技能，刻画出飞行员培养过程中驾驶水平变化的趋势，为最终获取上舰资质提供依据。

近年来，有不少的专家学者对舰载机着舰进行了研究。吴文海等［2］给出了舰载机着舰的体系构建，总结整理了各类公开资料，从着舰任务、着舰子系统以及整体系统的层面对指标进行了树状剖析。赵维等［3］综合了着舰指挥官（Landing Signal Officer，LSO）、带飞教官、医生、计算机系统、飞行员自我评分五个方面的因素，将模糊综合评判运用到着舰过程技能等级的评定中。许卫宝［4］将层次分析法和模糊层次分析法结合起来，提炼出着舰评估指标，实现了飞行员着舰综合评估。但在着舰驾驶过程中，由于定性指标与定量指标同时存在，指标确定存在模糊性和随机性问题。

针对指标确定存在模糊性和随机性问题，本文在云模型的基础上，选取着舰理想航线为驾驶路径，运用德尔菲咨询法确定着舰评估指标体系，选取高度、对中偏差、速度、迎角为评估指标，运用云相似度理论，设计出评估的具体步骤和流程，对飞行员的着舰驾驶能力进行评估。

2 着舰过程分析及评估指标确定

2.1 舰载机着舰过程分析

通过对参考文献的分析，舰载机执行完任务，归航进入待降区，当接收着舰指令后，经菲涅耳透镜光学着陆系统（Fresnel Lens Optical Landing System，FLOLS）引导，以等角、直线的方式，按预定轨迹下滑着舰［5］。从任务区域角度看，舰载机着舰分为归航待降、下滑着舰、着舰拦阻和逃逸复飞四个阶段，如图1所示。

图1 舰载机着舰过程

如图2所示，下滑着舰阶段划分为：开始阶段（X）：距离理想着舰点1219m～1524m 的范围；中间阶段（IM）：距离理想着舰点609m～1219m 的范围；接近阶段（IC）：距离理想着舰点183m～609m的范围；着舰阶段（AR）：距离理想着舰点0～183m的范围［1］。

图2 舰载机下滑着舰阶段划分

2.2 德尔菲咨询法

德尔菲咨询法（Delphi），又被称为专家调查法，其核心思想是融合多个专家意见，来解决复杂系统的指标体系构建问题［6～7］。具体流程如图3所示，首先，组织者要确定咨询专家，将初拟指标体系发送给所有专家；然后，组织者对所有专家的意见进行回收，并对意见进行整理、分析和汇总；最后，若专家意见不一致，则重复多轮咨询专家的活动，直至取得一致意见。该方法通过集合各方面专家进行反复的信息讨论、交换，可以解决评估者在指标体系设计问题中的知识的局限，以及经验上的缺乏。

图3 德尔菲咨询法的流程图

2.3 着舰评估指标体系确定

利用Delphi 构建着舰指标体系的流程如图4所示。

图4 着舰指标体系构建流程图

第一步，邀请LSO、飞行教官、一级飞行员（LSO两名、飞行教官三名、一级飞行员三名）组建专家组；

第二步，让8 名专家组成员依据各自领域的知识架构，分别构建递阶层次结构的指标体系，并给出各指标权重系数；

第三步，对指标体系和权重系数进行一致性检验，对权重系数差别较大的指标重新交由专家评判，由各专家参考其他专家的意见给出自己的修正权重系数，通过反复多次，形成一致的指标权重系数。

第四步，根据专家意见将小权重指标进行删减，将相同或者包含的影响因素相近的指标进行合并，形成最终的优化后的指标体系。

如图5所示，在着舰指标体系构建流程图的基础上，构建出了舰载机着舰评估指标体系。该体系是以着舰评估为目标层；以开始、中间、接近、着舰阶段为阶段层；以最大高度偏差、最大速度偏差、最大迎角偏差、最大对中偏差和接地落点偏差为指标层的3层指标体系。

图5 舰载机着舰评估指标体系

通过以上分析，本文最终选取的评估指标为：最大高度偏差、最大速度偏差、最大迎角偏差、最大对中偏差和接地落点偏差。阶段层和指标层的权重在图4 中用数字进行了标注，经加权计算，最大高度偏差、最大速度偏差、最大迎角偏差、最大对中偏差和接地落点偏差对应的权重分别为0.28、0.23、0.12、0.29、0.08。

3 云相似度概念及算法

3.1 云模型的概念

云模型是处理定性与定量间转换的不确定性模型。定义为：设U 是一个用精确数值表示的论域，T为U 上的定性概念，U 中元素x对T的隶属度为y∈[0，1]，隶属度在U 上的分布称为隶属云。从论域U 到区间[0，1] 的映射被称为云，且x∈U，x→y，序列(x，y)称为云滴［8］。

云一般用期望值Ex、熵En及超熵He三个数字特征值来表示。Ex为云滴在论域空间分布的期望；En为定性概念的不确定度量；He为熵的熵，反映了云滴的凝聚程度。

3.2 云相似度的概念

云相似度理论是云模型的一种判断方法，其定义为：如果描述同一个定性概念的两个云或多个云有一定的相似性，则称这些云为等价云为或相似云［7］。

图6 给出了待评云与评语云相似度比较，设δ1为待评云与评估等级“好”的相似度，设δ2为待评云与评估等级“差”的相似度，通过比较相似度值δ1与δ2的大小，从而确定待评云的评估等级。

图6 待评云与评语云相似度比较

3.3 评语云集的合成

对于着舰驾驶能力而言，属于多属性评估，需将多个属性评语云集合成一个最终的评价云集。由于不同属性在评语云集中所占权重的不同，在合成过程中要考虑不同属性在评语云集中的权重w。

n个属性评语云集合成的方法步骤如下：

1）设有k个评估等级、n 个属性的评语云集T为｛T1K(Ex1K，En1K，He1K)，T2K(Ex2K，En2K，He2K)，…，TnK(ExnK，EnnK，HenK)｝且K=1，2，…，k。

2）n个属性的权重分别为w1，w2，…，wn，且。

3）k个评估等级、n个属性评语云集T 的加权合成公式如式（3）：

将经过合成的评语云集T 的期望值Ex、熵En及超熵He，送入图7所示的正向云发生器中，生成由N个云滴drop(xj，yj)，j=1，2，…，N组成的评语云集图，其中xj为第j个云滴的坐标，yj为第j个云滴的隶属度。

图7 正向云发生器

3.4 云相似度的算法流程

通过把表征着舰驾驶能力［9］的评估指标的待评云与评语云集进行对比，找到与待评云最相似的评语云，进而得到着舰驾驶能力的评估结果［8］。待评云与评语云集相似度计算流程，如图8所示。

图8 相似度计算流程

4 评估实例

本文选取的着舰评估指标的论域U=｛u1，u2，u3，u4，u5｝=｛最大高度偏差、最大速度偏差、最大迎角偏差、最大对中偏差、接地落点偏差｝。评语集记为V=｛v1，v2，v3，v4，v5｝=｛优秀、良好、中等、合格、不合格｝。权重集W=｛w1，w2，w3，w4，w5｝=｛0.28、0.23、0.12、0.29、0.08｝。

基于专家对着舰指标的分析以及对着舰飞行数据的梳理，经过加权计算得出了各指标评估等级云模型以及指标综合评估等级云模型，如表1～2所示。经正向云发生器，得到的驾驶能力评估正态云图，如图9所示。

图9 驾驶能力评估正态云图

表1 各指标评估等级云模型

由组合模糊贴近度（Combined Fuzzy Similarity Measure，CFSM）可知，评价指标可看做一个特定的熵En和超熵He的正态云模型［14］。经过对着舰驾驶航次的多次分析实验，熵值选取0.25，超熵值选取0.01。

表2 指标综合评估等级云模型

表3列出了已由专家组给出评估结果的5名飞行员的着舰指标数据，数据对应组数为1～5。经过评分、加权及等级转换，专家对5 名飞行员驾驶能力的等级评估结果为“良好、良好、合格、优秀、良好”。

表3 实测着舰指标数据

按照相似度计算流程，得到5 组实测着舰指标与评估云集的相似度数值。从表4 中可以看出，第一组数据对应评估等级“良好”的相似度数值最大，故评估等级结果为“良好”。依次类推，得到5 次飞行员着舰驾驶能力的评估等级结果分别为“良好、良好、合格、优秀、良好”。对比该评估结果与专家组评估结果一致，从而验证了该方法的正确性。

表4 驾驶能力等级评估结果

5 结语

针对舰载机飞行员驾驶能力评估过程影响因素多、随机性大的特点，首先。利用德尔菲咨询法构建了着舰指标评估体系，确定了着舰过程的评估指标；其次，在大量着舰飞行数据的基础上，经过云正向发生器，得到了驾驶能力评估正态云图；最后，采用云相似性原理作为评估模型，实现了对舰载机飞行员的驾驶能力的评估。通过评估实例验证了该评估方法与专家组评估结果的一致性，说明了此方法对飞行员驾驶员驾驶能力进行等级评估的有效性。