基于遗传BP神经网络的飞机驾驶舱人机功能分配方法

飞机驾驶舱系统自动化水平提高的关键在于科学合理地进行人机功能分配。为了提高飞机驾驶舱人机功能分配的可靠性，本文通过对遗传算法和BP神经网络这两种智能算法进行分析研究，提出了基于遗传BP神经网络的飞机驾驶舱人机功能分配方法。将机组成员飞行时的生理指标HRV2和TLI2作为网络的输入变量，使用遗传算法优化BP神经网络权值和阀值，输出飞行任务自动化等级，进而得到相应的人机功能分配方案。仿真结果表明，相比于传统的BP神经网络，该方法确定的人机功能分配方案可靠性更高。

随着飞机驾驶舱自动化水平的不断提高，科学地处理人和机器之间的分工——人机功能分配日益成为飞机驾驶舱设计中的不可或缺的一部分。驾驶舱自动化的设计初衷是帮助飞行员克服一些人类自身的弱点，减轻飞行员的工作负荷，提高工作效率和飞行安全。若自动化水平较低，则不足以满足系统任务需求。然而，过度自动化有可能造成驾驶员的依赖性增强、技能下降和系统开发费用过高等弊端[1]。因此，如何对人机功能进行合理地分配在飞机驾驶舱设计过程中具有举足轻重的作用。

目前， 人机功能分配的一些成果已经应用与航空航天等领域[2]-[4]。

而国内在飞机驾驶舱人机功能分配方面的研究尚处于起步阶段。文献[5]对无人机控制站系统的人机功能动态分配进行了研究，提出了基于场景的模糊多属性控制站功能分配的原则和方法。文献[6]从系统整体效能的角度出发，引入模糊数学的多目标决策方法，初步建立了人机功能分配的基本流程和一般量化分析方法。

本文从飞机驾驶舱人机功能分配的角度出发，综合考虑对飞行员功能状态变化比较敏感的生理指标HRV2、TLI2 等因素[7] [8]，提出一种基于遗传BP 神经网络的飞机驾驶舱人机功能分配方法。

2. 飞行任务的自动化等级划分 人机功能分配的关键在于确定飞行任务的自动化等级。自动化等级(Levels of Automation, LOA)的概念是由Sheridan 和Verplank 提出，他们将人机系统中的功能划分为10 个自动化等级[9]。在实际的人机系统功能设计当中，这种划分方法不仅增加了系统的成本，而且使系统的操作更加复杂。

本文根据“谁”(机组成员或自动化子系统)对飞行任务具有最终控制权，将Sheridan 和Verplank 提出的自动化等级进行合并优化成5 个自动化等级，如表1 所示。

3. BP 神经网络 由于反向传播(Back Propagation, BP)神经网络具有极强的非线性映射能力， 并且具有比较好的泛化能力，因此可以将其用于飞机驾驶舱人机功能分配。

BP 神经网络是一种多层前馈神经网络。它能学习和存贮大量的输入——输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网