“签派实践应用”是民航院校交通运输专业(飞行签派方向)专业课体系中的核心专业课之一,结合大规模开放在线课程(Massive Open Online Courses,简称:MOOC)的兴起,分析该课程受训学员的学习行为,提出MOOC平台下课程的教学改革建议,最后...“签派实践应用”是民航院校交通运输专业(飞行签派方向)专业课体系中的核心专业课之一,结合大规模开放在线课程(Massive Open Online Courses,简称:MOOC)的兴起,分析该课程受训学员的学习行为,提出MOOC平台下课程的教学改革建议,最后将“校企合作”形式丰富到教学体系中,达到改善教学效果,完成专业技能培养的目的,得出该模式可在其它民航专业课程中推广的结论。展开更多
为了探究单发失效前后飞行员在处理特情时的注意分配规律,为飞行训练提供参考,利用钻石42模拟机和头戴式眼动仪等搭建实验平台,选取飞行教员和学员各18名参与单发失效实验,采集被试的飞行参数和眼动数据。以被试的反应时间、故障处理时...为了探究单发失效前后飞行员在处理特情时的注意分配规律,为飞行训练提供参考,利用钻石42模拟机和头戴式眼动仪等搭建实验平台,选取飞行教员和学员各18名参与单发失效实验,采集被试的飞行参数和眼动数据。以被试的反应时间、故障处理时间以及航向变化最值作为绩效衡量指标将被试分为绩效优组和绩效差组,然后对两组被试在单发失效前后在主飞行显示器各兴趣区(area of interest,AOI)的注视频率进行对比分析。结果表明:绩效差组在单发失效后过于关注飞机姿态和航向,对关键的发动机指示系统和操纵界面没有增加足够的关注,特情处置不熟练;而绩效优组能保持对所有仪表区域合理分配注意资源,同时增加对失效改出有关键作用的兴趣区域的注视频率。展开更多
针对民航安全信息自动分类应用中存在样本量不足的问题,利用基于变换器的双向编码器表示技术(BERT,bidirectional encoder representations from transformers)预训练模型和简单数据增强(EDA,easy data augment)算法对中国民用航空安全...针对民航安全信息自动分类应用中存在样本量不足的问题,利用基于变换器的双向编码器表示技术(BERT,bidirectional encoder representations from transformers)预训练模型和简单数据增强(EDA,easy data augment)算法对中国民用航空安全信息系统中的不安全事件信息按单事件类型的事件信息数量级划分出不同数量级的子集,构造支持向量机(SVM,support vector machine)自动分类器,分析不同数量级对应的数据集在模型上的性能表现及在小数据集上的性能提升。结果表明,加权F_(1)(F_(1w))在单事件类型事件数量为十数量级时提升31.21%,百数量级时提升9.66%,千数量级时提升3.35%。该方法在相对较小的样本集上训练的分类器效果较好,可用于民航安全信息自动分类。展开更多
文摘“签派实践应用”是民航院校交通运输专业(飞行签派方向)专业课体系中的核心专业课之一,结合大规模开放在线课程(Massive Open Online Courses,简称:MOOC)的兴起,分析该课程受训学员的学习行为,提出MOOC平台下课程的教学改革建议,最后将“校企合作”形式丰富到教学体系中,达到改善教学效果,完成专业技能培养的目的,得出该模式可在其它民航专业课程中推广的结论。
文摘为了探究单发失效前后飞行员在处理特情时的注意分配规律,为飞行训练提供参考,利用钻石42模拟机和头戴式眼动仪等搭建实验平台,选取飞行教员和学员各18名参与单发失效实验,采集被试的飞行参数和眼动数据。以被试的反应时间、故障处理时间以及航向变化最值作为绩效衡量指标将被试分为绩效优组和绩效差组,然后对两组被试在单发失效前后在主飞行显示器各兴趣区(area of interest,AOI)的注视频率进行对比分析。结果表明:绩效差组在单发失效后过于关注飞机姿态和航向,对关键的发动机指示系统和操纵界面没有增加足够的关注,特情处置不熟练;而绩效优组能保持对所有仪表区域合理分配注意资源,同时增加对失效改出有关键作用的兴趣区域的注视频率。
文摘针对民航安全信息自动分类应用中存在样本量不足的问题,利用基于变换器的双向编码器表示技术(BERT,bidirectional encoder representations from transformers)预训练模型和简单数据增强(EDA,easy data augment)算法对中国民用航空安全信息系统中的不安全事件信息按单事件类型的事件信息数量级划分出不同数量级的子集,构造支持向量机(SVM,support vector machine)自动分类器,分析不同数量级对应的数据集在模型上的性能表现及在小数据集上的性能提升。结果表明,加权F_(1)(F_(1w))在单事件类型事件数量为十数量级时提升31.21%,百数量级时提升9.66%,千数量级时提升3.35%。该方法在相对较小的样本集上训练的分类器效果较好,可用于民航安全信息自动分类。
