Open Access
Issue
JNWPU
Volume 42, Number 6, December 2024
Page(s) 1078 - 1088
DOI https://doi.org/10.1051/jnwpu/20244261078
Published online 03 February 2025

© 2024 Journal of Northwestern Polytechnical University. All rights reserved.

Licence Creative CommonsThis is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

民机驾驶舱显示界面涵盖了数字、符号和图标等基本信息, 是飞行员与飞机操作之间的重要人机交互接口与核心枢纽[1]。航空事故统计数据显示, 飞行员对显示界面的感知错误率占人为失误因素的83.2%[2], 而显示界面的可用性与民机的安全性、舒适性和经济性等密切相关, 直接影响着影响飞行员的认知和操作行为。尽管现代民用航空技术已有迅猛的发展, 但仍要求飞行员在极短时间内高效处理复杂的信息和任务。因此显示界面的可用性关系飞行员的用户体验和任务执行, 本文的民机驾驶舱显示界面可用性研究旨在发现显示界面的可用性决策规则, 提高飞行员的作业可靠性和改进界面设计。

显示界面可用性是指人机交互界面在设计和实施阶段的易用性和友好性。在民机驾驶舱显示界面可用性研究中, Xue等[3]将调研问卷和可用性国际标准结合, 构建了由出错、可学习性和满意度等9项指标组成的显示界面可用性评价体系, 并采用因子分析法对重叠指标进行剔除; 张惠琳[4]从用户行为、用户认知和设计样式3个维度, 提炼出包括完成度、精确度和简洁性等8个可用性指标的民机驾驶舱显示界面评估模型, 运用AHP法确定指标权重, 缺少指标的筛选和检验过程; Wang等[5]基于眼动追踪进行民机驾驶舱人机界面可用性评价研究, 构建飞行员的静态眼动测试数据模型。目前的民机驾驶舱显示界面研究侧重于界面设计和界面布局, 而对显示界面可用性的分析较少, 且忽略了飞行员与显示界面交互过程的综合思考。在现有研究中缺少可参考的相关显示界面多维度可用性指标体系、缺乏合理的可用性指标筛选方法。

一个合理的评价指标体系是综合评价的关键, 而指标筛选可减少信息重叠度, 确保每个指标都对评价结果有显著影响[6]。在实际研究中往往会遇到特征数目大、样本数量少的多维度指标集, 可采用聚类约简方法筛选。而多维度指标聚类约简融合了聚类算法及粗糙集约简算法, 主要解决指标或样本聚类分组问题, 粗糙集约简算法解决核心指标提取问题。对于小样本数据集指标, 常用的聚类算法有层次聚类(hierarchical clustering, HC)和K均值聚类(K-means)。HC算法是传统的小规模数据集聚类算法, 将数据集对象按照指定特征的距离分组并形成分层的树形聚类结构, 揭示各属性的关联关系。K-means算法是最流行的聚类算法, 要预先指定初始聚类数目, 常采用欧式距离衡量数据对象间的相似度。粗糙集(rough set, RS)理论是由波兰学者Pawlak基于集合论思想提出的数据挖掘方法, 在保持信息分类不变的同时, 利用属性约简方法挖掘数据本身提供的信息、简化知识, 将知识用于决策推理[7]。在经典粗糙集理论基础上, 衍生出基于条件信息熵[8]、互信息[9]、属性重要度[10]等的粗糙集约简算法。受生物群体的智能行为启发, 还提出了遗传算法[11]、蜘蛛猴算法[12]等智能优化算法来执行约简过程。针对指标聚类约简算法的应用研究, 张立军等[13]提出一种基于改进K-means聚类与粗糙集约简算法的指标约简方法, 构建了绿色经济指标体系; 刘海江等[14]融合K-means聚类和遗传算法实现小样本的指标约简, 利用支持向量机(support vector machine, SVM)分类模型对约简结果的有效性进行验证。上述研究表明, 指标聚类约简算法在特征选择、体系优化领域有潜在的应用价值。

如何获取准确的多维度评价指标, 并针对多特征、小样本数据集构建有效的指标筛选方法, 是保证民机驾驶舱显示界面可用性指标体系完整性的关键。因此, 本文利用EPIC模型确定民机驾驶舱显示界面的多维度可用性指标, 提出一种基于层次聚类-粗糙集信息熵(HC-CEBARKNC)算法的指标聚类约简方法, 以实例分析验证所提聚类约简方法的可靠性。

1 多维度可用性指标提取

1.1 多维度可用性指标分析

学者Kieras和Meyer提出了执行过程交互控制(executive process-interactive control, EPIC)模型[15], 通过感官、认知和动力系统解释用户在多重任务情境下的行为, 与飞行员需要实时监控和分析显示界面的特点相契合。基于EPIC模型的飞行员人机界面交互认知过程如图 1所示, 可将飞行任务、感官输入、认知加工和交互输出模块转化为可用性指标的飞行任务、飞行员感官、飞行员认知和飞行交互维度。飞行任务维度的可用性指标与飞行员的任务情境、任务效率以及显示界面的任务配合度相关; 飞行员感官维度关注飞行员获取显示界面信息的视觉可视性和听觉可达性; 飞行员认知维度的可用性指标与飞行员的记忆和学习性相关; 飞行交互维度的可用性指标与显示界面的实时性和预测性相关。

thumbnail 图1

基于EPIC模型的飞行员人机界面交互认知过程

1.2 多维度可用性指标确定

本文在选取可用性评价指标时, 整合国内外相关文献、行业标准与规范, 并遵循以下基本原则: ①指标来源具有科学合理性, 在文献研究中出现频率较高; ②指标能反映所属维度的信息特点; ③指标数据满足可用性评价指标体系筛选的定量需求。依照上述原则, 本文遴选出4个维度的民机驾驶舱显示界面可用性指标初选合集, 并结合通用产品可用性评价体系中的Nielsen模型[16]和软件质量模型(ISO 9126)[17]对可用性指标初选合集进行补充和修正, 最终选取了48个可用性指标。与此同时, 依靠5位飞行时长大于30 000 h、经验丰富的飞行专家完成初步筛选工作, 保留了33个可用性指标。民机驾驶舱显示界面多维度可用性指标和初步筛选结果见表 1

表1

民机驾驶舱显示界面多维度可用性指标初步筛选结果

2 多维度指标聚类约简方法

2.1 基于HC-CEBARKNC算法的指标约简方法

2.1.1 HC-CEBARKNC算法

CEBARKNC粗糙集约简算法基于信息熵和条件熵概念, 通过计算条件属性集的条件熵来度量属性重要性。HC-CEBARKNC算法的指标约简流程如图 2所示。该算法首先搭建各维度的决策表, 运用凝聚型层次聚类对各维度的条件属性集进行聚类, 并确定维度决策表条件属性集的划分数, 然后通过CEBARKNC算法约简该维度决策表条件属性子集的指标, 最后获取各维度约简指标集与其保留指标的综合权重。

thumbnail 图2

基于HC-CEBARKNC算法的指标约简流程

2.1.2 HC-CEBARKNC算法步骤

步骤1   指标数据标准化和属性离散化处理。若维度指标数据为连续型, 采用层次聚类离散化指标属性。若指标数据由专家打分获得, 需标准化处理打分值。

步骤2   构建维度决策表。设Ci(i=1, 2, 3, 4)维度的四元信息系统Si={ U, A, V, f }, 其中论域 U ={x1, x2, …, xn}为由n位专家组成的非空有限对象集合; A为反映对象特征的非空有限属性集合, 包含相互独立的条件属性集Ci和决策属性集Di, 其中条件属性集Ci={ci1, ci2, …, cit}和决策属性集Di={d1, d2, …, dv}, 满足CiDi= ACiDi= ϕV =∪ Va是全体属性值的值域, 即Va是属性aA的值域; 信息函数f: U × AV是属性值的映射, 对于∀x∈ U, aA来说, 都有f(x, a)∈ Va。条件属性集Ci为离散化指标数据或标准化打分值, 决策属性集Di为标准化打分值。

步骤3   层次聚类求解维度决策表的划分。

1) 凝聚型层次聚类。采用欧式距离等度量维度指标之间的距离, 再使用Ward等方法对维度决策表的条件属性集Ci进行层次聚类。

2) 确定初选指标的划分数m(m≥2)。根据层次聚类树状图将条件属性集Ci划分为m个条件属性子集Zi, Zi={ Zi1, Zi2, …, Zim}, 且Zim包含的条件属性数目应不少于3。

步骤4   基于CEBARKNC算法的指标约简。

定义1   不可分辨关系。设 PA, P在论域U上不可分辨关系定义为

式中, U / P构成论域 U的一个划分且表示P有等价类构成的合集。

定义2   信息熵。假设Q, P为论域U上导出的一个划分, Q ={ Q1, Q2, …, Qr}, P ={ P1, P2, …, Pe}的概率分布为

式中,p(Qb)=|Qb|/|U|, p(Pj)=|Pj|/|U|, |Qb|为集合Qr的基数, |Pj|为集合Pe的基数。Q的信息熵为

定义3   条件熵和条件信息熵。属性Q对属性P的条件熵为

属性Q对决策属性D的条件信息熵为

式中: PjQb是论域U上关于P, Q导出的等价类划分; p(Qb|Pj)=|Qb|Pj|/|Pj|是条件概率。

基于CEBARKNC算法运算步骤如下:

步骤4.1   计算决策属性集Di相对Zim的条件熵H(Di|Zim)。已知信息系统Si, 在条件属性集Cim个条件属性划分集合中, 计算Zim对决策属性集Di的条件熵H(Di|Zim)。

步骤4.2   计算H(Di|{cit})。计算决策属性集D相对每个条件属性cit的条件熵H(Di|{cit}), (citZim), 按H(Di|{cit})值递减的顺序排列。

步骤4.3   令初始约简集为Zim*Zim*= Zim。将H(Di|{cit})的值按递减顺序,依次计算决策属性集Di相对约简集Zim*去掉条件属性cit的条件熵,令H(Di|Zim)=H(D|Zim*-{cit})。

步骤4.4   CEBARKNC算法终止条件判断。若H(Di|Zim)=H(D|Zim*-{cit}), 说明可以约简条件属性cit, 此时Zim*= Zim*-{cit}; 否则, 不能约简条件属性cit, Zim*不变。计算比较所有citZim后, 输出约简集Zim*

步骤4.5   输出i维度下m个条件属性集合的所有指标约简集Ci*, Ci*={ Zi1*, Zi2*, …, Zim*}。

步骤4.6   指标约简结束后, 令4个维度的所有约简指标集C*R, R = C*={ C1*, C2*, C3*, C4*}。

步骤5   约简指标集合理性检验。若KW检验的概率P小于0.05阈值, 即认为R中保留指标存在显著差异; 否则, 返回步骤1。

步骤6   基于条件信息熵的综合权重计算。利用(4)式计算决策属性集Di相对条件属性子集Zim的条件信息熵I(Di|Zim), Zim的条件信息熵权重为

结合文献[26], i维度Zim*中指标cit的改进属性重要度为

R中指标cit的最终属性重要度为

设各维度权重相同, 归一化R中保留指标的最终属性重要度, 指标citR的归一化权重为

2.2 基于K-means聚类-遗传算法的指标约简方法

2.2.1 K-means聚类-遗传算法

引入并改进文献[14]提出的融合K-means聚类和遗传算法的指标约简方法。基于K-means聚类-遗传算法的指标约简方法流程见图 3

该算法首先要运用K-means聚类簇的类别获取维度决策表的决策属性值, 利用遗传算法获得维度决策表的约简指标。完成多维度指标约简后, 采用属性重要度公式确定保留指标的客观权重。

thumbnail 图3

基于K-means聚类-遗传算法的指标约简方法

2.2.2 K-means聚类-遗传算法步骤

步骤1   指标数据标准化和属性离散化处理。连续型维度指标数据采用K-means聚类进行离散化处理; 由专家打分获取的指标数据需对分值做标准化处理。

步骤2   构建维度决策表。多维度指标集中, 设Ci(i=1, 2, 3, 4)维度的四元信息系统Si, 条件属性集Ci为离散化指标数据或标准化打分值。

步骤3   K-means聚类获取维度指标数据集的聚类数k

步骤3.1   明确指标数据集的划分数k和初始化中心。确定维度决策表数据的最优聚类簇数目k(k>1), 初始聚类中心a=a1, a2, …, ao, …, ak

步骤3.2   分配数据点到最近的中心。对条件属性cit计算它到k个聚类中心的欧式距离, 并将其分配到相距最近的质心所对应的聚类簇中。

步骤3.3   更新聚类中心。聚类中心ao中所有条件属性的平均值为

ao平均值作为新的聚类中心位置, 重复步骤3.2和3.3操作, 直到满足最大迭代次数或最小更改容忍度后停止计算。

步骤3.4   确定维度决策表的决策属性值。将K-means聚类结果作为决策属性集Di的值。

步骤4   基于遗传算法的指标约简。

定义4   在i(i=1, 2, 3, 4)维度的信息系统Si={ U, A, V, f }中, 设XUxU, 集合Tp(X)={xU |Ci(x)⊆ X}称为XP正域。

定义5   条件属性的支持度。在信息系统Si中, 条件属性集Ci对决策属性集Di的支持度为

利用遗传算法约简代码进行指标多特征选择和降维的步骤如下:

步骤4.1   编码。使用二进制0, 1表示染色体r中未选中、选中条件属性。

步骤4.2   初始化种群。设置初始种群数β、最大迭代次数T0

步骤4.3   适应度函数Fr。参考文献[18]定义任意染色体r适应度函数Fr

式中: α为平衡系数; ns(r)表示约简掉的维度条件属性个数, 即染色体r中编码为0的个数; γCi(r)(Di)表示约简染色体r中编码为1的条件属性集对决策属性集的支持度。

步骤4.4   选择遗传、交叉和变异算子。采用锦标赛进行选择, 以单点交叉概率Pc和均匀变异概率Pm进行变异计算并产生新的群体。

步骤4.5   终止条件判断。若遗传算法满足最大迭代次数T0或适应度函数Fr不再变化时, 令当前种群适应度函数最高的染色体r为最优解, 并对染色体r进行二进制解码。输出i维度下指标约简集Ci*

步骤4.6   指标约简结束后, 令4个维度的所有约简指标集Ci*R, R = C*={ C1*, C2*, C3*, C4*}。

步骤5   约简指标集合理性检验。选用KW检验R的合理性, 若检验不合格, 则返回步骤3重新选取i维度指标数据集的划分值k

步骤6   基于属性重要度的客观权重计算。

对民机驾驶舱显示界面可用性指标的i维度∀citCi*, 结合文献[27]令Ca= Ci*-{cit}, Ca, s= Ci*-{cit, cs}, 条件属性ci的改进属性重要度为

设各维度权重相同, 对于所有保留指标重要度做归一化处理, 指标citR的归一化权重为

3 实例分析

3.1 实验数据的获取

实验将表 1转化为初步问卷, 接着在某飞行研究院邀请2位飞行员填写, 根据填写反馈修正问卷内容。面向平均年龄为35.7岁(SD=2.6岁)、飞行时长不少于18 000 h的飞行员发放问卷, 经过回收共获得12份有效问卷。

3.2 民机驾驶舱显示界面多维度可用性指标聚类约简

3.2.1 基于HC-CEBARKNC算法的指标约简

1) 4个维度的指标约简集R1

以飞行任务C1维度为例详述指标聚类约简过程。基于HC-CEBARKNC算法的C1维度决策表见表 2, 论域U表示飞行专家; 条件属性集C1的值为{1, 2, 3}={指标选取非常不满意,指标选取一般满意,指标选取非常满意}; 决策属性集D1的值为{1, 2, 3}={指标可用性影响较差,指标可用性影响一般,指标可用性影响影响较好}。

利用SPSS软件的欧式距离和Ward方法进行层次聚类, 飞行任务维度的层次聚类树状图结果见图 4。令划分数m=2, 飞行任务维度决策表划分结果见表 2, 条件属性集C1= {Z11Z12}。

Z11中, Z11={c14, c15, c17, c18}为条件属性子集, D1={1, 2, 3}为决策属性集。由(3)式依次计算H(D1|{cit}), (citZ11), 将cit按照H(D1|{cit})值的降序排列, 计算结果见表 3,最终得到Z11*={c14, c15, c17}。

C1维度的指标约简集Z11*= Z11, 依次计算去掉cit后的H(D1|Z11*-{cit}), 计算结果见表 3, 指标约简集Z11*={c14, c15, c17}。

重复上述过程约简Z12, 得到Z12*={c11, c16}。飞行任务维度的约简集C1*={c11, c14, c15, c16, c17}, 删除冗余指标c12, c13, c18

C2, C3, C4维度实施HC-CEBARKNC算法的聚类约简过程, 指标约简结果见3.2.2节, 令保留的可用性指标组成约简指标集R1

2) 约简指标集合理性检验。

R1的KW检验P值为0.016, 说明R1中各保留指标之间在数理统计学意义上有显著性差异。

3) 约简指标集权重系数确定。

由(4)~(5)式得C1维度条件属性子集的条件信息熵权重ω(Z11)=0.781 2, ω(Z12)=0.218 8。

由(6)~(7)式得Z11*中保留指标的最终属性重要度S′(c14)=0.253 3, S′(c15)=0.165 7。

按照上述过程计算R1中各约简指标cit的属性重要度S′(cit), 由(8)式计算citR1的归一化权重 ωit。设4个维度的权重相同, citR1的归一化权重ωit结果见3.2.2节, HC-CEBARKNC算法保留了17个指标。

表2

飞行任务维度决策表和层次聚类划分结果(m=2)

thumbnail 图4

飞行任务维度的层次聚类树状图和划分结果

表3

飞行任务维度Z11的条件熵值及约简结果

3.2.2 基于K-means聚类-遗传算法的指标约简

1) 4个维度的指标约简集R2

条件属性集C1打分值同表 2, 利用SPSS软件对打分值进行K-means聚类, 令聚类数k=3时, 将聚类结果作为决策属性集D1的值, 此时, 飞行任务维度C1决策表见表 4

在MATLAB环境下编写遗传算法约简代码, 并将表 4输入代码。令Fr的平衡系数α=0.5, 设置初始种群数β为80, 迭代次数T0为200, Pc=0.05, Pm=0.8。代码最优染色体r为“01010101”时, ns(r)=5且γC1(r)(D1)=1, Fr迭代过程见图 5C1维度的指标约简集C1*={c11, c13, c16, c18}。

C2, C3, C4维度实施K-means聚类-遗传算法的聚类约简过程, 指标约简结果如表 5所示, 令所保留的可用性指标组成约简指标集R2

2) 约简指标集合理性检验。

R2的KW检验P值为0.024, 即R2中各保留指标之间在数理统计学意义上有显著性差异。

3) 基于属性重要度的客观权重计算。

设4个维度的权重相同, 由(12)~(13)式得到citR2的归一化权重 ωit结果见表 5。K-means聚类-遗传算法保留了16个指标, 但保留指标的权重值相同数量较多。

表4

基于K-means聚类的飞行任务维度决策表(k=3)

thumbnail 图5

基于遗传算法约简的飞行任务维度Fr迭代过程

表5

2种算法的可用性指标聚类约简结果对比

3.2.3 基于SVM分类模型的聚类算法可靠性分析

采用SVM预测2种算法的分类准确率时, 分别使用条件属性集Ci、条件属性约简集Ci*对决策属性集Di进行分类预测, 同时选取高斯核函数对决策属性集Di进行交叉训练。2种算法的SVM分类准确率总结见图 6

HC-CEBARKNC算法的聚类约简前后差值更显著。因此, 在处理样本量较少的多维度数据集时, HC-CEBARKNC算法在指标聚类约简方面表现更可靠且合理性更强。而K-means聚类-遗传算法则严重依赖于不同维度的数据集聚类数k与各类参数的设置。

thumbnail 图6

2种聚类约简算法的SVM分类准确率对比

3.2.4 民机驾驶舱显示界面可用性决策规则提炼

利用粗糙集软件Rosseta对HC-CEBARKNC算法聚类约简后的4个维度决策表分别提炼决策规则, C1维度的可用性决策规则集如图 7所示。

根据右手侧(RHS)精确度>0.50、右手侧(RHS)覆盖度>0.14、决策属性集Di取值为3的筛选原则, 4个维度的可用性决策规则提炼及筛选结果见表 6

规则1~2   飞行员对信息吸引力指标的选取非常满意时, 即使对任务完成效率、任务导向性指标、信息复杂度和信息匹配指标的选取一般满意, 同样认为C1维度聚类约简前指标的可用性影响较好。

规则3~4   飞行员对信息易读性指标的选取非常满意时, 即使对语音告警提示指标的选取不满意、对界面布局和界面色彩指标的选取一般满意, 同样认为C2维度聚类约简前指标的可用性影响较好。

规则5~6   飞行员对一致性指标的选取一般满意时, 即使对最小记忆负荷、易学性、满意度指标的选取一般满意时, 同样认为C3维度聚类约简前指标的可用性影响较好。

规则7~8   飞行员对反馈相应指标的选取非常满意时, 即使对可预测性、告警提示、防撞预警指标的选取一般满意, 同样认为C4维度聚类约简前指标的可用性影响较好。

thumbnail 图7

飞行任务维度的可用性决策规则集

表6

4个维度的可用性指标决策规则提炼和筛选结果

4 结论

1) 借助EPIC模型提取了4个维度的民机驾驶舱显示界面可用性指标, 并依靠5位专家经验初步筛选确定了33个可用性指标。

2) HC-CEBARKNC算法、K-means聚类-遗传算法分别保留了17和16个民机驾驶舱显示界面可用性指标。HC-CEBARKNC算法聚类约简后4个维度可用性指标的SVM分类准确率更优, 说明HC-CEBARKNC算法的性能更稳定、可靠性更强。

3) 以HC-CEBARKNC算法的聚类约简结果为例, 利用粗糙集软件Rosseta提炼和筛选了8条民机驾驶舱显示界面可用性指标决策规则, 并对4个维度的决策规则进行分析。

为搭建民机驾驶舱显示界面的可用性评价模型, 将运用贝叶斯网络或模糊综合评价法, 并结合主客观实验对显示界面的优化做进一步研究。

References

  1. XIE Ning, CHEN Dengkai, ZHOU Yao, et al. A method for evaluating human-machine interface in civil aircraft cockpit based on human factor reliability[J]. Journal of Northwestern Polytechnical University, 2022, 40(6): 1250–1260. [Article] (in Chinese) [NASA ADS] [CrossRef] [EDP Sciences] [Google Scholar]
  2. ENDSLEY M R, BOLTE B, JONES D G. Designing for situation awareness: an approach to user-centered design[M]. London: CRC Press, 2003 [CrossRef] [Google Scholar]
  3. XUE H, LI T, ZHANG X. An approach for assessing the usability of cockpit display system[C]//International Conference on Engineering Psychology and Cognitive Ergonomics, 2017 [Google Scholar]
  4. ZHANG Huilin. Research on usability evaluation of aircraft cockpit digital interface[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2020: 31–44 (in Chinese) [Google Scholar]
  5. WANG Y, LIU Q, XIONG D, et al. Research on assessment of eye movement sensitivity index through aircraft cockpit man-machine interface based on eye movement tracking technology[C]//Proceedings of the 15th International Conference on Man-Machine-Environment System Engineering, 2015 [Google Scholar]
  6. CHEN Honghai. Method of screening evaluation indicators based on circle ill-condition index analysis[J]. Chinese Journal of Management Science, 2019, 27(1): 184–193 (in Chinese) [Google Scholar]
  7. ZHOU Tao, LU Huiling, REN Hailing, et al. Survey on attribute reduction algorithm of rough set[J]. Acta Electronica Sinica, 2021, 49(7): 1439–1449 (in Chinese) [Google Scholar]
  8. HUANG Guoshun, WEN Han. Conditional information entropy and attribute reduction based on boundary region[J]. Journal of Computer Applications, 2015, 35(10): 2771–2776 (in Chinese) [Google Scholar]
  9. CHEN Yuan, YANG Dong. Attribute reduction alogrithm based on information entropy and its application[J]. Journal of Chongqing University of Technology, 2013, 27(1): 42–46 (in Chinese) [Google Scholar]
  10. ZHANG Qinghua, HU Rongde, YAO Longyang, et al. Risk DTRS attribute reduction based on attribute importance[J]. Control and Decision, 2016, 31(7): 1199–1205 (in Chinese) [Google Scholar]
  11. LUO J, WANG H J, LI Y M, et al. Intrusion detection system based on genetic attribute reduction algorithm based on rough set and neural network[J]. Wireless Communications and Mobile Computing, 2022, 2022: 5031236 [Google Scholar]
  12. WEI Q, WANG C, WEN Y. Minimum attribute reduction algorithm based on quick extraction and multi-strategy social spider optimization[J]. Journal of Intelligent & Fuzzy Systems, 2021, 40(6): 12023–12038. [Article] [CrossRef] [Google Scholar]
  13. ZHANG Lijun, GAO Chunxiao. Indicators screening method based on K-means clustering and rough set algorithm[J]. Operations Research and Management Science, 2020, 29(12): 8–12 (in Chinese) [Google Scholar]
  14. LIU Haijiang, XING Zheng. Research on reduction of shift quality evaluation index for dual clutch automatic transmission vehicle based on rough set theory[J]. Journal of Harbin Institute of Technology, 2021, 53(7): 164–170 (in Chinese) [Google Scholar]
  15. KIERAS D E, MEYER D E. An overview of the EPIC architecture for cognition and performance with application to human-computer interaction[J]. Human-Computer Interaction, 1997, 12(4): 391–438. [Article] [CrossRef] [Google Scholar]
  16. NIELSEN J. The usability engineering life cycle[J]. Computer, 1992, 25(3): 12–22. [Article] [CrossRef] [Google Scholar]
  17. AL-KILIDAR H, COX K, Kitchenham B. The use and usefulness of the ISO/IEC 9126 quality standard[C]//2005 International Symposium on Empirical Software Engineering, 2005 [Google Scholar]
  18. ZHAO Xin, DING Yi, HOU Wenjun, et al. On the usability evaluation index system of complex information system interface[J]. Journal of Graphics, 2018, 39(4): 716–722 (in Chinese) [Google Scholar]
  19. LIU Peng, LYU Xi, LI Zhizhong. Effect of task complexity on automation awareness[J]. Acta Aeronautica et Astronautica Sinica, 2015, 36(11): 3678–3686 (in Chinese) [Google Scholar]
  20. LIU J, GARDI A, RAMASAMY S, et al. Cognitive pilot-aircraft interface for single-pilot operations[J]. Knowledge-Based Systems, 2016, 112: 37–53. [Article] [CrossRef] [Google Scholar]
  21. REN Hong, LIU Yuxue, ZOU Yuanyuan, et al. Information element design of cabin of small aircraft based on AHP[J]. Packaging Engineering, 2022, 43(10): 232–238 (in Chinese) [Google Scholar]
  22. WANG Y H, PANG Y T, GORCESKI S, et al. A voice communication-augmented simulation framework for aircraft trajectory simulation[J]. IEEE Trans on Intelligent Transportation Systems, 2022, 23(7): 7310–7320. [Article] [CrossRef] [Google Scholar]
  23. LIU J, GARDI A, RAMASAMY S, et al. Cognitive pilot-aircraft interface for single-pilot operations[J]. Knowledge-Based Systems, 2016, 112: 37–53. [Article] [CrossRef] [Google Scholar]
  24. CHEN D K, ZHU M Y, QIAO Y D, et al. An ergonomic design method of manned cabin driven by human operation performance[J]. Advanced Design Research, 2023, 1(1): 12–20. [Article] [CrossRef] [Google Scholar]
  25. SI H Q, WANG H B, PAN T, et al. Micro-behavior analysis of pilots based on human-aircraft-environment interaction[J]. Transactions of Nanjing University of Aeronautics & Astronautics, 2020, 37(1): 70–82 [Google Scholar]
  26. ZHU Hongcan, CHEN Nenghua. Improvement of weight determination method of conditional information entropy in rough set[J]. Statistics & Decision, 2011(8): 154–156 (in Chinese) [Google Scholar]
  27. SUN Limin. Improved method of attribute weight based on rough sets theory[J]. Computer Engineering and Applications, 2014, 50(5): 43–45 (in Chinese) [Google Scholar]

All Tables

表1

民机驾驶舱显示界面多维度可用性指标初步筛选结果

表2

飞行任务维度决策表和层次聚类划分结果(m=2)

表3

飞行任务维度Z11的条件熵值及约简结果

表4

基于K-means聚类的飞行任务维度决策表(k=3)

表5

2种算法的可用性指标聚类约简结果对比

表6

4个维度的可用性指标决策规则提炼和筛选结果

All Figures

thumbnail 图1

基于EPIC模型的飞行员人机界面交互认知过程

In the text
thumbnail 图2

基于HC-CEBARKNC算法的指标约简流程

In the text
thumbnail 图3

基于K-means聚类-遗传算法的指标约简方法

In the text
thumbnail 图4

飞行任务维度的层次聚类树状图和划分结果

In the text
thumbnail 图5

基于遗传算法约简的飞行任务维度Fr迭代过程

In the text
thumbnail 图6

2种聚类约简算法的SVM分类准确率对比

In the text
thumbnail 图7

飞行任务维度的可用性决策规则集

In the text

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.