买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军海军工程大学申请的专利一种船舶动力装置虚拟培训方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119599337B 。

龙图腾网通过国家知识产权局官网在2026-01-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411639969.3，技术领域涉及：G06Q10/0631；该发明授权一种船舶动力装置虚拟培训方法是由王银;周天学;张萍;周磊;罗丽设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本一种船舶动力装置虚拟培训方法在说明书摘要公布了：本发明属于虚拟培训规划技术领域，尤其涉及一种船舶动力装置虚拟培训方法。本申请通过建立学生虚拟培训过程中不同时间段的关注度变化以及对于虚拟场景下不同目标的关注度的差异信息分析机制，为虚拟教学过程中优化培训内容的分配提供优化依据，为虚拟场景设计提供改进参考，本方法有利于针对性的提高虚拟教学内容的教学时间、空间分类，降低教学过程中的干扰，提高教学效率。

本发明授权一种船舶动力装置虚拟培训方法在权利要求书中公布了：1.一种船舶动力装置虚拟培训方法，其特征在于，包括如下步骤： S1、根据动力装置虚拟培训规划确定虚拟培训任务的基本类型，所述基本类型至少包括：动力装置配置上电操作、显控台备车操作、辅助系统检车备车操作、机组并网操作、动力装置功率调节操作、动力装置故障诊断与排查操作、 S2、采集学生在前述虚拟培训任务中对于所需关注度的数据；分配学生在标准实验环境下进行培训模拟教学，在学生能够顺利完成动力装置虚拟培训的相应操作后，分批次进行动力装置虚拟培训；采集在不同培训内容下学生脑电信号数据；采样频率为512Hz～1024Hz； S3、提取各培训内容下学生脑电信号数据通过数据通道进行采样生成原始数据；基于所分析脑电信号的主要特征使用高通滤波或者带通滤波滤波方式进行预处理，之后进行下采样以压缩数据容量； S4、剔除脑电信号中的高频干扰，以获取平滑数据，经过处理后的参数值可表示为其中xn'为t时刻采集的第n个原始脑电信号，μt-1'表示t-1时刻原始脑电信号的平均值，σt-1'是指t-1时刻原始脑电信号的标准差，n为采集的样本总数，α是指衰减系数； S5、由于脑电信号数据采样过程中不可避免的会出现重复信号特征的采集，若重复数据比例增大，将会导致原始数据的所反映的时域特征出现偏差，为此，对于步骤S4中采集的t时刻的脑电信号Xn＝{x1,x2...xn...xN}，我们需要剔除其中重复的信号特征，从中提取每个脑电信号源中反映原始脑电信号特征的独立信号sn，得到反映原始数据实际特征向量的独立信号Sn＝{s1,s2...sn...sN}，之后再利用独立信号Sn重构原始信号作为有效数据进行下一步处理，其中脑电信号xn是由独立信号sn中各独立信号线性组合得的，即Xn＝ATSn： {x1,x2...xn...xN}＝AT{s1,s2...sn...sN}，令W＝A-1则有Sn＝WXn；其中A为线性混合矩阵，表示在各独立信号sn对各脑电信号xn的影响；对于独立信号Sn＝{sn}，在其分量信号sn绝对独立的情况下，其数据熵HSn为其分量信号的数据熵Hsn的和，获取脑电信号xn中的最佳的独立信号sn提取结果，即求解使数据熵HSn与∑Hsn之差最小的分类，即目标函数为Goal1＝min|∑Hsn-HSN|； 对于独立信号Sn，有logPSn＝logPXn-log|detW|，脑电信号基于相互独立的信号采集端口采集同一个源信号，因此各分量信号sn的方差应保持一致，则原始信号Xn可视为各分量信号sn经过放大后线性组合得到，其协方差为独立信号Sn的协方差f，即要保证各分量信号sn完全不相关，则需要保证HSN与W无关，即目标函数需要使log|detW|＝0，也即detW＝1，也就是说需要使W为特征值全为1的旋转矩阵； 同时，基于独立成分分析原理，为了获得最佳的无相关性的分量信号sn，需要确定W方向的非高斯性JWTXn最大，即Goal2＝maxJWTXn；利用FSStICS迭代算法求解后确定W矩阵参数，并带入Sn＝WXn即可求得独立信号Sn的具体参数； S6、提取S5步骤中分离得到的独立信号Sn＝{s1,s2...sn...sN}，提出其中明显错误或无效数据，提取独立信号Sn＝{s1,s2...sn...sN}中的各分量信号进行重组，获得最终的脑电信号Xn＝{x1,x2...xn...xN}； S7、建立由时域特征提取模块、空域特征提取模块以及分类模块构成的关注度分析模型；所述时域特征提取模块由若干个不同尺度的时域特征提取组件并联构成，时域特征提取组件由卷积层、激活层、池化层构成，所述卷积层按照时序顺序对脑电信号数据的原始数据进行逐维卷积操作，利用激活层激活函数和池化层池化运算提取脑电信号数据的不同维度的时域特征； 实数空域特征提取模块由两个空间特征提取组件并联构成，空间特征提取组件由空间卷积层、激活层、池化层构成；两个空间卷积层大小分别为D,1、0.5D,1，其中D为脑电信号数据通道总数； 所述分类模块用于对时域特征提取模块提取的时域特征信息和实数空域特征提取模块提取的空间特征信息进行关注度识别分析，并基于随机失活防止过拟合； S8、提将脑电信号原始数据输入步骤S7中建立的分析模型确定培训过程中不同时刻学生的关注度； S9、交互数据收集处理，是指收集学院培训过程中手柄射线、双目视线与船舶动力装置虚拟培训场景中的虚拟对象的交点确定关注信息；包括： 空白数据填充：由于培训过程中不可避免的因为眨眼原因存在视线数据丢失现象，导致视线数据信息出现缺失，需要将在该空白数据替换为该空白数据出现时刻前最后的有效数据； 坐标转换处理：由于不同类型或系统的手柄、头显以及虚拟现实画面可能因为配置需求采用不同的坐标系建立方案，为保证数据一致性，应当根据手柄、头显以及虚拟现实画面的坐标建立方式进行坐标统一，并根据坐标调整的方式统一修改原始数据，包括：将基于不同左右手坐标系的眼动数据统一至手柄坐标系、将头显实现坐标系和手柄坐标系统一转换至地球坐标系； 交互意图预标注处理：通过历史数据分析，在船舶动力装置虚拟培训过程中，在意图明确的情况下，从意图产生至交互动作实际执行前，存在tyc＝200mS～100mS的时间差，进一步考虑系统数据延时Δtxt，为视线交互意图预测，需要基于前述时间差建立多级分类器以对用户的交互行为的意图进行预测，分类器的分类结果与交互意图是否存在以及交互意图的最终结果相匹配，可以分为一级交互意图分类器以及二级交互分类器，其中一级分类器为二分类器，其分类结果用于判断交互意图是否存在，二级交互分类器为多分类器，其分类结果为交互意图的具体含义，可以分为选择意图、传递意图以及无意图，无意图包括无意识下意识行为或习惯性行为； 根据实际系统特征以及学生对于培训内容的分析速度，提取明确交互意图的交互行为数据，将交互行为数据产生前的200+Dtxt～Tyz+Dtxt的交互数据输入一级分类器，将交互行为数据产生前的Tyz+Dtxt～1000+Dtxt的交互数据输入二级分类器，分别根据交互行为数据的实际内容对交互数据进行分类标注； S10、对分类标注的结果进行行为特征提取：所述行为特征至少包括经过不同数据点位置的扫掠速度、对于不同数据点的注视时间、数据点对应时刻瞳孔距离；基于分类标注结构中数据点中相应数据点特征值，确定用于判断数据点类型的预设阈值；本实施例中预设阈值至少包括用于判断是否为注视点的预设持续注视时间阈值、用于判断相邻注视点是否对应同一个交互对象的预设离散距离、用于判断学生视觉焦点是否位于视线正对方向的预设最大失焦距离； 提取培训过程中视线或手柄交互线经过不同数据点位置的扫掠速度，若扫掠速度低于预设扫掠速度阈值，则初步认定其为注视点，若扫掠速度超过预设扫掠速度阈值，则初步认定其为眼跳点； 对于初步认定为注视点的数据点，作如下判断： S1、判断其持续注视时间是否低于预设持续注视时间阈值； S2、判断其与相邻注视点之间的距离是否超过预设超过离散距离； S3、判断相应时刻学生瞳孔距离是否低于预设最大失焦距离； 若满足以上三个条件，则将其是为有效注视点，若不满足S1，则将改数据点重新划分为眼跳点，若同时不满足S2和S3，则将其与前一个注视点合并，其他情况下不予处理； S11、以步骤S10获取的行为特征作为分类依据，建立多特征数据分类模型；获取历史培训交互数据，将其分为培训数据和验证数据，建立用于进行机器学习的多尺度特征融合预测模型；其输入为各数据点的特征值，其输出为数据点分类结果；根据系统算力和数据规模选择合适的数据点类型多尺度特征融合预测模型，利用历史培训交互数据对模型进行培训和优化，调整步骤S9、S10中的阈值或参数，使用验证数据对模型准确度进行验证优化，模型的预测结果满足准确度要求； S12、采集船舶动力装置虚拟培训过程中的实时数据，将其输入步骤S11中建立的预测模型，对各数据点的类型进行判断和预测；根据预测和判断结果分析，获取各时刻学生关注度分布以及各时刻学生关注区域分布； 判断当前培训内容所获得的持续关注度是否满足培训需求，若满足则继续当前培训内容，若不满足，则停止或更换培训内容； 根据各时刻学生关注度分布以及各时刻学生关注区域分布特征调整培训内容的顺序和排列方式，以获取最佳关注度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军海军工程大学，其通讯地址为：430033 湖北省武汉市解放大道717号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。