基于改进KNN算法的飞行员工作负荷评估

针对使用主观量表评估飞行员工作负荷易受主观因素干扰的问题，将飞行员工作负荷评估试验划分成连续的15 s时间窗口，基于时间窗口内的客观绩效和生理数据，建立飞行员工作负荷评估模型。使用插值、去均值、归一化等方法预处理数据后，再将生理数据变化量作为工作负荷的特征维度，并基于生理数据变化量改进KNN算法，对工作负荷进行分类。通过引入生理数据变化量作为工作负荷的特征维度，优化分类模型的数据结构后，各传统分类算法的测试集F1分数均得到提高；使用生理数据变化量改进KNN算法后，高负荷数据分类准确率达到71%,总体准确率能达到88.5%;相比于传统KNN算法，高负荷数据分类准确率提升36.5%,总体准确率提升6.3%。