[发明专利]一种基于交互方式的陆空通话复诵差错分类方法

说明书

一种基于交互方式的陆空通话复诵差错分类方法。其包括制作语料库：根据民航通话标准和语料库制作专用词表并获得词语one‑hot词向量，对one‑hot向量简单改进得到增强one‑hot词向量；利用增强one‑hot词向量产生每一复诵对中两个语句的句子矩阵；将每一复诵对中两个句子矩阵进行交互得到复诵对间匹配矩阵；提取匹配矩阵的匹配位置和匹配语义特征得到复诵对间匹配向量；利用全连接softmax层对匹配向量进行分类，由此完成陆空通话复诵差错分类等步骤。本发明优点：利用了CNN自动学习匹配特征的优势，能够免去人工设计特征的开销，可自动实现陆空通话复诵差错分类，所以本发明不需要对大量数据进行统计分析。

技术领域

本发明属于民航运输中陆空通话复诵差错分类技术领域，特别是涉及一种基于交互方式的陆空通话复诵差错分类方法。

背景技术

众所周知，航空飞行安全在民航事业中始终位于首位。在民航运输中，导致事故发生的因素可以归纳为三类：自然因素、机械故障和人为因素。随着科技的发展，由自然因素和机械故障导致的事故发生率呈现大幅下降趋势，但是由人为因素导致的事故发生率并没有明显的下降。

据美国联邦航空局(NASA)的调查报告显示，陆空通话错误是人为因素中的主要原因。其中，陆空通话复诵错误所占比例接近一半。为了降低由陆空通话复诵错误造成的航空不安全事件的发生率，我们必须掌握复诵差错类型及复诵差错类型的倾向性，这对于改善管制员与飞行员之间的通信质量，提高民航飞行安全具有重要的现实意义。以往的研究均是通过对大量的陆空通话数据进行统计分析以完成复诵差错分析工作，这不仅需要耗费大量的人力和物力，而且在数据量过大时容易出现错误分析的状况。因此，建立一个自动的陆空通话复诵差错分类模型尤为重要。

深度学习中的卷积神经网络(CNN)在计算机视觉领域有着很好的应用，近些年来也不断被用于自然语言处理领域中，比如文本匹配、文本分类等等。由于CNN有参数共享的优点，因此相较于其他方法消耗的时间少，符合及时检测复诵差错类型的特点。但是目前并未发现CNN用于陆空通话复诵差错分类任务方面的报道。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于交互方式的陆空通话复诵差错分类方法。

为了达到上述目的，本发明提供的基于交互方式的陆空通话复诵差错分类方法包括按顺序进行的下列步骤：

步骤1)制作语料库；

步骤2)根据民航的通话标准和上述语料库制作专用词表并获得词语的one-hot词向量，并且对one-hot向量进行简单的改进而得到增强one-hot词向量；

步骤3)利用增强one-hot词向量产生每一复诵对中两个语句的句子矩阵；

步骤4)将每一复诵对中两个句子矩阵进行交互而得到复诵对之间的匹配矩阵；

步骤5)提取上述匹配矩阵的匹配位置和匹配语义特征而得到复诵对之间的匹配向量；

步骤6)利用一个全连接softmax层对上述匹配向量进行分类，由此完成陆空通话复诵差错分类。

在步骤1)中，所述的制作语料库的方法包括下列步骤：

步骤1.1)从真实的陆空通话录音中挑选出多个复诵类型的语音对作为复诵对，每个复诵对由管制员发送的指令和飞行员复诵指令两个语句组成，然后存储为文本txt格式；

步骤1.2)将上述多个复诵对中复诵正确的复诵对作为正样本，复诵错误的复诵对作为负样本，负样本中包括常见的复诵差错类型：航向信息复诵错误、跑道信息复诵错误、飞机呼号信息复诵错误、高度信息复诵错误、部分信息缺失错误；

步骤1.3)以每个词语为单位将复诵对中的两个语句进行分词，由分词之后的所有复诵对构成语料库。