基于梯度提升回归树的飞行操作绩效评估方法

doi:10.11772/j.issn.1001-9081.2025081052

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (3): 1011-1022.DOI: 10.11772/j.issn.1001-9081.2025081052

• 前沿与综合应用 • 上一篇

基于梯度提升回归树的飞行操作绩效评估方法

魏麟¹, 李海敏¹(), 叶娅兰², 邢宇飞³, 陈鹏¹

^1.中国民用航空飞行学院航空电子电气学院，成都 641419
^2.电子科技大学计算机科学与工程学院，成都 610054
^3.西藏航空有限公司，成都 610000

收稿日期:2025-09-11 修回日期:2025-10-28 接受日期:2025-10-31 发布日期:2025-11-05 出版日期:2026-03-10
通讯作者: 李海敏
作者简介:魏麟（1972—），男，四川资阳人，教授，硕士，主要研究方向：航空安全管理、航空电子、航空通信
叶娅兰（1975—），女，四川宜宾人，教授，博士，主要研究方向：心理风险、人工智能
邢宇飞（1988—），男，陕西西安人，二级飞行员，硕士，主要研究方向：飞行、飞行标准管理
陈鹏（1997—），男，山西临县人，硕士研究生，主要研究方向：智能感知、自主控制。
基金资助:
国家自然科学基金资助项目(U2333211)

Flight operation performance evaluation method based on gradient boosting regression tree

Lin WEI¹, Haimin LI¹(), Yalan YE², Yufei XING³, Peng CHEN¹

^1.Institute of Electronic and Electrical Engineering，Civil Aviation Flight University of China，Chengdu Sichuan 641419，China
^2.School of Computer Science and Engineering，University of Electronic Science and Technology of China，Chengdu Sichuan 610054，China
^3.Tibet Airlines Company Limited，Chengdu Sichuan 610000，China

Received:2025-09-11 Revised:2025-10-28 Accepted:2025-10-31 Online:2025-11-05 Published:2026-03-10
Contact: Haimin LI
About author:WEI Lin， born in 1972， M. S.， professor. His research interests include aviation safety management， avionics， aviation communication.
YE Yalan， born in 1975， Ph. D.， professor. Her research interests include psychological risks， artificial intelligence.
XING Yufei， born in 1988， M. S.， second-grade pilot. His research interests include flight， flight standard management.
CHEN Peng， born in 1997， M. S. candidate. His research interests include intelligent perception， autonomous control.
Supported by:
National Natural Science Foundation of China(U2333211)

摘要/Abstract

摘要：

针对传统飞行操作绩效评估方法主观性强、参数分析片面和难以全面客观量化等问题，提出一种基于多维度特征解析的梯度提升回归树（MFA-GBRT）方法。该方法通过提取快速存取记录器（QAR）数据的时域和趋势特征，结合改进梯度提升回归树（GBRT）与阈值累积重要性筛选机制，构建覆盖“姿态控制-动力管理-环境响应”的评估指标体系与绩效等级评估模型。模拟机和飞行基地数据上的实验结果表明，该方法评估平均准确率达87.83%，较现有算法LSTM-DNN（Long Short-Term Memory-Deep Neural Network）、曲线相似度和小波分析分别提升了10.78%、6.06%和3.55%；而跨场景验证显示，该方法在三类不同飞行场景中的适配度均达95%以上（高适配）。可见，该方法实现了飞行过程的全流程客观量化评估，为飞行操作绩效评估提供了具备工程实用性的科学方案。

关键词: 快速存取记录器, 飞行操作绩效, 梯度提升, 特征提取, 飞行安全

Abstract:

To address the problem that traditional flight operation performance evaluation methods are highly subjective， analyze parameters one-sidedly， and cannot be quantified comprehensively and objectively， a Multi-dimensional Feature Analysis based Gradient Boosting Regression Tree （MFA-GBRT） method was proposed. In the method， time-domain and trend features of Quick Access Recorder （QAR） data were extracted， and an improved Gradient Boosting Regression Tree （GBRT） was combined with a threshold cumulative importance filtering mechanism， an evaluation index system covering “attitude control-power management-environmental response” and a performance level evaluation model were constructed. Experimental results on simulator and flight base data show that the average evaluation accuracy of the proposed method reaches 87.83%， which is 10.78%， 6.06% and 3.55% higher than those of the existing methods Long Short-Term Memory-Deep Neural Network （LSTM-DNN）， curve similarity method and wavelet analysis， respectively. Cross-scenario validation show that the method has adaptability over 95% （high adaptability） in three different flight scenarios. It can be seen that the method realizes full-process objective quantitative evaluation of the flight process and provides a scientific scheme with engineering practicability for flight operation performance evaluation.

Key words: Quick Access Recorder (QAR), flight operation performance, gradient boosting, feature extraction, flight safety

中图分类号:

TP183

魏麟, 李海敏, 叶娅兰, 邢宇飞, 陈鹏. 基于梯度提升回归树的飞行操作绩效评估方法[J]. 计算机应用, 2026, 46(3): 1011-1022.

Lin WEI, Haimin LI, Yalan YE, Yufei XING, Peng CHEN. Flight operation performance evaluation method based on gradient boosting regression tree[J]. Journal of Computer Applications, 2026, 46(3): 1011-1022.

图/表 15

参考文献 29

[1]	International Civil Aviation Organization. Safety report ［R/OL］. ［2025-06-08］..
[2]	中国民航局. 中国民航航空安全报告［R/OL］. ［2025-06-08］..
	Civil Aviation Administration of China. Civil aviation safety report of China ［R/OL］. ［2025-06-08］..
[3]	董庚寿. 驾驶员评定等级与飞行品质标准［J］. 飞行力学， 1983， 1（2）： 178-193.
	DONG G S. Pilot rating and flight quality standards ［J］. Flight Dynamics， 1983， 1（2）： 178-193.
[4]	姬鸣，游旭群，杨仕云，等. 航线飞行技术性技能与航线飞行阶段任务的关系研究［J］. 心理与行为研究， 2010， 8（2）： 99-105.
	JI M， YOU X Q， YANG S Y， et al. An empirical research between technical skills and line flight phases’ mission in airlines pilots ［J］. Studies of Psychology and Behavior， 2010， 8（2）： 99-105.
[5]	祁明亮，邵雪焱，池宏. QAR超限事件飞行操作风险诊断方法［J］. 北京航空航天大学学报， 2011， 37（10）： 1207-1210.
	QI M L， SHAO X Y， CHI H. Flight operations risk diagnosis method on quick-access-record exceedance ［J］. Journal of Beijing University of Aeronautics and Astronautics， 2011， 37（10）： 1207-1210.
[6]	汪磊，郭世广，蒋引，等. 基于曲线相似度的飞行着陆操作评价方法［J］. 交通信息与安全， 2019， 37（6）：63-69.
	WANG L， GUO S G， JIANG Y， et al. A method of landing operation evaluation based on curve similarity ［J］. Journal of Transport Information and Safety， 2019， 37（6）： 63-69.
[7]	张晓微. 飞行操纵品质评估方法研究［D］. 天津：中国民航大学， 2010.
	ZHANG X W. Study on flight operational quality evaluation［D］. Tianjin： Civil Aviation University of China， 2010.
[8]	PAYNE K H， HARRIS D. A psychometric approach to the development of a multidimensional scale to assess aircraft handling qualities ［J］. The International Journal of Aviation Psychology， 2000， 10（4）： 343-362.
[9]	王帅，陈勇刚，曾超. 基于超限事件的飞行训练品质评估模型［J］. 科学技术与工程， 2022， 22（12）： 5074-5080.
	WANG S， CHEN Y G， ZENG C. Flight training quality evaluation model based on out-of-gauge event ［J］. Science Technology and Engineering， 2022， 22（12）： 5074-5080.
[10]	LU B， SUN H， ZHANG X， et al. Exploring spatial patterns of flight turbulence incidents in China with QAR data ［C］// Proceedings of the IEEE 1st International Conference on Civil Aviation Safety and Information Technology. Piscataway： IEEE， 2019： 570-573.
[11]	WANG L， ZHANG J， DONG C， et al. A method of applying flight data to evaluate landing operation performance ［J］. Ergonomics， 2019， 62（2）： 171-180.
[12]	CHEN R， JIN J. Detection of influential features of hard landing based on QAR data ［C］// Proceedings of the IEEE 3rd International Conference on Civil Aviation Safety and Information Technology. Piscataway： IEEE， 2021： 526-529.
[13]	LI X， SHANG J， ZHENG L， et al. CurveCluster+： curve clustering for hard landing pattern recognition and risk evaluation based on flight data ［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（8）： 12811-12821.
[14]	陈农田，满永政，李俊辉. 基于QAR数据的民机高高原进近着陆风险评估方法［J］. 北京航空航天大学学报， 2024， 50（1）： 77-85.
	CHEN N T， MAN Y Z， LI J H. Risk assessment method for civil aircraft approach and landing at high altitude based on QAR data ［J］. Journal of Beijing University of Aeronautics and Astronautics， 2024， 50（1）： 77-85.
[15]	孙瑞山，李重锋. 基于k-SC聚类的飞行操作模式及危险性分析［J］. 中国安全生产科学技术， 2021， 17（9）： 150-155.
	SUN R S， LI C F. Analysis of flight operation patterns and risk based on k-SC clustering ［J］. Journal of Safety Science and Technology， 2021， 17（9）： 150-155.
[16]	WANG Q， QIN K， LU B， et al. Feature extraction of QAR data via sequence-parameter attention based convolutional autoencoder model ［C］// Proceedings of the IEEE 3rd International Conference on Civil Aviation Safety and Information Technology. Piscataway： IEEE， 2021： 352-355.
[17]	CAI J， SHANG J， LI X， et al. Fine-grained time and hidden feature learning for interpretable hard landing prediction based on QAR data ［J］. IEEE Transactions on Intelligent Transportation Systems， 2025， 26（10）： 14807-14822.
[18]	SUN Q， JI R. Flight characteristic analysis model based on QAR data， wavelet transform and machine learning ［C］// Proceedings of the IEEE 3rd International Conference on Civil Aviation Safety and Information Technology. Piscataway： IEEE， 2021： 1256-1259.
[19]	WANG M， RONG C， SUN H. Multi-type anomaly detection using one deep neural model for QAR data ［C］// Proceedings of the IEEE 5th International Conference on Civil Aviation Safety and Information Technology. Piscataway： IEEE， 2023： 700-706.
[20]	WANG Q， QIN K， LU B， et al. Time-feature attention-based convolutional auto-encoder for flight feature extraction ［J］. Scientific Reports， 2023， 13： No.14175.
[21]	ZHONG Y， LIU T， FANG F， et al. Hard landing pattern recognition and precaution with QAR data by functional data analysis ［J］. IEEE Transactions on Aerospace and Electronic Systems， 2024， 60（4）： 5101-5113.
[22]	WANG L， GAO S， HONG R， et al. Effects of age and flight exposure on flight safety performance： evidence from a large cross-sectional pilot sample ［J］. Safety Science， 2023， 165： No.106199.
[23]	汪磊，安佳宁，赵新斌，等. 基于QAR数据的飞行员个体超限风险精细化评价模型［J］. 中国安全科学学报， 2024， 34（8）： 35-42.
	WANG L， AN J N， ZHAO X B， et al. Refined evaluation model for pilot’s individual exceedance risk based on QAR data［J］. China Safety Science Journal， 2024， 34（8）： 35-42.
[24]	汪磊，董传亭，崔美叶. 基于功率谱的飞行操作技能评价方法［J］. 飞行力学， 2018， 36（4）： 92-96.
	WANG L， DONG C T， CUI M Y. Evaluation method of flight operation skills based on power spectrum ［J］. Flight Dynamics， 2018， 36（4）： 92-96.
[25]	董传亭. 基于QAR数据的飞行操作技能评价研究［D］. 天津：中国民航大学， 2019.
	DONG C T. Research on flight operation skill evaluation based on QAR data ［D］. Tianjin： Civil Aviation University of China， 2019.
[26]	汪磊，王帅. 基于QAR数据和小波变换的飞行操作分析方法［J］. 飞行力学， 2020， 38（5）： 77-83.
	WANG L， WANG S. Flight operation analysis method based on QAR data and wavelet transformation ［J］. Flight Dynamics， 2020， 38（5）： 77-83.
[27]	王兵，张颖，谢华，等. 一种基于机载数据的民用航空器飞行阶段划分方法［J］. 交通运输工程学报， 2022， 22（1）： 216-228.
	WANG B， ZHANG Y， XIE H， et al. A flight phase identification method based on airborne data of civil aircraft ［J］. Journal of Traffic and Transportation Engineering， 2022， 22 （1）： 216-228.
[28]	陈明强，郑文浩，孙雁君，等. 基于回归树和随机森林的通航飞机燃油消耗预测［J］. 科学技术与工程， 2025， 25（7）： 3026-3034.
	CHEN M Q， ZHENG W H， SUN Y J， et al. Fuel consumption prediction of general aviation aircraft based on regression tree and random forest ［J］. Science Technology and Engineering， 2025， 25（7）： 3026-3034.
[29]	QIAO P， HU M， YIN J， et al. An adaptive similar scenario matching method for predicting aircraft taxiing time ［J］. Aerospace， 2024， 11（6）： No.461.

文献	方法类型分类			模型假设合理性		数据存在偏差		泛化能力不足
	主观量表	客观数据量化		是	否	是	否	是	否
	主观量表	传统数理统计	机器学习	是	否	是	否	是	否
［3］	√				√	√		√
［4］	√				√		√		√
［5］		√		√		√			√
［6］		√		√			√	√
［7］		√		√		√			√
［8］		√		√		√		√
［9］		√		√			√		√
［10］		√			√		√	√
［11］		√		√		√			√
［12］		√			√		√		√
［13］			√	√			√	√
［14］			√	√			√	√
［15］			√		√	√			√
［16］			√		√		√	√
［17］			√	√			√	√
［18］			√	√			√	√
［19］			√		√		√		√
［20］			√		√		√	√
［21］			√	√		√			√
［22］			√		√		√		√
［23］			√	√			√	√
［24］		√		√			√	√
［25］		√		√		√			√
［26］		√			√		√		√

文献	方法类型分类			模型假设合理性		数据存在偏差		泛化能力不足
	主观量表	客观数据量化		是	否	是	否	是	否
	主观量表	传统数理统计	机器学习	是	否	是	否	是	否
［3］	√				√	√		√
［4］	√				√		√		√
［5］		√		√		√			√
［6］		√		√			√	√
［7］		√		√		√			√
［8］		√		√		√		√
［9］		√		√			√		√
［10］		√			√		√	√
［11］		√		√		√			√
［12］		√			√		√		√
［13］			√	√			√	√
［14］			√	√			√	√
［15］			√		√	√			√
［16］			√		√		√	√
［17］			√	√			√	√
［18］			√	√			√	√
［19］			√		√		√		√
［20］			√		√		√	√
［21］			√	√		√			√
［22］			√		√		√		√
［23］			√	√			√	√
［24］		√		√			√	√
［25］		√		√		√			√
［26］		√			√		√		√

方法	数据处理	模型类型	特征工程	核心方案对比	可解释性
LSTM-DNN^［14］	直接提取5项关键指标	LSTM-DNN模型+ 可变模糊识别	熵权法确定权重，依赖专家经验	LSTM-DNN结构复杂，依赖大量计算资源	可变模糊识别解释性差，模型黑箱化
曲线相似度^［6］	筛选数据拟合目标曲线，对比两组数据	曲线相似度度量+ 加权评价模型	曲线相似度（趋势/平移/伸缩）+加权评价	曲线相似度动态规划计算，数据规模敏感	曲线相似度物理意义明确，但未量化特征贡献
小波分析^［26］	进近着陆阶段的俯仰角和驾驶杆位移数据	小波分析+皮尔逊相关系数	提取小波时频+相位和俯仰角和驾驶杆位移的统计特征	小波分析对于数据要求较高，Morlet小波分析过于主观、单一	数据可解释性强，但结果受数据噪声影响严重，且存在较强主观性
MFA-GBRT	随机森林填补缺失值+数据增强+标准化	梯度提升树+网格搜索超参数调优	多尺度特征（时域/趋势/分段统计）+TCIF筛选	特征筛选与交叉验证增加部分耗时，但模型简洁	特征重要性可视化，决策过程透明

方法	数据处理	模型类型	特征工程	核心方案对比	可解释性
LSTM-DNN^［14］	直接提取5项关键指标	LSTM-DNN模型+ 可变模糊识别	熵权法确定权重，依赖专家经验	LSTM-DNN结构复杂，依赖大量计算资源	可变模糊识别解释性差，模型黑箱化
曲线相似度^［6］	筛选数据拟合目标曲线，对比两组数据	曲线相似度度量+ 加权评价模型	曲线相似度（趋势/平移/伸缩）+加权评价	曲线相似度动态规划计算，数据规模敏感	曲线相似度物理意义明确，但未量化特征贡献
小波分析^［26］	进近着陆阶段的俯仰角和驾驶杆位移数据	小波分析+皮尔逊相关系数	提取小波时频+相位和俯仰角和驾驶杆位移的统计特征	小波分析对于数据要求较高，Morlet小波分析过于主观、单一	数据可解释性强，但结果受数据噪声影响严重，且存在较强主观性
MFA-GBRT	随机森林填补缺失值+数据增强+标准化	梯度提升树+网格搜索超参数调优	多尺度特征（时域/趋势/分段统计）+TCIF筛选	特征筛选与交叉验证增加部分耗时，但模型简洁	特征重要性可视化，决策过程透明

维度分类	参数列表
姿态控制	升降舵、方向舵、驾驶角、滚转角、高度
动力管理	指示空速、真空速、真实地速、载荷、轴向过载力、油门杆位移
环境响应	指示空速、真空速、真实地速、高度

基于梯度提升回归树的飞行操作绩效评估方法

Flight operation performance evaluation method based on gradient boosting regression tree

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 29

相关文章 15

编辑推荐

Metrics

指标	等级	LSTM-DNN^［14］	曲线相似度^［6］	小波分析^［26］	MFA-GBRT
准确率/%	差	79.52	86.03	87.51	91.02
	中等	81.53	83.52	85.51	90.53
	良好	83.51	81.54	83.52	85.01
	优秀	85.55	80.02	82.53	84.52
	总体	79.28	82.81	84.82	87.83
精确率/%	差	82.15	87.26	88.64	92.17
	中等	80.87	84.68	86.57	90.89
	良好	78.92	82.35	84.26	86.15
	优秀	67.83	71.45	73.28	75.36
	总体	77.95	81.62	83.65	86.98
特异性/%	差	85.21	88.32	89.71	92.53
	中等	82.12	85.81	87.62	91.21
	良好	79.83	83.22	85.41	87.32
	优秀	68.52	72.63	74.32	76.13
	总体	79.65	82.51	84.25	86.82
召回率/%	差	83.01	80.02	87.01	90.03
	中等	79.72	76.01	85.02	88.51
	良好	74.53	73.02	82.01	83.02
	优秀	69.02	68.03	80.02	79.01
	总体	76.92	74.31	83.52	86.13
F1分数/%	差	88.91	90.02	92.01	93.92
	中等	85.62	88.01	90.02	93.41
	良好	83.13	85.02	88.01	91.02
	优秀	65.71	68.02	69.03	70.42
	总体	80.13	82.81	84.82	87.23
MCC/%	差	86.98	89.15	90.83	93.19
	中等	83.81	86.88	88.78	92.28
	良好	81.42	84.08	86.68	89.11
	优秀	67.07	69.98	71.57	73.17
	总体	80.32	83.36	85.30	87.62
总耗时/s	—	513	54 960	2 700	1 920

指标		QAR2Vec（Transformer-based）^［17］	基于FDA的参数曲线提取^［21］	SPA-CAE^［16］	MFA-GBRT
准确率/%	差	88.25	89.13	87.86	91.02
	中等	86.31	87.52	85.94	90.53
	良好	84.12	83.87	84.58	85.01
	优秀	78.35	76.21	77.43	84.52
	总体	84.26	83.95	83.45	87.83
精确率/%	差	90.17	91.05	89.62	92.17
	中等	88.53	89.26	87.81	90.89
	良好	85.27	84.93	85.64	86.15
	优秀	72.18	70.35	71.89	75.36
	总体	83.56	83.18	82.97	86.98
特异性/%	差	91.03	91.87	90.55	92.53
	中等	89.25	89.94	88.63	91.21
	良好	86.72	86.35	87.11	87.32
	优秀	73.56	72.18	73.02	76.13
	总体	84.65	84.58	84.33	86.82
召回率/%	差	87.52	88.16	86.93	90.03
	中等	85.17	86.02	84.85	88.51
	良好	81.35	80.79	82.06	83.02
	优秀	75.28	73.15	74.62	79.01
	总体	82.36	82.03	82.12	86.13
F1分数/%	差	92.35	92.87	91.76	93.92
	中等	90.12	90.58	89.27	93.41
	良好	87.53	87.12	88.03	91.02
	优秀	69.15	67.83	68.95	70.42
	总体	84.87	84.36	84.25	87.23
MCC/%	差	91.58	92.13	90.97	93.19
	中等	89.36	89.87	88.75	92.28
	良好	86.25	85.93	86.84	89.11
	优秀	71.05	69.32	70.58	73.17
	总体	85.12	84.76	84.53	87.62
总耗时/s		2 712	2 325	1 828	1 920

数据类别	目标累计重要性	实际累计重要性	特征减少比例	测试集等级评估准确率
模拟机	85	83.79	95.59	88.03
	90	89.82	91.18	89.40
	95	94.86	77.94	87.89
飞行基地	85	84.27	92.68	83.95
	90	88.93	87.64	85.40
	95	94.13	79.32	84.76

数据来源	等级	准确率	精确率	特异性	召回率	F1分数	MCC
模拟机	差	92.50	92.45	97.70	93.80	93.13	91.05
	中等	91.50	91.52	96.00	93.30	92.40	90.07
	良好	86.30	86.35	93.70	91.00	88.60	84.06
	优秀	86.00	86.82	98.30	70.40	77.40	75.08
	总体	89.40	90.15	96.43	87.13	87.88	85.09
飞行基地	差	91.20	91.23	97.40	93.20	92.20	90.06
	中等	91.20	91.25	95.40	92.40	91.80	89.05
	良好	82.50	82.68	91.80	91.30	86.70	83.07
	优秀	88.60	88.75	98.80	60.70	72.20	73.09
	总体	85.40	86.12	95.85	84.40	85.73	84.00

运行场景	方法	准确率	精确率	特异性	召回率	F1分数	MCC	模拟场景适配度
空客A320-干线客机-强侧风	MFA-GBRT	87.25	86.83	86.21	85.97	86.40	85.89	96.94
	LSTM-DNN^［14］	80.56	79.82	79.15	78.93	79.37	78.72	82.35
	小波分析^［26］	82.17	81.53	80.92	80.68	81.10	80.45	84.78
空客A320-支线客机-高原低氧	MFA-GBRT	85.63	85.17	84.59	84.26	84.71	84.15	95.26
	LSTM-DNN^［14］	79.02	78.35	77.81	77.54	77.94	77.28	82.17
	小波分析^［26］	80.85	80.21	79.68	79.32	79.76	79.13	83.92
波音737-800-干线客机-低温	MFA-GBRT	86.18	85.72	85.13	84.89	85.30	84.76	96.21
	LSTM-DNN^［14］	80.13	79.45	78.92	78.67	79.06	78.41	82.08
	曲线相似^［6］	79.26	78.53	77.96	77.68	78.10	77.45	81.93

指标		GBRT-1	GBRT-2	GBRT-3	MFA-GBRT
准确率	差	93.15	91.58	92.26	93.32
	中等	89.37	88.51	88.12	92.59
	良好	78.59	81.67	83.38	88.61
	优秀	65.78	47.32	49.55	78.76
	总体	81.49	77.42	78.67	88.31
精确率	差	94.52	92.65	91.18	92.71
	中等	87.93	85.72	84.95	91.75
	良好	77.71	77.36	77.03	85.57
	优秀	51.82	40.16	42.37	82.69
	总体	79.26	74.56	75.88	88.19
特异性	差	89.32	88.24	88.56	91.38
	中等	86.68	85.35	85.53	90.69
	良好	79.41	78.58	78.90	85.26
	优秀	72.81	68.52	69.68	80.61
	总体	81.86	79.83	80.44	86.87
召回率	差	89.82	90.49	93.45	93.93
	中等	92.84	92.16	91.60	93.42
	良好	78.56	86.44	89.12	91.75
	优秀	80.23	55.95	59.44	70.46
	总体	85.34	81.69	83.82	87.60
F1分数	差	92.15	91.53	92.36	93.24
	中等	90.55	89.39	88.34	92.86
	良好	78.13	81.82	82.76	88.62
	优秀	61.16	46.25	48.22	77.45
	总体	80.54	76.90	77.86	88.03
MCC	差	90.22	89.75	89.83	91.16
	中等	87.60	86.26	87.42	89.15
	良好	80.94	79.12	80.85	83.66
	优秀	73.65	67.81	70.26	74.84
	总体	82.92	80.73	82.14	84.76

[1]	郭伟, 王曼婷, 曲海成. 基于多尺度感知的多维空间融合水下图像增强算法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 224-232.
[2]	张秀艳, 刘文涛, 王新. 基于快速存取记录器数据的飞行俯仰操作特征提取方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 322-330.
[3]	王闯, 俞璐, 陈健威, 潘成, 杜文博. 开集域适应综述[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2727-2736.
[4]	陈庆礼, 郭渊博, 方晨. 面向数据异构的聚类联邦学习算法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1086-1094.
[5]	王瑜, 方贤进, 杨高明, 丁一峰, 杨新露. 基于注意力掩码与特征提取的人脸伪造主动防御[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 904-910.
[6]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[7]	张天骐, 谭霜, 沈夕文, 唐娟. 融合注意力机制和多尺度特征的图像水印方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 616-623.
[8]	王晓曼, 陈艳平, 杨采薇, 黄瑞章, 秦永彬. 多方向梯度特征提取的嵌套命名实体识别方法[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3547-3554.
[9]	文连庆, 陶冶, 田云龙, 牛丽, 孙宏霞. 基于流的轻量化高质量文本到语音转换方法[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3277-3283.
[10]	梁杰涛, 罗兵, 付兰慧, 常青玲, 李楠楠, 易宁波, 冯其, 何鑫, 邓辅秦. 基于坐标几何采样的点云配准方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 214-222.
[11]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[12]	付帅, 郭小英, 白茹意, 闫涛, 陈斌. 改进的CloFormer模型与有序回归相结合的年龄评估方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2372-2380.
[13]	陈彤, 杨丰玉, 熊宇, 严荭, 邱福星. 基于多尺度频率通道注意力融合的声纹库构建方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2407-2413.
[14]	龙伍丹, 彭博, 胡节, 申颖, 丁丹妮. 基于加强特征提取的道路病害检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2264-2270.
[15]	刘瑞华, 郝子赫, 邹洋杨. 基于多层级精细特征融合的步态识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2250-2257.