近年来，随着各大航空公司在飞机驾驶舱设计、生产流程、质量保证体系及加工制造等方面的不断发展，飞机驾驶舱造型设计呈现出多元化的设计趋势^[1]. 飞机驾驶舱是飞行员作业操作的核心部位，也是飞行员对飞机整体控制的关键交互空间^[2]，具有仪表众多、结构复杂、空间狭小、功能集成化、安全性要求高^[3]等特点，因此不同舱内形态布局会对飞行员的工作效率和舒适度产生直接影响，进而妨碍飞行员的内在操作行为^[4]. 随着飞机驾驶舱“以人为中心”设计理念的逐渐凸显，在满足飞行员基本生理需求的基础上，对飞行员认知需求偏好的关注就显得尤为重要^[5]. 根据环境心理学理论，积极的空间认知需求效应可以使飞行员的神经中枢积蓄力量，从而减少疲劳、降低失误，提升飞行驾驶的舒适性；相反，消极的认知需求将会影响飞行员智力、技能和体力的发挥，从而妨碍飞行任务的完成^[6]. 认知需求偏好的本质特征在于协调“人-物-环境”所组成的情境认知动态关系，通过人与物的心理认知交互，满足人对物的认知需求^[7]，因此驾驶舱总体设计形态在人机效能水平能否高效发挥方面具有重要作用.

现阶段飞机驾驶舱的设计仍然停留在工程需求主导的阶段，但部分学者已经开始探索驾驶舱的工业造型评价工作. 刘岗等^[8]探讨了各类飞机制造商的驾驶舱造型设计特征，分析了主要飞机制造商的驾驶舱造型设计特点及差异；冯青等^[9]建立了基于AHP灰色理论的飞机驾驶舱内环境设计综合评价模型，实现了对飞机驾驶舱内环境的合理评价；王黎静等^[10]运用感性工学的方法，研究了民用飞机驾驶舱内饰设计的设计要素和用户感性评价之间的关联性. 以上研究表明，驾驶舱设计形态综合评价方法的合理性和科学性是内饰研究的关键，因此本研究构建了驾驶舱设计形态综合评价方法. 从相关专家及飞行员对驾驶舱设计形态的认知需求层面进行分析，构建飞机驾驶舱设计形态认知需求的属性特征体系，运用粗数模型对属性特征进行筛选，辨识无效属性，从而获得影响驾驶舱认知偏好的评价指标，进一步建立犹豫模糊集综合评价模型对驾驶舱设计形态方案进行评价，得到复合认知偏好下飞机驾驶舱设计形态的优先级排序.

飞机驾驶舱设计形态认知需求因素具有涉及面广、复杂多元、耦合性强等特点，在评价时，要充分考虑其多重属性，这就使得整体认知系统要具备如图1所示的层级结构.

在对相关文献^[11-13]展开分析研究后，通过感性工学^[14]的方法对专家意见及飞行员进行深度调研，将调研结果整合处理分析，参考需求层次理论^[15]将其凝炼为认知需求的三层次模型. 将飞机驾驶舱设计形态认知需求划分为：本能需求、感官需求和感性需求. 其中本能需求是指满足飞行员本身的生理机能、人体尺寸和运动特征等基本功能，包括安全防护感、操纵空间感、轮廓间距感和总体布局感；感官需求通常指飞行员的视觉感官刺激，其会影响大脑的判断反思，包括部件协调感、符号统一感、标识易读感、区域比例感、整体对称感；感性需求是指提升飞行员的精神愉悦度，属于认知高级阶段的需求，包括简洁感、科技感、精密感、智能感和现代感. 3种认知需求的属性特征描述如表1所示.

在驾驶舱设计形态认知需求属性特征体系构建中，各类属性因素所占据的重要程度均不相同，认知需求属性特征是“指标可能性全集”，而非“充分必要的指标集合”. 为了合理地对驾驶舱设计形态的认知偏好进行评价，须剔除“非必要指标”，保留影响力较大的主属性特征，因此将粗数理论^[16]应用于认知需求的属性特征辨识模型中，构建粗数评价模型，筛选出对认知需求影响较大的属性，定义为驾驶舱认知偏好评价指标，如图2所示.

假定A为目标驾驶舱认知需求的任意属性特征，F为表达属性特征的描述类型，C为某飞行员D对属性特征A的评价值. 设属性特征的评价值有r类，记为 $ C = \left\{ {{C_1},{C_2}, \cdots , {C_r}} \right\} $. 若r类评价值存在关系 $ {C_1} < {C_2} < \cdots < {C_r} $，则属性特征A的任意评分类值 $ {C_i} \in C,1 \leqslant i \leqslant r $，那么C_i的下近似限和上近似限^[17]，以及边界域可以分别表示为

(1) $ C_i^{\text{L}} = \cup \left\{ {F \in A/C\left( F \right) \leqslant {C_i}} \right\}, $

(2) $ C_i^{\text{U}} = \cup \left\{ {F \in A/C\left( F \right) \geqslant {C_i}} \right\}, $

(3) $ \begin{split} {\rm{Bnd}}\left( {{C_i}} \right) =\;& \cup \left\{ {F \in A/C\left( F \right) \ne {C_i}} \right\}= \\ \;& \left\{ {F \in A/C\left( F \right) > {C_i}} \right\} \cup \left\{ {F \in A/C\left( F \right) < {C_i}} \right\}. \end{split} $

类值C_i的下近似限表示属性特征A的评价值中所有评分小于或等于该类值的全部对象；类值C_i的上近似限则表示属性特征A的评价值中所有评分大于或等于该类值的全部对象；边界范围则表示所有属性特征A的评价值不同于类值C_i的其余所有评分. 因此，属性特征A的评分类值C_i的粗数下限、粗数上限分别表示为

(4) $ \underline {{\rm{Lim}}} \left( {{C_i}} \right) = \frac{1}{{{M_{\text{L}}}}}\sum {C\left( F \right)} \left| F \right. \in C_i^{\text{L}}, $

(5) $ \overline {{\rm{Lim}}} \left( {{C_i}} \right) = \frac{1}{{{M_{\text{U}}}}}\sum {C\left( F \right)} \left| F \right. \in C_i^{\text{U}}. $

式中：M_U为类值C_i上近似限包含的属性评价数，M_L为C_i下近似限包含的属性评价数.

属性特征A的评分类值C_i的粗边界区间表示为

(6) $ {\rm{RBnd}}{\text{(}}{C_i}{\text{)}} = \overline {{\rm{Lim}}} {\text{(}}{C_i}{\text{)}} - \underline {{\rm{Lim}}} {\text{(}}{C_i}{\text{)}}{\text{.}} $

同时，属性特征A的评分类值C_i的粗数可以用类值C_i粗数上限和下限构成来表示：

(7) $ {\rm{RN}}({C_i}) = \left[ {\underline {{\rm{Lim}}} ({C_i}),\;\overline {{\rm{Lim}}} ({C_i})} \right].$

属性特征A的粗数上、下限分别为类值C_i上、下近似限所包含属性的类值平均值；特征A的粗边界区间为其粗数上、下限之差，粗边界区间越大，表明决策者对该对象的认知偏好存在的差异越大，即不一致性越强，反之就越精确. 属性特征A的粗数上限、下限分别表示为

(8) $ \overline{{\rm{Lim}}}\left(A\right)=\frac{1}{m}{\displaystyle \sum \overline{{\rm{Lim}}}}({C}_{i})|F\in A,\;C\left(F\right)={C}_{i}, $

(9) $ \underline{{\rm{Lim}}}\left(A\right)=\frac{1}{m}{\displaystyle \sum \underline{{\rm{Lim}}}}({C}_{i})|F\in A,\;C\left(F\right)={C}_{i}. $

式中：m为属性特征A的属性个数.

属性特征A的粗边界区间表示为

(10) $ {\rm{ABnd}}{\text{(}}A{\text{)}} = \overline {{\rm{Lim}}} {\text{(}}A{\text{)}} - \underline {{\rm{Lim}}} {\text{(}}A{\text{)}}{\text{.}} $

属性特征A的粗数表示为

(11) $ {\rm{AN}}{\text{(}}A{\text{)}} = \left[ {\underline {{\rm{Lim}}} (A),\;\overline {{\rm{Lim}}} {\text{(}}A{\text{)}}} \right]. $

属性特征A的粗数均值为

(12) $ M\left( A \right) = \left( {\underline {{\rm{Lim}}} \left( A \right) + \overline {{\rm{Lim}}} \left( A \right)} \right)/2.$

利用属性特征的粗数下边界和粗边界阈值，对属性特征进行筛选，获得影响飞机驾驶舱设计形态认知需求的主特征集合，从而构建驾驶舱认知偏好的评价指标集.

犹豫模糊集作为模糊集的一种最新拓展，由犹豫模糊元素组成，而每个犹豫模糊元素又是由若干个可能的数值构成的集合^[18]. 驾驶舱的需求偏好评价类似于用户对产品的感性评价，存在一定的内隐性和抽象性^[19]，同时由于专家的背景知识领域或专业水平的差异，评价指标的决策信息具有复杂性和不确定性，因此引入犹豫模糊集能够更全面地表征决策者的综合信息^[20]. 本研究采用熵权法对评价指标进行权重优化，结合犹豫模糊集的相似度原则，形成犹豫模糊综合评价方法，流程如图3所示.

设X为已知集合，二元组 $ E = \left\{ {\left[ {x,{h_E}(x)} \right]\left| {x \in X} \right.} \right\} $为X上的犹豫模糊集，其中 $ x \in X $的所有可能隶属度构成的集合用 $ {h_E}(x) \subseteq \left[ {0,1} \right] $表示. 称 $ {h_E}(x) = \left\{ {\gamma \left| {\gamma \in {h_E}(x)} \right.} \right\} $为1个犹豫模糊数，其补集为 $ h_E^{\rm{c}}(x) = \left\{ {1 - \gamma \left| {\gamma \in {h_E}(x)} \right.} \right\} $.

假设M和B是 $ X = \left\{ {{x_1},{x_2}, \cdots ,{x_m}} \right\} $上的2个犹豫模糊集，用 $ h_M^{\sigma (j)}({x_i}) $表示犹豫集M上各犹豫模糊数中第j大的元素值，用 $ h_B^{\sigma (j)}({x_i}) $表示犹豫集B上各犹豫模糊数中第j大的元素值. 假设 ${w_i}\left( i = 1,2, \cdots , m \right)$为元素 $ {x_i} \in X $的权重，且满足 ${w_i} \in \left[ {0,1.0} \right],\displaystyle \sum\limits_{i = 1}^m {{w_i}} = 1.0$.

定义1个第二型广义犹豫模糊加权正规距离为

(13) $ d(M,B) = \sum\limits_{i = 1}^m {{w_i}} {\left[ {\frac{1}{{{n_{{x_i}}}}}\sum\limits_{j = 1}^{{n_{{x_i}}}} {{{\left| {h_M^{\sigma (j)}({x_i}) - h_B^{\sigma (j)}({x_i})} \right|}^p}} } \right]^{{1}/{p}}}. $

相似性测量与距离测量是2个相反的度量，2个元素之间的距离越远表明两者的相似性越低，反之则越高.

得到加权相似性测量为

(14) $ s(M,B) = 1 - \sum\limits_{i = 1}^m {{w_i}} {\left[ {\frac{1}{{{n_{{x_i}}}}}\sum\limits_{j = 1}^{{n_{{x_i}}}} {{{\left| {h_M^{\sigma (j)}({x_i}) - h_B^{\sigma (j)}({x_i})} \right|}^p}} } \right]^{{1}/{p}}}. $

在犹豫模糊多指标决策问题中，设方案集 $ U = \left\{ {{u_1},{u_2}, \cdots ,{u_m}} \right\},i = 1,2, \cdots ,m $，评价指标集 $T = \left\{ {t_1}, {t_2}, \cdots , {t_n} \right\},j = 1,2, \cdots ,n$，指标权重 $ W = \left\{ {{w_1},{w_2}, \cdots ,{w_n}} \right\} $，其中 ${w_i} \in \left[ {0,1.0} \right]$表示指标 $ {t_j} $的权重，且 $\displaystyle \sum\limits_{j = 1}^n {{w_j}} = 1.0$. 则犹豫模糊决策矩阵为

$ {\boldsymbol{H}} = \left[ {\begin{array}{*{20}{l}} {{h_{11}}}&{{h_{12}}}& \cdots &{{h_{1n}}} \\ {{h_{21}}}&{{h_{22}}}& \cdots &{{h_{2n}}} \\ \vdots & \vdots & & \vdots \\ {{h_{m1}}}&{{h_{m2}}}& \cdots &{{h_{mn}}} \end{array}} \right]. $

运用认知熵理论^[21]进行指标权重的评价，假设各指标的概率为

(15) $ {Q_{ij}} = {{{y_{ij}}}}\Bigg/{{\displaystyle \sum\limits_{i = 1}^m {{y_{ij}}} }}. $

则评价指标的熵值为

(16) $ {I_j} = - k\sum\limits_{i = 1}^m {{Q_{ij}}} \ln\; {Q_{ij}}. $

式中：k为常数，k=1/ln m.

该评价指标在评价过程中的权值为

(17) $ {w_j} = \left( {1 - {I_j}} \right)\Bigg/\sum\limits_{j = 1}^n {(1 - {I_j})} . $

理想犹豫模糊集和负理想模糊集分别为

(18) $ \left. \begin{array}{l} {u^+} =\; \left\{ {\left[ {{t_j},{u_{{U_i}}}^+\left( {{t_j}} \right)} \right]\left| {{t_j} \in T} \right.} \right\}, \\ {u^ - } =\; \left\{ {\left[ {{t_j},{u_{{U_i}}}^ - \left( {{t_j}} \right)} \right]\left| {{t_j} \in T} \right.} \right\}. \end{array} \right\} $

式中： $u^+、u^-$分别为正理想解和负理想解.

(19) $ \left. \begin{array}{l} {u_{{U_i}}}^+\left( {{t_j}} \right) = \mathop {\max }\limits_i\; \left[ {u_{{U_i}}^{\sigma (k)}\left( {{t_j}} \right)} \right];\; k = 1,2, \cdots ,{n_{{t_j}}}, \\ {u_{{U_i}}}^ - \left( {{t_j}} \right) = \mathop { \min }\limits_i \;\left[ {u_{{U_i}}^{\sigma (k)}\left( {{t_j}} \right)} \right];\; k = 1,2, \cdots ,{n_{{t_j}}}. \end{array} \right\} $

评价方案 $ {u_i} $的相似度 $ {s_i} $为

(20) $ \left. \begin{array}{l} {s_i} = \dfrac{{s\left( {{u^ - },{u_i}} \right)}}{{s\left( {{u^ - },{u_i}} \right)+s\left( {{u^+},{u_i}} \right)}};\;\;i = 1,2, \cdots ,m;\\ {s^ + } = s\left( {{u^ - },{u_i}} \right),\;{s^ - } = s\left( {{u^ - },{u_i}} \right). \end{array} \right\} $

式中： $ s\left( {{u^+},{u_i}} \right) $为评价方案与正理想解的相似度， $ s\left( {{u^ - },{u_i}} \right) $为评价方案与负理想解的相似度， $ 0 \leqslant {s_i} \leqslant 1 $. $ {s_i} $越小，对应的评价方案 $ {u_i} $越优.

驾驶舱T形区是飞行员主要的操作区域，也是飞机驾驶舱核心的组成单元且最能代表驾驶舱的形态特征. T形区按形态要素组成可以分为3个设计部分：遮光罩形态区、主仪表板形态区和中央操纵台形态区. 遮光罩形态区主要在满足驾驶员眼位要求的情况下，观察屏幕参数信息，同时安置少量控制部件，使飞行员在沿飞行航迹航行时，保持良好的视野；主仪表板形态区包含飞行主显示器和部分操作按键及旋钮，主要为飞行员提供各类飞机航行参数，使飞行员能够了解当前飞行状态，是人机接口互动反馈信息的重要区域，也是飞行视觉信息获取的核心渠道；中央操纵台形态区通常包含紧急控制的重要设备，位于正副驾驶之间方便可达的区域，整体上呈现出规则实体的形态，以飞机轴线呈左右对称图形，是重要机载系统安置的核心部分.

对现有的飞机驾驶舱设计方案进行收集与整理，并由专家小组对其进行筛选，剔除相似性较高的样本，选取具有代表性的方案30例. 驾驶舱形态特征线可以有效描述驾驶舱形态风格的主要特征^[22]，因此将样本T形区设计形态进行特征线提取，该过程是将复杂的驾驶舱形态归纳为符号化特征，用以总结不同机型的形态差异^[23]. 对T形区全部形态描述线进行主次重要性分析，同时对通用性的部件进行简化处理，把次要线型弱化，强化主要形态特征线的表达，修正透视角度，统一视野区域，从而简练概括出T形区的核心设计特征，使其均具备一致的角度与细节，从而形成驾驶舱评价方案库，如图4所示.

针对属性特征A及飞行员D运用语义差异法构建驾驶舱设计形态调查问卷，采用5级语义评估标度，即不需要、稍微需要、一般需要、明显需要、强烈需要，分别对应1、3、5、7、9共5级分值. 针对20名飞行员进行评价，每位被调研对象分3个阶段发放问卷，分别为设计形态本能需求问卷、设计形态感官需求问卷、设计形态感性需求问卷，收回问卷20份，剔除无效问卷4份，保留有效问卷16份，结果如表2所示. 对收集到的数据进行信度和效度分析，从而检测调研结果的可靠性和有效性. 将各分量表的数据分别导入SPSS 23.0中进行检验，信度分析采用Cronbach’s α系数，验证结果分别为0.922、0.924、0.876，说明该数据具有较高的内在一致性. 效度分析采用结构效度检验，分量表结果如下，对于本能需求问卷，KMO取样适切性量数KMO=0.769，巴特利特球形度检验近似卡方Bartlett’s K²=41.665，自由度df=6，显著性P<0.001；感官需求问卷KMO=0.845，Bartlett’sK²=51.768，df=10，P<0.001；感性需求问卷KMO=0.701，Bartlett’sK²=43.049，df=10，P<0.001，上述结果表明均达到显著性水平，适合进行因子分析. 在没有限定因子个数的情况下，各部分均析出1个特征值大于1的公因子，累计贡献率分别为81.173%、76.898%、67.732%，说明各部分只须考察1个需求维度，与预期相符，表明量表的结构效度较好.

以属性特征A₁为例，阐明粗数和粗边界的计算过程，对于A₁而言，包含4个属性类值{3,5,7,9}. 由此，类值“5”的下近似限和上近似限分别表示为

$ \begin{gathered} {(5)^{\text{L}}} = \cup \left\{ {F \in A/C\left( F \right) \leqslant 5} \right\} = \left\{ {3,3,3,3,5,5,5,5,5} \right\}, \\ {(5)^{\text{U}}} = \cup \left\{ {F \in A/C\left( F \right) \geqslant 5} \right\} = \left\{ {5,5,5,5,5,7,7,7,7,7,7,9} \right\}. \\ \end{gathered} $

类值“5”的粗数下限和粗数上限分别为

$ {\begin{array}{*{20}{l}} {\underline {{\rm{Lim}}} (5) = \dfrac{1}{9}\left( {4 \times 3+5 \times 5} \right) = 4.1},\\ {\overline {{\rm{Lim}}} (5) = \dfrac{1}{{12}}\left( {5 \times 5+6 \times 7+9} \right) = 6.3}. \end{array}} $

类值“5”的粗数及粗边界分别为

$ \begin{gathered} {\rm{RN}}(5) = \left[ {\underline {{\rm{Lim}}} (5),\overline {{\rm{Lim}}} (5)} \right] = \left[ {4.1,6.3} \right], \\ {\rm{RBnd}}(5) = \left[ {\overline {{\rm{Lim}}} (5) - \underline {{\rm{Lim}}} (5)} \right] = 2.2 . \\ \end{gathered} $

同理得到类值“3”“7”“9”的粗数分别如下：

$ {\rm{RN}}(3) = \left[ {3.0,5.5} \right],{\rm{RN}}(7) = \left[ {5.3,7.3} \right],{\rm{RN}}(9) = \left[ {5.5,9.0} \right].$

则属性特征A₁的粗数下近似限和上近似限分别如下：

$ \begin{gathered} \underline {{\rm{Lim}}} ({A_1}) = \frac{1}{{16}}\left[ {4 \times \underline {{\rm{Lim}}} (3)+5 \times \underline {{\rm{Lim}}} (5)+} \right. \\ \quad\quad\left. {6 \times \underline {{\rm{Lim}}} (7)+\underline {{\rm{Lim}}} (9)} \right] = 4.4, \\ \overline {{\rm{Lim}}} ({A_1}) = \frac{1}{{16}}\left[ {4 \times \overline {{\rm{Lim}}} (3)+5 \times \overline {{\rm{Lim}}} (5)+} \right. \\ \quad\quad\left. {6 \times \overline {{\rm{Lim}}} (7)+\overline {{\rm{Lim}}} (9)} \right] = 6.6 . \\ \end{gathered} $

从而得到属性特征A₁的粗数和粗边界分别如下：

$ \begin{gathered} {\rm{RN}}({A_1}) = \left[ {\underline {{\rm{Lim}}} ({A_1}),\overline {{\rm{Lim}}} ({A_1})} \right] = \left[ {4.4,6.6} \right], \\ {\rm{RBnd}}({A_1}) = \overline {{\rm{Lim}}} ({A_1}) - \underline {{\rm{Lim}}} ({A_1}) = 2.2. \\ \end{gathered} $

同理可得到其他属性特征的粗数及粗边界，分别如表3~5所示.

根据Zhai等^[24-25]对粗数约简原则的研究，分别对3个部分特征粗数结果进行约简处理. 规定粗数下限的阈值 $ \alpha = 4 $，粗边界的阈值 $ \beta = 3 $，如图5所示. 图中，R为粗数隶数度.

利用规定的粗数下限和粗边界的阈值对表3~5中的属性特征进行约简，当粗数下限小于阈值 $ \alpha $时，说明该属性的重要程度相对较低；当粗边界小于阈值 $ \beta $时，说明该项认可一致性较高. 因此将评价等级较低且认可度一致，即下限小于阈值 $ \alpha $且粗边界小于阈值 $ \beta $的属性特征进行剔除，得到影响需求偏好的主特征集合 $ \left\{ {{A_1},{A_4},{A_5},{A_8},{A_{11}},{A_{13}}} \right\} $，由此获得驾驶舱认知偏好的6个评价指标.

邀请12位专家构成决策者集合，对30个方案进行评价，选取区间[0.1,0.9]的等分评估等级，其中语言术语集包含9级程度，如下所示. s₁：非常差，s₂：很差，s₃：差，s₄：较差，s₅：一般，s₆：较好，s₇：好，s₈：很好，s₉：非常好，如图6所示. 根据Xu等^[26]提出的犹豫模糊数的拓展规则，将专家评价信息的数域扩充，对犹豫模糊评价数据进行集结处理，得到犹豫模糊决策矩阵如表6所示.

将专家评价结果进行转换并标准化处理，根据式（15）~（17）得到6个评价指标权重分别为W={0.126 1, 0.162 1, 0.175 3, 0.163 2, 0.202 7, 0.170 6}，由此可以进一步加权计算方案样本到正理想解和负理想解的距离及综合相似度. 取p=2^[27]则结果如表7所示.

如图7所示为评价方案优劣分布. 根据相似度越小，评价方案越优的原则，对评价方案进行优先级排序，则 ${u}_{19}> {u}_{26}> {u}_{15}> {u}_{29}> {u}_{30}> {u}_{8}> {u}_{13}> $ $ {u}_{25}> {u}_{18}> {u}_{22}> {u}_{9} > {u}_{7}>$ $ {u}_{14}> {u}_{24}>{u}_{20} > {u}_{21}> {u}_{28}> $ $ {u}_{1}> {u}_{6}> {u}_{23}> {u}_{11}> {u}_{10}> {u}_{2}> {u}_{4}> {u}_{5}> $ $ {u}_{3} $，从而得到30个驾驶舱评价方案的复合认知需求偏好满意度，结果表明，方案19综合评价最高，方案26次之，而方案3评价最低. 同时，结合图4可以看出，方案19整体形态安全稳固，显示界面与按钮排列错落有致，形态部件大小与位置对称且比例协调，整体具有科技智能感，视觉认知形象清晰，故整体综合评价最高；而方案3形态部件种类较多且排列杂乱，整体布局零散无章，界面显示通道繁琐，与认知需求期望较难契合，故而综合评价最低.

为了验证本研究评价方法的有效性和合理性，采用具有典型综合评价方法的灰色关联法、TOPSIS、熵权TOPSIS、RSR、VIKOR 5种模型作为比较对象，根据Lee等^[28]提出的模糊均值法，将混合数据转化为统一数据进行计算，从而得到5种模型评价排序结果，如表8所示. 图中，N_c为排名.

采用ICC一致性检验对本研究所提方法与其他5种评价排序结果进行两两分析，得到相关系数分别为0.995、0.996、0.991、0.988、0.964，表明本研究的评价结果与TOPSIS、灰色关联法的一致性较高. Kendall协调系数检验一般用于衡量多组间数据的一致性，对6组排序结果进行整体的一致性分析，得到Kendall协调系数为0.984，表明6组数据的整体一致性较组间存在一定的差异性. 采用Borda评分法^[29]将不同方法建立的排序结果整合成统一的排序关系，得到累积综合评价结果，将6种评价结果分别与累积评价结果做ICC一致性检验，得到相关系数分别为0.996、0.996、0.998、0.984、0.995、0.972，表明本研究的评价结果在与累积综合评价结果一致性方面表现较好，从而验证了方法的有效性和准确性.

将各评价模型的排序结果与累积综合评价结果进行散点式对比，拟合生成均值曲线，如图8所示. 由于方案11和方案16相较于其他算法的评价结果存在较大的显著性差异，从而影响了VIKOR评价法在一致性方面的表现.

由此可见，不同的评价方法具有不同的核心评价机制，得出的结果具有一定的差异. 但总体来看，评价的排序结果仍趋于较强的一致性. 传统的评价方法无法描述出决策者评价的模糊性和不确定性，而本研究的评价方法既表明了属性信息的客观情况，又反映了决策者对评价方案的主观意愿，避免了有效决策信息的丢失，解决了驾驶舱犹豫模糊多属性决策的排序问题.

（1）分析了飞行员对飞机驾驶舱的认知需求，建立了3种需求类型下共14个属性特征的飞行员认知需求属性特征体系.

（2）运用粗数模型对属性特征进行筛选，消除属性特征的冗余性，得到影响驾驶舱设计形态认知偏好的评价指标.

（3）基于犹豫模糊集基本原则，运用熵权相似度测量法，对驾驶舱方案进行综合评价，从而得到复合认知偏好的评价方案优先级排序，并通过与同类评价方法比较，验证了所提方法的有效性和准确性.

本研究对飞机驾驶舱设计形态的认知偏好进行了综合评估，能够辅助设计师基于特征线开展驾驶舱设计风格的整体构思，同时由于扩展了犹豫模糊集的应用范畴，适用于一般舱室及产品的综合评价，亦可用于解决多属性决策中群体决策共识和决策时的犹豫分歧问题，具有一定的实用价值.

由于只针对飞机驾驶舱形态设计进行评价分析，未考虑其他造型要素对飞行员认知偏好的影响规律，后续将开展驾驶舱颜色、材质和肌理等要素属性的耦合性研究，增加驾驶舱综合评价的全面性和多元性，以及研究开发智能评价设计系统，以期在充分考虑飞行员的认知需求后，提高驾驶舱的安全性和舒适性.