CN109741007A - 一种航空驾驶舱工作负荷试验的被试人员筛选方法 - Google Patents
一种航空驾驶舱工作负荷试验的被试人员筛选方法 Download PDFInfo
- Publication number
- CN109741007A CN109741007A CN201811516969.9A CN201811516969A CN109741007A CN 109741007 A CN109741007 A CN 109741007A CN 201811516969 A CN201811516969 A CN 201811516969A CN 109741007 A CN109741007 A CN 109741007A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- fuzzy
- data
- rule
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种航空驾驶舱工作负荷试验的被试人员筛选方法,即一种基于模糊神经网络的航空驾驶舱工作负荷试验的被试人员筛选方法,步骤如下:1:根据数据样本获得初始的知识表达***;2:输入数据的预处理;本步骤过后,得到一个离散化的知识表达***;3:进行知识约简获得最小决策集;4:在得到约简后的最小决策集后,进一步处理得到推广的模糊***模型;5:定义优化性能指标;通过以上步骤,本发明达到了同时使用定量数据和定性数据对被试进行筛选的效果,解决了在航空人机交互实验中被试在实验开始前状态不一致的问题;它能对被试人员的工作负荷有一个好的评定,完善了航空人机交互实验的实验流程,具有很高的实用价值。
Description
技术领域:
本发明提供一种航空驾驶舱工作负荷试验的被试人员筛选方法,它是一种基于模糊神经网络的航空驾驶舱工作负荷试验的被试人员筛选方法,是用以筛选出工作负荷处于正常状态的被试人员。由于航空人机交互实验对于被试的要求较高,不仅要求被试拥有较好的生理状态,也要求被试拥有较好的精神状态,如合适的工作负荷状态。良好的生理状态可以通过充足的休息等方法实现,而工作负荷状态则没有较好的调节方法,只有通过一定的筛选方法将这不合适的被试筛除,从而使得被试人员的工作负荷状态处于大致相近的程度,便于实验开展。
背景技术:
航空人机交互实验人员筛选方法的核心就是应用对于被试人员的定性数据和定量数据,对被试进行筛选。下面分别从定性数据和定量数据的角度,对为何使用这两种数据进行说明。
在对人的工作负荷确认的最简单方法就是利用问卷的方法直接对被试进行询问,询问的结果也就是我们所说的定性数据。而在某些条件下,定性数据可能准确性较高。国际上主流的对基于问卷形式的工作负荷测量表有三种,分别是美国国家航空航天局(NASA)的NASA-TLX量表,美国空军航空医学研究所的SWAT量表和日本的汽车驾驶工作负荷等级量表。NASA-TLX量表是到目前为止使用较为广泛的工作负荷测量量表之一,其包括了六个维度对工作负荷进行评价,分别是认知负荷,体力负荷,时间要求,绩效水平,努力程度和挫折程度,实验发现,该量表的敏感性较高,能初步的对工作负荷进行测评,而且具有一定的可信度。SWAT量表的评测维度不如NASA-TLX量表广泛,其包含的测评条目包括时间负荷,心理努力和心理紧张负荷三个条目,并把三个条目按照一定的重要程度进行排序,每个条目又分为轻、中、重三种状态,这样组合起来共有27中状态,对应27种打分状态,该量表有较大的自主操作空间,可以根据自己的具体状态来设置相应条目的具体描述。日本的汽车驾驶工作负荷等级量表包括睡眠状态、情绪、身体状态、工作前的工作负荷状态四种状态,每个项目都有5个类。日本的汽车驾驶工作负荷等级量表可以在一定程度上描述实验前不同的状态,而前两种方法更适合适用于事后对于工作负荷的自评。然而在现实中,对于定性参数的使用有两个问题,1)定性因素等级的评定有很大模糊性,个人无法给出准确的值,只能给出一个相对合理的范围;2)定性参数中种类条目较多,需要慎重选取合理的条目来提高测量结果的准确性。
除了定量参数,为了实时监控工作负荷状态,实验人员会利用一些外部参数,如生理参数和眼动参数,来反映工作负荷。也就是说,工作负荷本身是一个难以量化的指标,实验人员必须找到一把尺子,能测量工作负荷的大小。一把可能的尺子就是一些生理指标和眼动指标。生理参数包括脑电波(EEG)、事件相关电位(ERP)、肌电图(EMG)、光电容积脉搏波(PPG)和呼吸(RSP),而眼动指标包括了眨眼频率、眨眼时间、瞳孔直径、视线注视轨迹和相关区域注视时间。这些参数各自与工作负荷有均有一定的关系,例如脑电波中的alpha波在高工作负荷状态呈现一定的降低,而delta波则会增加;而事件相关点位(ERP)也与工作负荷或者疲劳呈现明显相关关系,在脑疲劳实验中,被试在经过24小时睡眠剥夺后,ERP呈现了明显下降。对于眼指标,研究表明,瞳孔扩张与人的认知负荷相连,而且扩张的频率随着任务难度增加而增加。在模拟飞行任务中,瞳孔直径,眼睑开度也被选为测试工作负荷的评估,随着负荷水平的增加,两者均表现为先增加后减少,且不同负荷差异显著。而对于心电指标,心率变异性(HRV)是一个可靠的评估指标,对工作负荷变化较为敏感。随着交感神经唤醒水平增加,HRV随着脑力负荷的增加而减少。而在模拟飞行仿真环境下,随着脑力负荷的增加,HRV时域指标SDNN,AVNN,RRCV等均有一定降低,且其频域指标也有改变。
但是,单一参数测量工作负荷存在着一定的风险,首先是这些参数均是在一定的场景下方能对工作负荷有准确的反映,加入场景变换,那么这个映射关系可能就不再成立;其次是对不同人员,这些参数发挥的作用可能有大有小,也就是说对于一个实验人员某个参数可能很适合对其工作负荷状态进行测量,而对于另一个实验人员来说,这个参数可能对反映其工作负荷状态的话就不太准确了,所以对于单参数预测工作负荷的方法需要进行改进。
当使用一个参数进行评估无法满足需求时,将这些参数组合在一起使用是一个比较好的方法,这种组合方法也被称为数据融合。在数据融合领域,有两种主要的数据融合方法,即基于数据层的数据融合和基于功能层的数据融合。基于数据层的数据融合是最低层次的融合方法。该方法是指在数据处理过程中,直接对原始数据进行融合。在实践中,这个方法使用的主要处理数据量是十分巨大的,而且其计算方法十分复杂,难以计算最终融合数据,因此并不经常使用;基于特征层的数据融合方法是一种更高层次的融合方法。该方法是指在数据处理过程中先提取原始数据的特征值,在对特征值进行融合。该方法的主要优点是,通过提取数据的特征,我们保留了数据的原始特征而又不至于使得数据量过于巨大,这为进一步的分析带来了方便。在这里,我们使用这种方法进行数据融合。
在实际情况中,为了描述这种定性与定量输入并存的状态,立足于特征层的数据融合方法,引入了基于粗糙集的模糊神经网络来对被试进行分类。
(一)发明内容:
(1)目的:本发明提供一种航空驾驶舱工作负荷试验的被试人员筛选方法,它是一种基于模糊神经网络的航空驾驶舱工作负荷试验的被试人员筛选方法,利用被试人员的定量测量数据和定性测量数据,依据所得的工作负荷状态值对被试进行筛选。筛选的目的是使被试在实验前处于相对一致的状态中,以便于实验开展和分析。
(2)技术方案:
1、定性数据
如前文所述,主要使用第三种评测方法作为实验前工作状态的定性评测工具。在该驾驶工作负荷评测表中包括5个类别,包括年龄、身高、体重和驾驶年龄等个人基础情况;睡眠情况、情绪、身体状况、开车前的工作负荷等精神和身体状况;驾驶任务条件;道路和环境条件。对于该评价表的实际使用显示,精神和身体状况所引发的工作负荷占总体评价的13%以上,这是最重要的占比因素。此外,该部分的评测能很好的反映实验前参与人员工作状态的不同,所以在实际使用中主要应用精神和身体状态部分的评测条目。
2、定量数据
正如前文中所述,在使用模糊神经网络之前,我们首先要提取数据的特征参数。如果考虑到物理测量的数据类型的话,会有很多可用的从原始数据中提取特征参数的方法。本文采用利用统计值的方法实验。实验主要采集两种生理数据,分别是光电容积脉搏波(PPG)和心电(EMG)。结合第二章实验输出的主要指标与前文中所叙述的与工作负荷关系较为紧密的一些值,选取PPG所测得的HRV的数字化表述AVNN参数和EMG的测量值EMG-Average参数作为定量处理数据的输入值。AVNN代表记录期间所有心动间隔的均值,Average代表表示EMG/ECG信号中平均幅值。
3、模糊神经网络设置
在基于特征层的数据融合方法中,神经网络因其较为快速的计算速度、容错能力得到了极大的应用。此外,神经网络还具有良好的分类性能,可以很好地满足本实验的要求。但是,由于传统神经网络和支持向量机这样的方法不能计算定性输入,因此需要找到新的工具来处理这个问题。本专利提出一个扩展的模糊神经网络来处理定性的输入。该方法的主要作法如下:
本发明一种航空驾驶舱工作负荷试验的被试人员筛选方法,即一种基于模糊神经网络的航空驾驶舱工作负荷试验的被试人员筛选方法,其实施步骤如下:
步骤1:根据数据样本获得初始的知识表达***;这代表着需要使用标准模式建立包含输入与输出的知识表达***;
步骤2:输入数据的预处理;对于定性输入和输出来说这意味着离散化该变量以得到数值类型,有许多可用的离散化方法,如区间法、模糊方法、聚类分析方法、基于熵的离散化方法等;对于定量输入和输出,使用模糊决策离散方法进行模糊划分,划分为不同的模糊子集,并对每个模糊子集赋予相应的离散值,并选取对于属性值具有最大模糊隶属函数值的模糊子集所对应的离散值作为其离散值;本步骤过后,可以得到一个离散化的知识表达***;
步骤3:在离散化知识表达***的基础上,需要进行知识约简获得最小决策集;为了获得最小的决策集,需要处理知识表达***,首先排除不相容的规则并删除冗余规则;其次对于具有相同条件但是具有不同输出的知识表达条目,保留其具有高可信度的规则,并删除低可信度的规则,以消除规则集合中出现不相容规则的属性;
步骤4:在得到约简后的最小决策集后,利用该决策集,参考模糊推理加权求和法的模糊***模型,可以进一步处理得到推广的模糊***模型:
公式中yk代表输出参数,μk代表第k条规则的置信度系数;
如图1所示,图1中输入层节点的数值经过处理后从输入层直接传输到中间层;输入层可以计算两种类型的输入:定量输入和定性输入;存在两种类型的神经元分别处理不同类型的输入;其中,数值输入使用模糊方法,而每个节点通过高斯函数作为隶属度函数:
其中mki和σki是隶属度函数的中点和宽度;对于定性参数,其隶属度函数看作是常量;
中间层每个节点都可以看作是一个乘法器,它计算第k条规则的置信度,即计算决定第k条规则的所有条件属性的隶属度的乘积;输出层利用相应的规则将其结果进行输出;
步骤5:定义优化性能指标;神经网络会根据这个指标对相应值进行优化迭代,在达到相应的迭代次数或者精度要求后会停止迭代过程;
基本反向传播(Back Propagation,BP)方法的收敛速度较慢,并存在局部最小问题,因此我们采用L-M方法(Levenberg-Marquardt)来提高网络训练速度;L-M方法是最速下降法和牛顿法相结合的一种方法,既可提供牛顿法的速度又保证通过最速下降法的收敛;其迭代学习方法如下:
θk+1=θk-[ATA+μkI]-1ATe
其中A为雅克比(Jacobian)矩阵,包括网络误差项相对于权值的一阶微分;当比例系数μk较大时,该方法接近最速下降法,而当下降到0时,该方法变成牛顿法;迭代时每成功一步,减小一些,μk这样在接近误差时,该方法与牛顿法逐渐相似,而牛顿法在误差较小时计算速度很快。
其中,步骤3中所述的“知识约简”是指在保持知识分类能力不变的条件下,删除其中不相关和不重要的知识,它大大简化了数据库结构的复杂度,提高了人们对隐含在数据库庞大数据量下的各种信息的认识程度。
通过以上步骤,本发明达到了同时使用定量数据和定性数据对被试进行筛选的效果,解决了在航空人机交互实验中被试在实验开始前状态不一致的问题;它能对被试人员的工作负荷有一个好的评定,完善了航空人机交互实验的实验流程,具有很高的实用价值。
(3)本发明的优点及功效:
本发明提出了一种基于模糊神经网络的航空人机交互实验人员筛选方法,实现了基于定量数据和定性数据对被试人员的筛选,完善了航空人机交互实验流程。其功效主要在于以下三个方面:
1、同时使用定量数据和定性数据,可以对被试人员的工作负荷有一个较好的评定。
2、使用了基于模糊神经网络的分类方法,在有样本数据集的情况下可以获得较好的分类效果。
3、该方法完善了航空人机交互实验的实验流程,使得被试的实验状态处于大致相似的实验状态。
(二)附图说明:
图1模糊神经网络示意图。
图2本发明所述筛选方法流程框图。
图中序号、符号、代号说明如下:
AVNN代表光电容积脉搏波(PPG)所测量的心率变异性(HRV)的NN间隔期平均值;EMG-Average代表心电指标平均值;X1,X2,X3,X4代表神经网网络输入,Y代表神经网络输出
(三)具体实施方式:
1、定性数据
如前文所述,主要使用第三种评测方法作为实验前工作状态的定性评测工具。在该驾驶工作负荷评测表中包括5个类别,包括年龄、身高、体重和驾驶年龄等个人基础情况;睡眠情况、情绪、身体状况、开车前的工作负荷等精神和身体状况;驾驶任务条件;道路和环境条件。对于该评价表的实际使用显示,精神和身体状况所引发的工作负荷占总体评价的13%以上,这是最重要的占比因素。此外,该部分的评测能很好的反映实验前参与人员工作状态的不同,所以在实际使用中主要应用精神和身体状态部分的评测条目。
在本组进行的实验中,由于是单人实验且每天均保证较好的睡眠状态,所以睡眠情况和身体状况基本为一常数。所以,我们只采集两个项目的数据,那就是情绪与实验前工作负荷。情绪与实验前工作负荷均有5个等级,用1、2、3、4、5来表示。输出简单地分为两个类,高工作负荷和低工作负荷用数字0和1来表示。从分类的角度来说,这是一个简单的二元分类问题。
2、定量数据
正如前文中所述,在使用模糊神经网络之前,我们首先要提取数据的特征参数。如果考虑到物理测量的数据类型的话,会有很多可用的从原始数据中提取特征参数的方法。本文采用利用统计值的方法实验。实验主要采集两种生理数据,分别是光电容积脉搏波(PPG)和心电(EMG)。结合第二章实验输出的主要指标与3.1中所叙述的与工作负荷关系较为紧密的一些值,选取PPG所测得的HRV的数字化表述AVNN参数和EMG的测量平均值EMG-Average参数作为定量处理数据的输入值。AVNN代表记录期间所有心动间隔的均值,Average代表表示EMG/ECG信号中平均幅值。
表1所示为验证本发明实验的129组数据。该数据取自奥格斯堡大学的心理学实验数据集,是较为权威的数据来源。其中,前100组数据用于神经网络训练,而后29组数据用于对于神经网络的预测验证。
表1定性数据与定量数据
3、模糊神经网络设置
在基于特征层的数据融合方法中,神经网络因其较为快速的计算速度、容错能力得到了极大的应用。此外,神经网络还具有良好的分类性能,可以很好地满足本实验的要求。但是,由于传统神经网络和支持向量机这样的方法不能计算定性输入,因此需要找到新的工具来处理这个问题。相关学者提出一个扩展的模糊神经网络来处理定性的输入。该方法的主要作法如下:
本发明一种航空驾驶舱工作负荷试验的被试人员筛选方法,即一种基于模糊神经网络的航空驾驶舱工作负荷试验的被试人员筛选方法,见图2所示,其实施步骤如下:
步骤1:根据数据样本获得初始的知识表达***。这代表着需要使用标准模式建立包含输入与输出的知识表达***。
步骤2:输入数据的预处理。对于定性输入和输出来说这意味着离散化该变量以得到数值类型,有许多可用的离散化方法,如区间法、模糊方法、聚类分析方法、基于熵的离散化方法等;对于定量输入和输出,使用模糊决策离散方法进行模糊划分,划分为不同的模糊子集,并对每个模糊子集赋予相应的离散值,并选取对于属性值具有最大模糊隶属函数值的模糊子集所对应的离散值作为其离散值。本步骤过后,可以得到一个离散化的知识表达***。
步骤3:在离散化知识表达***的基础上,需要获得最小决策集。为了获得最小的决策集,需要处理知识表达***。首先排除不相容的规则并删除冗余规则。其次对于具有相同条件但是具有不同输出的知识表达条目,保留其具有高可信度的规则,并删除低可信度的规则,以消除规则集合中出现不相容规则的属性
步骤4:在得到约简后的最小决策集后,利用该决策集,参考模糊推理加权求和法的模糊***模型,可以进一步处理得到推广的模糊***模型:
公式中yk代表输出参数,μk代表第k条规则的置信度系数。
根据该作法,我们可以建立模糊神经网络。模糊神经网络的结构如图1所示:;
图1中输入层每个节点的数值经过处理后从输入层直接传输到中检出呢个。输入层可以计算两种类型的输入:定量输入和定性输入。存在两种类型的神经元分别处理不同类型的输入。其中,数值输入使用模糊方法,而每个节点通过高斯函数作为隶属度函数:
其中mki和σki是隶属度函数的中点和宽度。对于定性参数,其隶属度函数看作是常量。
中间层的每个节点都可以看作是一个乘法器,它计算第k条规则的置信度,即计算决定第k条规则的所有条件属性的隶属度的乘积。最后决策层利用相应的规则将其结果进行输出。
步骤5:定义优化性能指标。神经网络会根据这个指标对相应值进行优化迭代,在达到相应的迭代次数或者精度要求后会停止迭代过程。
基本BP算法的收敛速度较慢,并存在局部最小问题,因此我们采用L-M算法(Levenberg-Marquardt)来提高网络训练速度。L-M算法是最速下降法和牛顿法相结合的一种方法,既可提供牛顿法的速度又保证通过最速下降法的收敛。其迭代学习算法如下:
θk+1=θk-[ATA+μkI]-1ATe
其中A为Jacobian矩阵,包括网络误差项相对于权值的一阶微分。当比例系数μk较大时,该算法接近最速下降法,而当下降到0时,算法变成牛顿法。迭代时每成功一步,减小一些,μk这样在接近误差时,算法与牛顿法逐渐相似,而牛顿法在误差较小时计算速度很快。
4、数据分析
利用前文所述的奥格斯堡大学数据集,可以对本方法进行验证:
(1)当仅仅使用定量参数时,准确率为89.69%。同时定量数据也不是越多越准备,当我们将数据集中的所有的相关数据全部输入时,准确率出现了大幅度下降,只有69.38%。
(2)结合使用定量数据和定性数据时,准确率上升到93%以上。
Claims (2)
1.一种航空驾驶舱工作负荷试验的被试人员筛选方法,即一种基于模糊神经网络的航空驾驶舱工作负荷试验的被试人员筛选方法,其特征在于:其实施步骤如下:
步骤1:根据数据样本获得初始的知识表达***;这代表着需要使用标准模式建立包含输入与输出的知识表达***;
步骤2:输入数据的预处理;对于定性输入和输出来说这意味着离散化该变量以得到数值类型,有许多能用的离散化方法,如区间法、模糊方法、聚类分析方法和基于熵的离散化方法;对于定量输入和输出,使用模糊决策离散方法进行模糊划分,划分为不同的模糊子集,并对每个模糊子集赋予相应的离散值,并选取对于属性值具有最大模糊隶属函数值的模糊子集所对应的离散值作为其离散值;本步骤过后,得到一个离散化的知识表达***;
步骤3:在离散化知识表达***的基础上,需要进行知识约简获得最小决策集;为了获得最小的决策集,需要处理知识表达***,首先排除不相容的规则并删除冗余规则;其次对于具有相同条件但是具有不同输出的知识表达条目,保留其具有高可信度的规则,并删除低可信度的规则,以消除规则集合中出现不相容规则的属性;
步骤4:在得到约简后的最小决策集后,利用该决策集,参考模糊推理加权求和法的模糊***模型,能进一步处理得到推广的模糊***模型:
公式中yk代表输出参数,μk代表第k条规则的置信度系数;
输入层能计算两种类型的输入:定量输入和定性输入;存在两种类型的神经元分别处理不同类型的输入;其中,数值输入使用模糊方法,而每个节点通过高斯函数作为隶属度函数:
其中mki和σki是隶属度函数的中点和宽度;对于定性参数,其隶属度函数看作是常量;
第三层是规则层;每个节点都能看作是一个乘法器,它计算第k条规则的置信度,即计算决定第k条规则的所有条件属性的隶属度的乘积;第四层是决策层,这意味着利用相应的规则将其结果进行输出;
步骤5:定义优化性能指标;神经网络会根据这个指标对相应值进行优化迭代,在达到相应的迭代次数及精度要求后会停止迭代过程;
基本反向传播即BP方法的收敛速度较慢,并存在局部最小问题,因此我们采用L-M方法来提高网络训练速度;L-M方法是最速下降法和牛顿法相结合的一种方法,既能提供牛顿法的速度又保证通过最速下降法的收敛;其迭代学习方法如下:
6k+l=θk-[ATA+μkI]-1ATe
其中A为雅克比即Jacobian矩阵,包括网络误差项相对于权值的一阶微分;当比例系数μk较大时,该方法接近最速下降法,而当下降到0时,该方法变成牛顿法;迭代时每成功一步,减小一些,μk这样在接近误差时,该方法与牛顿法逐渐相似,而牛顿法在误差较小时计算速度很快。
2.根据权利要求1所述的一种航空驾驶舱工作负荷试验的被试人员筛选方法,即一种基于模糊神经网络的航空驾驶舱工作负荷试验的被试人员筛选方法,其特征在于:
步骤3中所述的“知识约简”是指在保持知识分类能力不变的条件下,删除其中不相关和不重要的知识,它大大简化了数据库结构的复杂度,提高了人们对隐含在数据库庞大数据量下的各种信息的认识程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516969.9A CN109741007A (zh) | 2018-12-12 | 2018-12-12 | 一种航空驾驶舱工作负荷试验的被试人员筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516969.9A CN109741007A (zh) | 2018-12-12 | 2018-12-12 | 一种航空驾驶舱工作负荷试验的被试人员筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741007A true CN109741007A (zh) | 2019-05-10 |
Family
ID=66359327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811516969.9A Pending CN109741007A (zh) | 2018-12-12 | 2018-12-12 | 一种航空驾驶舱工作负荷试验的被试人员筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741007A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598789A (zh) * | 2019-09-12 | 2019-12-20 | 首都师范大学 | 一种基于模糊感知器的人体疲劳状态预测方法及*** |
CN111387976A (zh) * | 2020-03-30 | 2020-07-10 | 西北工业大学 | 一种基于眼动和脑电数据的认知负荷评估方法 |
CN111407292A (zh) * | 2020-03-30 | 2020-07-14 | 西北工业大学 | 基于眼动和多参生理数据信息的飞行员工作负荷评估方法 |
CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
CN112733772A (zh) * | 2021-01-18 | 2021-04-30 | 浙江大学 | 仓储拣选任务中的实时认知负荷与疲劳度检测方法与*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140143200A1 (en) * | 2010-11-23 | 2014-05-22 | Novell, Inc. | System and method for determining fuzzy cause and effect relationships in an intelligent workload management system |
CN104239968A (zh) * | 2014-09-02 | 2014-12-24 | 浙江大学 | 一种快速模糊粗糙集短期负荷预测方法 |
US20150339587A1 (en) * | 2014-05-21 | 2015-11-26 | Prophetstor Data Services, Inc. | Adaptive fuzzy rule controlling system for software defined storage system for controlling performance parameter |
CN105631532A (zh) * | 2015-12-07 | 2016-06-01 | 江苏省电力公司检修分公司 | 一种基于模糊决策的神经网络模型电力***负荷预测方法 |
CN106971241A (zh) * | 2017-03-17 | 2017-07-21 | 浙江工商大学 | 基于模糊神经网络预测污水水质数据的方法 |
CN108074004A (zh) * | 2016-11-12 | 2018-05-25 | 华北电力大学(保定) | 一种基于网格法的地理信息***短期负荷预测方法 |
-
2018
- 2018-12-12 CN CN201811516969.9A patent/CN109741007A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140143200A1 (en) * | 2010-11-23 | 2014-05-22 | Novell, Inc. | System and method for determining fuzzy cause and effect relationships in an intelligent workload management system |
US20150339587A1 (en) * | 2014-05-21 | 2015-11-26 | Prophetstor Data Services, Inc. | Adaptive fuzzy rule controlling system for software defined storage system for controlling performance parameter |
CN104239968A (zh) * | 2014-09-02 | 2014-12-24 | 浙江大学 | 一种快速模糊粗糙集短期负荷预测方法 |
CN105631532A (zh) * | 2015-12-07 | 2016-06-01 | 江苏省电力公司检修分公司 | 一种基于模糊决策的神经网络模型电力***负荷预测方法 |
CN108074004A (zh) * | 2016-11-12 | 2018-05-25 | 华北电力大学(保定) | 一种基于网格法的地理信息***短期负荷预测方法 |
CN106971241A (zh) * | 2017-03-17 | 2017-07-21 | 浙江工商大学 | 基于模糊神经网络预测污水水质数据的方法 |
Non-Patent Citations (3)
Title |
---|
XIN LU ETAL.: "A human workload monitoring method considering qualitative and quantitative data fusion", 《2017 SECOND INTERNATIONAL CONFERENCE ON RELIABILITY SYSTEMS ENGINEERING (ICRSE)》 * |
田景文 等: "《人工神经网络算法研究及应用》", 31 July 2006, 北京理工大学出版社 * |
邵莹: "基于神经网络的电力***短期负荷预测研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598789A (zh) * | 2019-09-12 | 2019-12-20 | 首都师范大学 | 一种基于模糊感知器的人体疲劳状态预测方法及*** |
CN111387976A (zh) * | 2020-03-30 | 2020-07-10 | 西北工业大学 | 一种基于眼动和脑电数据的认知负荷评估方法 |
CN111407292A (zh) * | 2020-03-30 | 2020-07-14 | 西北工业大学 | 基于眼动和多参生理数据信息的飞行员工作负荷评估方法 |
CN111387976B (zh) * | 2020-03-30 | 2022-11-29 | 西北工业大学 | 一种基于眼动和脑电数据的认知负荷评估方法 |
CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
CN111580500B (zh) * | 2020-05-11 | 2022-04-12 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
CN112733772A (zh) * | 2021-01-18 | 2021-04-30 | 浙江大学 | 仓储拣选任务中的实时认知负荷与疲劳度检测方法与*** |
CN112733772B (zh) * | 2021-01-18 | 2024-01-09 | 浙江大学 | 仓储拣选任务中的实时认知负荷与疲劳度检测方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741007A (zh) | 一种航空驾驶舱工作负荷试验的被试人员筛选方法 | |
Heard et al. | A survey of workload assessment algorithms | |
CN108052973B (zh) | 基于多项眼动数据的地图符号用户兴趣分析方法 | |
Wilson et al. | Real-time assessment of mental workload using psychophysiological measures and artificial neural networks | |
CN102293656B (zh) | 基于磁共振成像的情绪稳定性评价***及其评价方法 | |
Kuravsky et al. | Mathematical foundations of flight crew diagnostics based on videooculography data | |
CN112927782B (zh) | 一种基于文本情感分析的心身健康状态预警*** | |
Gavrilescu | Study on determining the Myers-Briggs personality type based on individual's handwriting | |
Wang et al. | Cognitive Load Identification of Pilots Based on Physiological‐Psychological Characteristics in Complex Environments | |
Boonyanusith et al. | Blood donor classification using neural network and decision tree techniques | |
Long et al. | Drawings as a window into developmental changes in object representations | |
CN114154592A (zh) | 一种融合生理数据与飞参数据的飞行训练质效评估方法 | |
Shen et al. | A High‐Precision Fatigue Detecting Method for Air Traffic Controllers Based on Revised Fractal Dimension Feature | |
CN109976530A (zh) | 一种vr***认知负荷量化评估方法 | |
CN114693170A (zh) | 一种基于多源参数融合的飞行员跳伞训练心理评估方法 | |
CN109508653A (zh) | 一种基于脑电信号与心理学融合的主客观单兵作战情绪识别方法 | |
CN117547270A (zh) | 一种多源数据融合的飞行员认知负荷反馈*** | |
Krzyżaniak-Luiza et al. | Validity and reliability of single-item self-report measures of meaning in life and satisfaction with life | |
Jiang et al. | Mental workload artificial intelligence assessment of pilots’ EEG based on multi-dimensional data fusion and LSTM with attention mechanism model | |
CN108763459A (zh) | 基于心理测试及dnn算法的专业倾向分析方法及*** | |
CN111887803A (zh) | 飞机驾驶舱人机工效多维监测评价*** | |
CN112438741A (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及*** | |
CN114999655A (zh) | 一种基于大数据的防疫心理问题早期预警及管理*** | |
CN116227981A (zh) | 一种智慧训练综合管理*** | |
CN113827239B (zh) | 一种采用视觉追踪设备评估飞行员视觉分配的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |