Главная Коллекция "Revolution" Программирование, компьютеры и кибернетика Самообучающиеся алгоритмы нейронных сетей в диагностике психофизического состояния оператора АРМ вредного производства

Самообучающиеся алгоритмы нейронных сетей в диагностике психофизического состояния оператора АРМ вредного производства

Суть схемы формирования психофизического состояния оператора АРМ. Разработка автоматизированной системы, использующей для диагностики состояния оператора АРМ особенностей динамической биометрии. Нейронные сети для обработки данных клавиатурного почерка.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 22.08.2020
Размер файла 125,4 K
рефераты на заказ со скидкой

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Самообучающиеся алгоритмы нейронных сетей в диагностике психофизического состояния оператора АРМ вредного производства

Лобанова В.А., Абашин В.Г.

В данной статье под психофизическим состоянием оператора АРМ понимается некая обобщенная характеристика состояния оператора, выражающая его работоспособность в текущий момент времени.

Представим схему формирования психофизического состояния оператора АРМ (рисунок 1).

Рисунок 1 - Схема формирования психофизического состояния оператора АРМ

В автоматизированной диагностике может использоваться любое количество методов для определения психофизического состояния оператора АРМ. Во-первых, можно использовать алгоритм определения состояния оператора АРМ по показателям его производительности, количеству выполненных нажатий, времени, проведенному непосредственно перед компьютером, и другим значениям, описанным в нормативных документах; во-вторых, параллельно можно использовать алгоритм, основанный на клавиатурном почерке; в-третьих, можно использовать измерение температуры тела, частоты сердечных сокращений, артериальное давление оператора АРМ.

Для разработанной схемы подходят любые методы, выходную информацию которых можно представить в процентном выражении. Наилучшему состоянию сопоставляется значение сто процентов, наихудшему - ноль процентов. Таким образом производится унификация вывода различных методов определения психофизического состояния оператора АРМ. Сравнительный анализ представленных методик не проводился и является целью дальнейшего исследования.

В предложенной схеме методы дополняют друг друга. Это позволяет повысить количество точек измерения состояния оператора АРМ и компоновать наиболее приемлемые методы и алгоритмы для конкретной реализации. нейронный сеть клавиатурный почерк

Для подтверждения выработанной гипотезы принято решение разработать автоматизированную систему, использующую для диагностики состояния оператора АРМ нормативные документы и особенности динамической биометрии. Метод, обрабатывающий клавиатурный почерк, был выбран как наиболее естественный способ ввода информации для операторов АРМ, также он имеет удовлетворительное качество точности измерений. Кроме того, реализация метода, основанного на клавиатурном почерке, возможна программным способом, что значительно уменьшает стоимость исследований, а, значит, и стоимость конечной реализации. В данном методе критерием выступает изменение времени удержания клавиш и времени между нажатиями, что и отражает развитие торможения моторных функций человека.

Определение начального состояния оператора происходит при вводе пароля оператора перед началом работы. При этом производится замер последовательности нажатий из шести - десяти символов, что достаточно для определения начального состояния. Дополнительными точками измерения состояния оператора АРМ являются наиболее часто встречающиеся последовательности.

На рисунке 2 отображен алгоритм определения психофизического состояния оператора АРМ, используя данные клавиатурного почерка.

Рисунок 2 - Алгоритм определения психофизического состояния оператора АРМ, с использованием клавиатурного почерка

В представленном алгоритме подпрограмма «определить номер сработавшего нейрона» реализована в виде нейронной сети, а подпрограмма «определить отклонение от предыдущего номера сработавшего нейрона» реализована с помощью нечетких множеств. На рисунке 3 отображены нейронные сети, разработанные для обработки данных клавиатурного почерка в виде структурного графа.

Для выполнения классификации данных, поступающих от клавиатуры, используются нейронные сети. Необходимость использования нейронных сетей обусловлена неизвестностью зависимости развития тормозных реакций у конкретного человека. Так как при обработке последовательностей из двух нажатий и последовательностей из трех нажатий получается различная размерность входного пространства, то необходимо использовать две различные сети, отличающиеся количеством входных нейронов. Количество классов на выходе обоих сетей равное. Это позволяет использовать обе сети параллельно. Таким образом, уменьшается время между последовательностями нажатий, пригодными для определения состояния оператора АРМ. Сети самообучаются, используя алгоритм нейронного газа. Начальные веса нейронных сетей задаются случайным образом.

Рисунок 3 - Нейронные сети, обработки данных клавиатурного почерка

В работах Иванова А.И. указано, что при использовании клавиатурного почерка для идентификации или аутентификации человека наблюдаются различные зависимости и диапазоны входных значений для различных людей. В связи с этим автором сделано предположение, что данные условия сохраняются и при определении состояния различных людей, поэтому необходимо производить обучение нейронных сетей для контроля каждого оператора АРМ отдельно.

Обработка данных нейронной сетью позволяет избавиться от шумовых данных, т.е. произвести фильтрацию данных и сузить круг значений для выходных значений до 5, а значит, и упростить сам процесс диагностики.

Размещено на Allbest.ru

...

Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены