Экспериментальная психология
2019. Том 12. № 4. С. 27–49
doi:10.17759/exppsy.2019120403
ISSN: 2072-7593 / 2311-7036 (online)
Новые подходы к оцениванию работы операторов сложных технических систем
Аннотация
Представлены новые подходы, обеспечивающие оценивание результатов работы операторов сложных технических систем, в основе которых лежит сравнение упражнений, которые выполняются в заданный момент, с паттернами из базы данных как в вейвлет-метрике, связанной с временными рядами параметров поведения системы, так и в метрике правдоподобия траекторий собственных значений преобразований таких параметров, а также вероятностная оценка определения класса навыков с использованием функций выборочных распределений расстояний упражнений до центров исследуемых кластеров в пространстве шкалирования и байесовские оценки правдоподобия с использованием вероятностных профилей принадлежности определённым диапазонам параметров поведения системы. Эти методы продемонстрировали способность распознавать аномально выполненные упражнения и определять параметры, характеризующие ошибки оператора, с целью выявления их причин. Рассматриваемые методы преодолевают ограничения, характерные для существующих методов, и имеют преимущества по сравнению с анализом данных вручную, поскольку значительно сокращают перебор анализируемых вариантов.
Общая информация
Ключевые слова: операторы сложных технических систем, дискретное вейвлет-преобразование, распознавание уровня сформированности навыков, метод главных компонентов, многомерное шкалирование, кластерный анализ, дискриминантный анализ, траектории собственных значений
Рубрика издания: Когнитивная психология
Тип материала: научная статья
DOI: https://doi.org/10.17759/exppsy.2019120403
Финансирование. Эта работа выполнена как часть проекта «SAFEMODE» (грант № 814961) при финансовой поддержке Министерства науки и высшего образования Российской Федерации (проект UID RFMEFI62819X0014).
Для цитаты: Куравский Л.С., Юрьев Г.А., Златомрежев В.И. Новые подходы к оцениванию работы операторов сложных технических систем // Экспериментальная психология. 2019. Том 12. № 4. С. 27–49. DOI: 10.17759/exppsy.2019120403
Литература
- Aircraft trajectory clustering techniques using circular statistics. Yellowstone Conference Center, Big Sky, Montana, 2016. IEEE.
- Bastani V., Marcenaro L., Regazzoni C. Unsupervised trajectory pattern classification using hierarchical Dirichlet Process Mixture hidden Markov model //2014 IEEE International Workshop on Machine Learning for Signal Processing (MLSP) / IEEE. 2014. Pp. 1—6.
- Borg, I., Groenen, P. J. F. Modern Multidimensional Scaling Theory and Applications. — Springer, 2005. P. 140.
- Bress, Thomas J. Effective LabVIEW Programming: NTS Press, 2013. ISBN 1-934891-08-8.
- Cottrell M., Faure C., Lacaille J., Olteanu M. Anomaly Detection for Bivariate Signals. IWANN (1) 2019: 162—173.
- Cramer H. Mathematical Methods of Statistics. Princeton: Princeton University Press. 1999. — 575 pp.
- Eerland W.J., Box S. Trajectory Clustering, Modelling and Selection with the focus on Airspace Protection // AIAA Infotech@ Aerospace. _ AIAA, 2016. Pp. 1—14.
- Enriquez M. Identifying temporally persistent flows in the terminal airspace via spectral clustering // Tenth USA/Europe Air Traffic Management Research and Development Seminar (ATM2013) / Federal Aviation Administration (FAA) and EUROCONTROL. Chicago, IL, USA: 2013. June 10—13.
- Enriquez M., Kurcz C. A Simple and Robust Flow Detection Algorithm Based on Spectral Clustering // International Conference on Research in Air Transportation (ICRAT) / Federal Aviation Administration (FAA) and EUROCONTROL. — Berkeley, CA, USA: 2012. May 22—25.
- Faure C., Bardet J.M., Olteanu M., Lacaille J. Using Self-Organizing Maps for Clustering and Labelling Aircraft Engine Data Phases. In: WSOM (2017): 96—103.
- Gaffney S., Smyth P. Joint probabilistic curve clustering and alignment // In Advances in Neural Information Processing Systems. Vol. 17. Cambridge, MA: MIT Press, 2005. Pp. 473—480.
- Gaffney S., Smyth P. Trajectory clustering with mixtures of regression models // Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining. 1999. Pp. 63—72.
- Gariel M., Srivastava A., Feron E. Trajectory clustering and an application to airspace monitoring // IEEE Transactions on Intelligent Transportation Systems. 2011. Vol. 12, no. 4. Pp. 1511—1524.
- Grevtsov N. Synthesis of control algorithms for aircraft trajectories in time optimal climb and descent // Journal of Computer and Systems Sciences International. 2008. Vol. 47, no. 1. Pp. 129—138.
- Hung C., Peng W., Lee W. Clustering and aggregating clues of trajectories for mining trajectory patterns and routes // The VLDB Journal — The International Journal on Very Large Data Bases. 2015. Vol. 24, no. 2. Pp. 169—192.
- Krasilshchikov M.N., Evdokimenkov V.N., Bazlev D.A. Individually adapted airborne systems for monitoring the aircraft technical condition and supporting the pilot control actions. Moscow, MAI Publishing House, 2011. — 440 pp (in Russian).
- Kuchar J. K., Yang L. C. A review of conflict detection and resolution modeling methods // IEEE Transactions on Intelligent Transportation Systems. 2000. Vol. 1, no. 4. Pp. 179—189.
- Kuravsky L.S., Artemenkov S.L., Yuriev G.A., Grigorenko E.L. New approach to computer-based adaptive testing. Experimental Psychology. 2017. Vol. 10. No. 3. Pp. 33—45. doi:10.17759/exppsy.2017100303
- Kuravsky L.S., Margolis A.A., Marmalyuk P.A., Panfilova A.S. , Yuriev G.A. Mathematical aspects of the adaptive simulator concept — Psychological Science and Education. 2016. Vol. 21. No. 2. Pp. 84—95. doi: 10.17759/pse.2016210210 (in Russian).
- Kuravsky L.S., Margolis A.A., Marmalyuk P.A., Panfilova A.S., Yuryev G.A., Dumin P.N. A Probabilistic Model of Adaptive Training. — Applied Mathematical Sciences, Vol. 10, 2016, no. 48, 2369—2380, http:// dx.doi.org/10.12988/ams.2016.65168
- Kuravsky L.S., Marmalyuk P.A., Yurev G.A. Diagnostics of Professional Skills Based on Probability Distributions of Oculomotor Activity. — RFBR Journal, No. 3 (91), 2016, pp. 72—82 (Supplement to “Information Bulletin of RFBR” No. 24, in Russian).
- Kuravsky L.S., Marmalyuk P.A., Yuryev G.A. and Dumin P.N. A Numerical Technique for the Identification of Discrete-State Continuous-Time Markov Models — Applied Mathematical Sciences. Vol. 9, 2015, No. 8, pp. 379—391. URL: https://doi.org/10.12988/ams. 2015.410882
- Kuravsky L.S., Marmalyuk P.A., Yuryev G.A., Belyaeva O.B. and Prokopieva O.Yu. Mathematical Foundations of Flight Crew Diagnostics Based on Videooculography Data. — Applied Mathematical Sciences, Vol. 10, 2016, no. 30, 1449—1466, https://doi.org/10.12988/ams.2016.6122
- Kuravsky L.S., Marmalyuk P.A., Yuryev G.A., Dumin P.N., Panfilova A.S. Probabilistic modeling of CM operator activity on the base of the Rasch model. — In: Proc. 12th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies, Oxford, UK, June 2015.
- Kuravsky L.S., Yuriev G.A. Probabilistic method of filtering artefacts in adaptive testing. — Experimental Psychology, Vol.5, No. 1, 2012, pp. 119—131 (in Russian).
- Kuravsky L.S., Yuryev G.A. Certificate of state registration of the computer program № 2018660358 Intelligent System for Flight Analysis v1.0 (ISFA#1.0). Application №2018617617; declared 18 July 2018; registered 22 August 2018. (ROSPATENT).
- Kuravsky L.S., Yuryev G.A. Detecting abnormal activities of operators of complex technical systems and their causes basing on wavelet representations // International Journal of Civil Engineering and Technology (IJCIET). Vol. 10(2). P. 724—742. URL: http://www.iaeme.com/MasterAdmin/UploadFolder/ IJCIET_10_02_070/IJCIET_10_02_070.pdf. (Accessed 17.09.2019).
- Kuravsky L.S., Yuryev G.A. On the approaches to assessing the skills of operators of complex technical systems. In: Proc. 15th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies, Nottingham, UK, September 2018. 25 pp.
- Laxhammar R., Falkman G. Online learning and sequential anomaly detection in trajectories // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2014. Vol. 36, no. 6. Pp. 1158—1173.
- Li Z., et al. Incremental clustering for trajectories // Database Systems for Advanced Applications. Lecture Notes in Computer Science. 2010. Vol. 5982. Pp. 32—46.
- Liu H., Li J. Unsupervised multi-target trajectory detection, learning and analysis in complicated environments // 2012 21st International Conference on Pattern Recognition (ICPR) / IEEE. 2012. Pp. 3716—3720.
- Markov models in the diagnostics and prediction problems: Textbook. /Edited by L.S. Kuravsky. 2nd Edition, Enlarged. — Moscow: MSUPE Edition, 2017. — 203 pp. (in Russian).
- Neal P.G. Multiresolution Analysis for Adaptive Refinement of Multiphase Flow Computations. University of Iowa, 2010.116 pp.
- René Vidal, Yi Ma, Shankar Sastry. Generalized Principal Component Analysis. Springer-Verlag: New York, 2016.URL: http://www.springer.com/ us/book/9780387878102
- Rintoul M., Wilson A. Trajectory analysis via a geometric feature space approach // Statistical Analysis and Data Mining: The ASA Data Science Journal. 2015.
- Trevor F. Cox, M.A.A. Cox. Multidimensional Scaling, Second Edition. Chapman & Hall/CRC, 2001. P. 299.
- Wei J., et al. Design and Evaluation of a Dynamic Sectorization Algorithm for Terminal Airspace // Journal of Guidance, Control, and Dynamics. 2014. Vol. 37, no. 5. Pp. 1539—1555.
- Wilson A., Rintoul M., Valicka C. Exploratory Trajectory Clustering with Distance Geometry // International Conference on Augmented Cognition /Springer. 2016. Pp. 263—274.
- Xiangyu Kong, Changhua Hu, Zhansheng Duan. Principal Component Analysis Networks and Algorithms. Springer, 2017. URL: http://www.springer.com/us/book/9789811029134.
Информация об авторах
Метрики
Просмотров
Всего: 909
В прошлом месяце: 4
В текущем месяце: 2
Скачиваний
Всего: 360
В прошлом месяце: 2
В текущем месяце: 1