Портал психологических изданий PsyJournals.ru
Каталог изданий 126Рубрики 53Авторы 9739Новости 1907Ключевые слова 5095 Правила публикацииВебинарыRSS RSS

РИНЦ

0,727 — двухлетний импакт-фактор

Моделирование и анализ данных

Издатель: Московский государственный психолого-педагогический университет

ISSN (печатная версия): 2219-3758

ISSN (online): 2311-9454

DOI: https://doi.org/10.17759/mda

Лицензия: CC BY-NC 4.0

Издается с 2011 года

Периодичность: 4 номера в год

Язык журнала: русский

Доступ к электронным архивам: открытый

 

Принципы построения программно-аппаратного комплекса для интеллектуальной поддержки экипажа и оценки уровня его подготовки 14

|

Грешников И.И.
ведущий инженер, Государственный научно-исследовательский институт авиационных систем (ФГУП «ГосНИИАС»), Москва, Россия
ORCID: https://orcid.org/0000-0001-5474-3094
e-mail: vvanes@mail.ru

Куравский Л.С.
доктор технических наук, декан факультета информационных технологий, Московский государственный психолого-педагогический университет, Москва, Россия
ORCID: https://orcid.org/0000-0002-3375-8446
e-mail: l.s.kuravsky@gmail.com

Юрьев Г.А.
кандидат физико-математических наук, доцент, заведующий научной лабораторией, Московский государственный психолого-педагогический университет, Москва, Россия
ORCID: https://orcid.org/0000-0002-2960-6562
e-mail: g.a.yuryev@gmail.com

Аннотация

Представлен новый подход к интеллектуальной поддержке экипажей воздушных судов, основанный на сравнении исследуемых фрагментов полётов (маневров) с паттернами, содержащимися в базе данных и представляющими эмпирический интеллект системы. Ключевым компонентом этого подхода являются четыре новые метрики, обеспечивающие значимую дискриминацию анализируемых фрагментов полётов и данных видеоокулографии различных типов и качества исполнения, а именно: евклидова метрика в пространстве вейвлет-коэффициентов, метрика правдоподобия траекторий собственных значений преобразований параметров деятельности, метрика Кохонена в пространстве вейвлет-коэффициентов (с использованием ассоциативных нейронных сетей) и метрика правдоподобия для сравнения траекторий движения взора. Особенностями представленного подхода являются: наличие «интеллектуальной составляющей», которая содержится в эмпирических данных и может гибко изменяться по мере их накопления; применение интегральных сравнений исследуемых фрагментов полета и данных видеоокулографии с сопоставимыми образцами различных типов и качества исполнения из специализированной базы данных, с перенесением на исследуемый фрагмент характеристик ближайшего паттерна из специализированной базы данных; применение сложной комбинации методов анализа случайных процессов и многомерного статистического анализа.

Ссылка для цитирования

Литература
  1. Aircraft trajectory clustering techniques using circular statistics. Yellowstone Conference Center, Big Sky, Montana, 2016. IEEE.
  2. Bastani V., Marcenaro L., Regazzoni C. Unsupervised trajectory pattern classification using hier- archical Dirichlet Process Mixture hidden Markov model // 2014 IEEE International Workshop on Machine Learning for Signal Processing (MLSP) / IEEE. 2014. Pp. 1–6.
  3. Eerland W.J., Box S. Trajectory Clustering, Modelling and Selection with the focus on Airspace Protection // AIAA Infotech@ Aerospace. AIAA, 2016. Pp. 1–14.
  4. Enriquez M. Identifying temporally persistent flows in the terminal airspace via spectral clus- tering // Tenth USA/Europe Air Traffic Management Research and Development Seminar (ATM2013) / Federal Aviation Administration (FAA) and EUROCONTROL. Chicago, IL, USA: 2013. June 10–13.
  5. Enriquez M., Kurcz C. A Simple and Robust Flow Detection Algorithm Based on Spectral Clus- tering // International Conference on Research in Air Transportation (ICRAT) / Federal Aviation Administration (FAA) and EUROCONTROL. – Berkeley, CA, USA: 2012. May 22–25.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. Kuravsky L.S. and Yuryev G.A. A novel approach for recognizing abnormal activities of opera- tors of complex technical systems: three non-standard metrics for comparing performance pat- terns, International Journal of Advanced Research in Engineering and Technology (IJARET), 11(4), 2020, pp. 119–136. http://www.iaeme.com/IJARET/issues.asp?JType=IJARET&V- Type=11&IType=4
  12. 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 En- gineering and Technology (IJCIET) 10(2), 2019, pp. 724–742. http://www.iaeme.com/IJCIET/ issues.asp?JType=IJCIET&VType=10&IType=2.
  13. Kuravsky L.S., Yuryev G.A., Zlatomrezhev V.I. New approaches for assessing the activities of op- erators of complex technical systems. Eksperimental’naya psikhologiya = Experimental psychol- ogy (Russia), 2019, vol. 12, no. 4, pp. 27–49. doi:10.17759/exppsy.2019120403.
  14. Kuravsky L.S., Yuryev G.A., Zlatomrezhev V.I., Yuryeva N.E. Assessing the Aircraft Crew Actions with the Aid of a Human Factor Risk Model. Eksperimental’naya psikhologiya = Experimen- tal Psychology (Russia), 2020. Vol. 13, no. 2, pp. 153–181. DOI: https://doi.org/10.17759/ex- ppsy.2020130211.
  15. Laxhammar R., Falkman G. Online learning and sequential anomaly detection in trajecto- ries // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2014. Vol. 36, no. 6. Pp. 1158–1173.
  16. Li Z., et al. Incremental clustering for trajectories // Database Systems for Advanced Applications. Lecture Notes in Computer Science. 2010. Vol. 5982. Pp. 32–46.
  17. 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.
  18. Rintoul M., Wilson A. Trajectory analysis via a geometric feature space approach // Statistical Analysis and Data Mining: The ASA Data Science Journal. 2015.
  19. Wei J., et al. Design and Evaluation of a Dynamic Sectorization Algorithm for Terminal Air- space // Journal of Guidance, Control, and Dynamics. 2014. Vol. 37, no. 5. Pp. 1539–1555.
  20. Wilson A., Rintoul M., Valicka C. Exploratory Trajectory Clustering with Distance Geometry // International Conference on Augmented Cognition /Springer. 2016. Pp. 263–274.
  21. Отчёт о НИР «Разработка математических моделей и методов оценки уровня подготовки экипажа на основе анализа параметров полета, поступающих в процессе выполнения лет- ных упражнений и данных видеоокулографии», ГосНИИАС, Москва, 2020.
Статьи по теме

Экспериментальная психология  |  Куравский Л.С., Юрьев Г.А., Златомрежев В.И., Грешников И.И., Поляков Б.Ю.

Оценка действий экипажа самолёта по данным видеоокулографии

CrossRef doi:10.17759/exppsy.2021140110

 
О проекте PsyJournals.ru

© 2007–2021 Портал психологических изданий PsyJournals.ru  Все права защищены

Свидетельство регистрации СМИ Эл № ФС77-66447 от 14 июля 2016 г.

Издатель: ФГБОУ ВО МГППУ

Creative Commons License Репозиторий открытого доступа     Рейтинг репозиториев Webometrics

Яндекс.Метрика