操作员功能状态的智能评估

为了评估操作员的功能状态,采用密闭舱空气管理系统模拟多任务过程控制环境,采集了操作员的生理信号,综合操作员主要任务性能和主观评价,建立了操作员功能状态评估模型。同时,提出了一种交叉粒子群优化算法优化自适应模糊神经网络(ANFIS)的参数。试验结果表明,建立的基于交叉粒子群优化算法和ANFIS的操作员功能状态模型能够有效地评估操作员功能状态。

基于最小二乘支持向量回归建模方法的人机系统操作员功能状态分析

目的建立具有很强预测能力的数学模型来准确评估人机系统操作员功能状态(Operator Function-al States,OFS)。方法基于采集到的一系列操作员电生理信号及性能数据,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法对OFS建模。通过网格搜索和10-折交叉验证方法对模型参数进行优化,并将LSSVM与基于遗传算法的模糊建模方法进行比较。结果模型基本能反映OFS的实际变化趋势,输出误差在可接受的范围之内且与基于遗传算法的模糊建模方法得到的模型输出误差相比较小。结论 LSSVM方法具有更好的泛化性能,将其用于OFS评估是有效的。

基于粒子群优化的WM模糊系统用于操作员功能状态建模

在高安全性要求的复杂人机系统中,为了保证系统安全运行,需要对操作员功能状态(Operator Functional State,OFS)进行有效的监测和评估,以防止因操作员状态失效而产生的事故。本文使用基于粒子群优化(Particle Swarm Optimization,PSO)的Wang-Mendel(WM)方法建立起操作员电生理信号与OFS之间的模糊模型,对采用两种不同的规则提取策略的建模结果比较表明,本文使用的混合规则提取策略可以对OFS进行更有效的评估。