DESIGNING OF FUZZY RULES IN THE BASIS OF KNOWLEDGE OF THE INTELLECTUAL SYSTEM OF EVALUATION OF THE LEVEL OF COMPETENCE OF OPERATORS ON THE BASIS OF NEURAL NETWORK TECHNOLOGIES
Authors:
1.
Ul'yanovskiy institut grazhdanskoy aviacii imeni Glavnogo marshala aviacii B.P. Bugaeva
2.
Ul'yanovskiy institut grazhdanskoy aviacii imeni Glavnogo marshala aviacii B.P. Bugaeva
3.
Ul'yanovskiy institut grazhdanskoy aviacii imeni Glavnogo marshala aviacii B.P. Bugaeva
4.
Ul'yanovskiy institut grazhdanskoy aviacii imeni Glavnogo marshala aviacii B.P. Bugaeva
Type:
Article
Pages:
from 98
to 107
Status:
Published
Received:
11.01.2019
Accepted:
30.01.2019
Published:
30.01.2019
Subject area:
UDK 658.71.08, 519.87
GRNTI 05.11 Общие проблемы народонаселения
GRNTI 06.51 Мировое хозяйство. Международные экономические отношения
GRNTI 10.01 Общие вопросы
GRNTI 11.01 Общие вопросы политических наук
GRNTI 11.25 Теория международных отношений. Внешняя политика и дипломатия
GRNTI 78.01 Общие вопросы военного дела
GRNTI 81.92 Пожарная безопасность
GRNTI 81.93 Безопасность. Аварийно-спасательные службы
GRNTI 82.01 Общие вопросы организации и управления
GRNTI 82.33 Стратегический менеджмент. Стратегическое планирование
GRNTI 11.15 Теория политических систем. Внутренняя политика
GRNTI 05.11 Общие проблемы народонаселения
GRNTI 06.51 Мировое хозяйство. Международные экономические отношения
GRNTI 10.01 Общие вопросы
GRNTI 11.01 Общие вопросы политических наук
GRNTI 11.25 Теория международных отношений. Внешняя политика и дипломатия
GRNTI 78.01 Общие вопросы военного дела
GRNTI 81.92 Пожарная безопасность
GRNTI 81.93 Безопасность. Аварийно-спасательные службы
GRNTI 82.01 Общие вопросы организации и управления
GRNTI 82.33 Стратегический менеджмент. Стратегическое планирование
GRNTI 11.15 Теория политических систем. Внутренняя политика
Language:
Russian
Keywords:
transport security, screening operator, competence, fuzzy knowledge base of Sugeno, Mamdani fuzzy knowledge base, neural network model, subtractive clustering
Abstract (English):
The article proposes a new approach to assessing the level of competence of inspectors. It is proposed to apply neural network technologies, as well as instrumental methods of psycho-physiological monitoring of the operator’s state in the process of simulator training. As an instrumental method, the use of an eye movement detection system and heart rate to assess psycho-physiological tensions is justified. Experimental studies were conducted and fuzzy knowledge bases of Sugeno and Mamdani developed. The analysis showed that Sugeno’s fuzzy knowledge base by the criterion of the mean square error is more accurate than the Mamdani knowledge base.
The article proposes a new approach to assessing the level of competence of inspectors. It is proposed to apply neural network technologies, as well as instrumental methods of psycho-physiological monitoring of the operator’s state in the process of simulator training. As an instrumental method, the use of an eye movement detection system and heart rate to assess psycho-physiological tensions is justified. Experimental studies were conducted and fuzzy knowledge bases of Sugeno and Mamdani developed. The analysis showed that Sugeno’s fuzzy knowledge base by the criterion of the mean square error is more accurate than the Mamdani knowledge base.
Keywords:
transport security, screening operator, competence, fuzzy knowledge base of Sugeno, Mamdani fuzzy knowledge base, neural network model, subtractive clustering
transport security, screening operator, competence, fuzzy knowledge base of Sugeno, Mamdani fuzzy knowledge base, neural network model, subtractive clustering
Безопасность на транспорте имеет жизненно важное значение для экономики и общества Российской Федерации, и она в значительной степени зависит от качественной работы подразделений транспортной безопасности. Ключевой мерой обеспечения безопасности на объектах транспортной инфраструктуры является процедура досмотра пассажиров и их багажа. Для обнаружения запрещенных предметов применяется специальная рентгеновская аппаратура. Главной задачей операторов досмотра является интерпретация рентгеновских снимков в целях ответа на вопрос, является ли багаж безвредным или же он содержит запрещенный предмет и, следовательно, он требует вторичного досмотра (обычно с использованием ручного досмотра и/или детектора обнаружения взрывчатых веществ). Несмотря на постоянное совершенствование рентгеновской аппаратуры, уровень компетентности оператора досмотра является основным фактором, определяющим уровень транспортной безопасности. В связи с этим, актуальной задачей является разработка предложений по совершенствованию процесса профессиональной подготовки данных специалистов. Целью данной работы является обоснование возможности применения нейросетевых технологий, а также аппаратурных методов психофизиологического мониторинга состояния оператора в процессе тренажерной подготовки. Одним из перспективных направлений совершенствования тренажерных комплексов подготовки операторов досмотра является внедрения механизмов психофизиологического мониторинга состояния обучающихся. В качестве аппаратурных методов предлагается использовать систему регистрации движения глаз (СРДГ) и частоту сердечных сокращений (ЧСС) для оценки психофизиологической напряженности. В работе [1] представлены некоторые результаты применения СРДГ при оценке компетентности операторов. При этом не в полной мере затронут вопрос учета психофизиологической напряженности. В связи с этим в условиях возрастания количества обрабатываемой информации необходимо применять методы интеллектуального анализа данных. В данной работе предлагается использовать нечеткие базы знаний (НБЗ), спроектированные с применением нейросетевых технологий. Нечеткая логика - это мощная методология решения проблем со многими приложениями в задачах управления и обработки информации. В общем смысле, нечеткая логика отражает механизм принятия решений человеком, способного работать с приблизительными данными и при этом получать точные решения. В отличие от классической логики, которая требует глубокого понимания системы, точных уравнений и точных численных значений, нечеткая логика предполагает альтернативный подход, который позволяет моделировать сложные системы, используя более высокий уровень абстракции, исходящий из наших знаний и опыта. Известны два основных вида НБЗ: тип Сугено и тип Мамдани [2]. Проектирование НБЗ Сугено включает два основных этапа. Первый заключается в нахождении основной структуры НБЗ с помощью субтрактивной кластеризации (рисунок 1). Второй - оптимизация параметров функций принадлежности (ФП) и весов правил с применением ANFIS-алгоритма (ANFIS - Adaptive Network Based Fuzzy Inference System). Проектирование НБЗ Мамдани осуществляется на основе алгоритма нечетких с-средних (fuzzy c-means, FCM), который представлен на рисунке 2. Таким образом, проектирование НБЗ с применением алгоритмов кластеризации заключается в нахождении кластеров в исходных данных и представление этих кластеров в виде нечетких правил [3]. В работах [4] и [5] представлены результаты проектирования НБЗ для идентификации зависимостей при решении задач прогнозирования электропотребления и оценки неисправной главного судового дизельного двигателя соответственно. Для получения экспериментальных данных были протестированы 35 курсантов ФГБОУ ВО «Ульяновский институт гражданской авиации имени Главного маршала авиации Б.П. Бугаева» очной формы обучения, направления подготовки 25.03.03 Аэронавигация, профиля подготовки 9. Обеспечение авиационной безопасности. Курсанты прошли необходимое обучение в Авиационном учебном центре и имели сертификат авиационного специалиста. В качестве СРДГ применялся мобильный ай-трекер Eye Tracking Glasses 2.0 фирмы «SensoMotoric Instruments». Для мониторинга ЧСС использовался комплект устройства психофизиологического тестирования Устройство психофизиологического тестирования УПФТ-1/30 «Психофизиолог» (далее «Психофизиолог»). Экспериментальное тестирование заключалось в следующем: Во-первых: создание блока тестовых рентгеновских изображений багажа и ручной клади, включающего 20 изображений; Во-вторых: предобработка изображений с использованием программного обеспечения «SMI BeGaze 3.7»; В-третьих: тестирование курсантов при решении ими задачи зрительного поиска запрещенных предметов. Рентгеновское изображение предъявлялось с экспозицией в 10 секунд. Во время тестирования регистрировалась глазодвигательная активность и ЧСС; В-четвертых: формирование набора данных для проектирования НБЗ. Исходная выборка была поделена на обучающую (30 курсантов) и тестовую (5 курсантов). Глазодвигательная активность курсантов характеризовалась следующими 3 показателями: Первый показатель (in1), рассчитывается по формуле (1): ,(1) где DTоп - среднее время удержания взгляда испытуемого в AOI, содержащую запрещенный к провозу предмет, мс.; DTнеоп - среднее время удержания взгляда испытуемого в AOI, не содержащую запрещенный к провозу предмет, мс.; 1/FCоп - частота наблюдения j-го опасного предмета; 1/FCнеоп - частота наблюдения l-го неопасного предмета; k - количество тестовых рентгеновских изображений, шт. n - количество AOI, содержащих запрещенный к провозу предмет, шт.; m - количество AOI, не содержащих запрещенный к провозу предмет, шт. Второй показатель (in2), рассчитывается по формуле (2): , (2) где SEоп - индекс, характеризующий схему фиксации внимания испытуемого, равный 0 или 1, в том случае если испытуемый начал схему поиска с AOI, содержащую опасный или запрещенный к провозу предмет или вещество, показатель равен 1 в ином другом случае показатель равен 0; k - количество тестовых рентгеновских изображений, шт. Третий показатель (in3), рассчитывается по формуле (3): , (3) где ETоп - средняя продолжительность времени от начала эксперимента до первой фиксации в AOI, содержащей запрещенный к провозу предмет, мс.; ETнеоп - средняя продолжительность времени от начала эксперимента до первой фиксации в AOI, содержащей запрещенный к провозу предмет, мс.; Sоп - доля площади j-го опасного предмета относительно общей площади стимула; Sнеоп - доля площади l-го неопасного предмета относительно общей площади стимула; k - количество тестовых рентгеновских изображений, шт.; n - количество AOI, содержащих запрещенный к провозу предмет, шт.; m - количество AOI, не содержащих запрещенный к провозу предмет, шт. ПФН курсантов была представлено следующим относительным показателем: Показатель (in4) рассчитывается следующим образом: (4) где - текущее значение ЧСС оператора и - фоновое значение ЧСС. Выходная переменная (out1) была представлена частотой обнаружения запрещенных предметов. Проектирование НБЗ осуществлялось по критерию средней квадратической ошибки (root-mean-square error, RMSE), согласно формуле (5): (5) где M - количество пар экспериментальных данных; P - вектор параметров функций принадлежности (ФП) входных переменных (x) и выходной (y); W - вектор весовых коэффициентов правил базы знаний; - результат расчета нечеткой базой знаний. В целях робастного оценивания исходных данных была использована программа «Statistica». На рисунке 3 показаны описательные статистики исходных параметров анализа. Оценка робастности проводилась по следующим параметрам [6]: - усеченное среднее (среднее значение после удаления выбросов); - винсоризованное среднее (среднее значение после замены выбросов процентилью, по которой сделано усечение); - критерий Граббса для выбросов. Исходя из рисунка 3 видно, что среднее арифметическое, усеченное среднее и винсоризованное среднее имеют приблизительно равные значения для каждого из оцениваемых параметров. Критическое значение критерия Граббса для уровня значимости 0,01 составляет 3,33. Для анализируемых параметров критерии Граббса равны 2,207525; 2,006237; 2,603334; 3,036886; 2,001045 и не превышают критического значения; при этом уровни значимости равные 0,795209; 1; 0,219935; 0,038577; 1 соответсвенно выше выбранного уровня. Таким образом, проведенный анализ позволил обосновать отсутствие выбросов в исходных данных и пригодность их для последующего анализа. Проведенный факторный анализ исходных данных (методом «варимакс») подтвердил, что все исследуемые показателя несут достаточную факторную нагрузку и могут быть использованы для анализа (рисунок 4). Проектирование НБЗ осуществлялось в пакете Fuzzy Logic Toolbox системы Matlab. Формирование нечеткого вывода типа Сугено было реализовано с использованием функции genfis2. Были выбраны следующие параметры алгоритма субтрактивной кластеризации: радиус кластеров - 0,7 (значение устанавливается из диапазона [0, 1]); коэффициент подавления - 1,25; коэффициент принятия - 0,5; коэффициент отторжения - 0,15. На рисунке 5 показана схема спроектированной НБЗ Сугено. Спроектированная НБЗ включает в себя 3 правила, которые характеризуют три найденных кластера: ЕСЛИ in1=in1cluster1 И in2=in2cluster1 И in3=in3cluster1 И in4=in4cluster1, ТО out1=out1cluster1; ЕСЛИ in1=in1cluster2 И in2=in2cluster2 И in3=in3cluster2 И in4=in4cluster2, ТО out1=out1cluster2; ЕСЛИ in1=in1cluster3 И in2=in2cluster3 И in3=in3cluster3 И in4=in4cluster3, ТО out1=out1cluster3. Ошибка на обучающей выборке равна - trnRMSE1=0,0084 , на тестовой - chkRMSE1=0,0445. Рисунок 6 а отражает результаты тестирования НБЗ на обучающей выборке. Спроектированная НБЗ типа Сугено на основе субтрактивной кластеризации не вполне точно описывает экспериментальными данными (рисунок 6а). Согласно описанному выше подходу обучим данную модель ее с помощью ANFIS-алгоритма. Количество итераций обучения зададим равное 18. Согласно рисунку 6б можно сделать вывод, что точность модели возросла. Ошибки после ANFIS-обучения равны trnRMSE2= 0,0049 и chkRMSE2= 0,0275. На рисунке 7 представлена зависимость значений ошибок от количества итераций ANFIS-алгоритма. Анализ графика на рисунке 7 позволяет сделать вывод, что ошибка на тестовой выборке достигает наименьшего значения на 7-й итерации (chkRMSE=0,0246). При этом ошибка на обучающей выборке снижается на протяжении всех 18 итераций. Полученная нейро-нечеткая модель представлена на рисунке 8. ФП в посылках правил описываются кривыми гауссовского типа, согласно формуле (6) [2]: , (6) где b - координата максимума ФП; c - коэффициент концентрации ФП. Пример вида ФП для входной переменной in4 нечетким кластерам до обучения и после ANFIS-обучения представлены на рисунке 9. Параметры всех ФП представлены в таблице 1 Полученные значения заключений правил для базы знаний Сугено представлены в таблице 2. Исходя из таблицы 1 и 2 видно, что в результате ANFIS-обучения были уточнены как параметры ФП, так и параметры в заключениях нечетких правил. Сравним спроектированную НБЗ Сугено с базой знаний Мамдани. Проектирование базы знаний Мамдани реализовано с применением функции genfis3. Были выбраны следующие параметры алгоритма FCM: количество кластеров - 3; экспоненциальный вес - 2; значение улучшения целевой функции за одну итерацию - 0,00001; количество итераций - 100. В результате кластеризации получена матрица координат центров нечетких кластеров (каждая строка матрицы описывает центр одного кластера) (таблица 3) и матрица степеней принадлежности объектов кластерам. В результате из экспериментальных данных экстрагирована база знаний, также содержащая 3 нечетких правила (рисунок 10). Значения ошибок равны trnRMSE3= 0,0304 и chkRMSE3= 0,0349. Параметры ФП (гауссовского типа) представлены в таблице 5. На рисунке 11 представлены примеры ФП нечетким кластерам для одной входной и выходной переменной. Для оценки качества разбиения исходных данных на 3 нечетких кластера рассчитаем индекс Хей-Бени (Xei-Beni, XB) по формуле (7): (7) Полученное значение индекса XB согласно формуле (7) составило 0,5348. Хороший результат разбиения на нечеткие кластеры соответствует критерию XB<1. Таким образом, можно сделать вывод, что получено оптимальное разбиение на кластеры. Согласно таблицы 6 видно, что НБЗ Сугено на основе субтрактивной кластеризации и ANFIS-алгоритма лучше НБЗ Мамдани аппроксимирует исследуемую зависимость. Таким образом, в данной работе предложен и апробирован новый подход к оценке уровня компетентности операторов досмотра, заключающийся в применение аппаратурных методах мониторинга психофизиологического состояния обучающихся с последующим проектированием НБЗ. Рисунок 1 - Алгоритм субтрактивной кластеризации Рисунок 2 - Алгоритм нечетких с-средних D:\\1.jpg Рисунок 3 - Описательные статистики робастной оценки 4 Рисунок 5 - Схема спроектированной нечеткой базы знаний Сугено 12 а) б) Рисунок 6 - Результаты тестирования модели а) после субтрактивной кластеризации; б) после ANFIS-обучения D:\\2.jpg Рисунок 4 - Матрица факторных нагрузок 7 Рисунок 7 - Зависимость значений ошибок от количества итераций ANFIS-алгоритма 6 Рисунок 8 - Структура нейро-нечеткой модели Таблица 2 Заключения НБЗ Сугено Выходная переменная (out1) Кластер до обучения после ANFIS-обучения 1 2 3 cluster1 0,31+0,9432in1-0,2238in2-0,01595in3+0,4891in4 1,281+0,02203in1-0,01662in2-0,00039in3-0,3849in4 cluster2 -0,005155+0,1441in1+0,1199in2 +0,001565in3+0,3977in4 -0,154+0,1672in1+0,1938in2 +0,003474in3+0,4531in4 cluster3 0,7259+0,003549in1-2,492in2 +0,0007605in3+0,126in4 0,7096+0,00613in1+3,61in2 +0,002314in3+0,1281in4 4 4 а) б) Рисунок 9 - Пример функций принадлежности а) до обучения; б) после ANFIS-обучения Таблица 1 Параметры ФП НБЗ Сугено Входная переменная Кластер до обучения после ANFIS-обучения b c b’ c’ in1 cluster1 2,668 0,441 2,671 0,443 cluster2 3,413 0,441 3,413 0,444 cluster3 3,573 0,441 3,572 0,441 in2 cluster1 0,1 0,074 0,077 0,066 cluster2 0,1 0,074 0,126 0,070 cluster3 0 0,074 0,0005 0,075 in3 cluster1 1,967 0,859 1,967 0,861 cluster2 1,865 0,859 1,86 0,857 cluster3 3,452 0,859 3,452 0,860 in4 cluster1 0,987 0,035 0,986 0,039 cluster2 0,956 0,035 0,945 0,023 cluster3 0,865 0,035 0,866 0,038 Таблица 3 Координаты центров нечетких кластеров Кластер Координаты cluster1 3,263 0,032 3,276 0,895 cluster2 3,317 0,125 2,008 0,957 cluster3 2,617 0,074 1,944 0,981 8 Рисунок 10 - Схема синтезированной нечеткой базы знаний Мамдани Таблица 5 Параметры функций принадлежности базы знаний Мамдани Переменная Кластер b c 1 2 3 4 in1 cluster1 3,317 0,299 cluster2 3,264 0,254 cluster3 2,617 0,335 in2 cluster1 0,125 0,061 cluster2 0,052 0,031 cluster3 0,064 0,074 in3 cluster1 2,008 0,329 cluster2 3,279 0,516 cluster3 1,945 0,326 in4 cluster1 0,957 0,020 cluster2 0,894 0,037 cluster3 0,981 0,019 out1 cluster1 0,914 0,024 cluster2 0,0869 0,032 cluster3 0,946 0,017 а) б) Рисунок 11 - Функции принадлежности нечетким кластерам а) ФП нечетким кластерам переменной in4; а) ФП нечетким кластерам переменной out1 Таблица 6 Результаты сравнения полученных моделей Модель RMSE на обучающей выборке RMSE на тестовой выборке Модель Сугено (без ANFIS-обучения) 0,0084 0,0445 Модель Сугено (с ANFIS-обучением) 0,0049 0,0275 Модель Мамдани 0,0304 0,0349
1. Volkov An.K., Ionov V.V. Sovershenstvovanie organizacii professional'noy podgotovki operatorov dosmotra s primeneniem sistemy registracii dvizheniya glaz i metodov klasternogo i diskriminantnogo analiza // Nauchnyy vestnik MGTU GA. - 2018. - T. 21 (3). - C. 45-36
2. Shtovba S.D. Proektirovanie nechetkih sistem sredstvami MATLAB. - M.: Goryachaya liniya - Telekom, 2007. - 288 s
3. Shtovba S.D., Mazurenko V.V., Tylec R.O. Informacionnaya tehnologiya nechetkoy identifikacii dlya sinteza tochnyh, kompaktnyh i interpretabel'nyh baz znaniy // Computer Science and Telecommunications. - 2016. - № 1 (47). - S. 8-22
4. Glebov A.A. Model' kratkosrochnogo prognozirovaniya elektropotrebleniya s pomosch'yu neyronechetkih sistem // Yuzhno-Rossiyskiy vestnik geologii, geografii i global'noy energii. - 2006. - № 7 (20). - S. 142-146
5. Polkovnikova N.A., Kureychik V.M. Neyrosetevye tehnologii, nechetkaya klasterizaciya i geneticheskie algoritmy v ekspertnoy sisteme // Izvestiya YuFU. Tehnicheskie nauki - 2014. - №7 (156). - S. 7-15
6. Gashev S.N., Betlyaeva F. H., Lupinos M.Yu. Matematicheskie metody v biologii: Analiz biologicheskih dannyh v sisteme Statistica: uchebnoe posobie. Tyumen': Izdatel'stvo Tyumenskogo gosudarstvennogo universiteta, 2014. - 208 s
