Диссертация (Разработка системы поддержки принятия решения при обеспечении безопасности космонавтов в длительном космическом полете), страница 9

VFERKURT – пик распределения коэффициента напряжения голосовых связок.11. HNRMEDIAN – медиана коэффициента смыкания связок.12. HNRMEAN – среднее значение коэффициента смыкания связок.13. HNRSD – стандартное отклонение коэффициента смыкания связок.14. HNRSKEW – асимметрия распределения признаков коэффициента смыканиясвязок.4515. HNRKURT – пик распределения коэффициента смыкания связок.16. PPQ5MEDIAN – медиана коэффициента возмущения.17. PPQ5MEAN – среднее значение коэффициента возмущения.18.

PPQ5SD – стандартное отклонение коэффициента возмущения.19. PPQ5SKEW – асимметрия распределения признаков коэффициента возмущения.20. PPQ5KURT – пик распределения коэффициента возмущения.21. LTAS – наклон среднего спектра.22. EMSALL – наклон средней величины огибающей модуляции спектра.23. Оценка экспертов: 0 – отсутствие изменений, 1 – наличие изменений.На Рис. 2.9 представлены диаграммы распределений предикторов, составляющихвыборку исходных данных. Диаграммы построены в программном пакете STATISTICA.а)б)в)г)46д)е)ж)з)и)к)47л)м)н)о)п)р)48с)т)у)ф)х)ц)Рис.

2.9. Диаграммы распределения для предикторов выборки:49а) FXMEDIAN; б) FXMEAN; в) FXSD; г) FXKURT; д) FXSKEW; е) VFERMEDIAN; ж)VFERMEAN; з) VFERSD; и) VFERKURT; к) VFERSKEW; л) HNRMEDIAN; м) HNRMEAN; н)HNRSD; о) HNRKURT; п) HNRSKEW; р) PPQ5MEDIAN; с) PPQ5MEAN; т) PPQ5SD; у)PPQ5KURT; ф) PPQ5SKEW; х) LTAS; ц)EMSALLВышеприведеныгистограммыплотностейраспределениявыборкипсихофизиологических параметров (Рис. 2.9). Исходные данные были проверены нанормальность при помощи критерии Шапиро-Уилка.

В ходе проверки была подтверждено, чтораспределение близко к нормальному, значения критерия представлены в табл. 2.5.табл. 2.5№ п/пНаименование параметраЗначение критерия Шапиро-Уилка W1.FXMEDIAN0,942.FXMEAN0,963.FXSD0,984.FXKURT0,965.FXSKEW0,786.VFERMEDIAN0,967.VFERMEAN0,948.VFERSD0,969.VFERKURT0,9410.VFERSKEW0,7211.HNRMEDIAN0,9912.HNRMEAN0,9913.HNRSD0,9914.HNRKURT0,9915.HNRSKEW0,8916.PPQ5MEDIA0,9917.PPQ5MEAN0,9918.PPQ5SD0,9919.PPQ5KURT0,9020.PPQ5SKEW0,6821.LTAS0,9922.EMSALL0,9950Кроме того определены корреляционные взаимосвязи методом попарной корреляцииПирсона на уровне р <0,05, результаты приведены в табл. 2.6.51EMSALLLTASPPQ5SKEWPPQ5KURTPPQ5SDPPQ5MEANPPQ5MEDIAHNRSKEWHNRKURTHNRSDHNRMEANHNRMEDIANVFERSKEWVFERKURTVFERSDVFERMEANVFERMEDIANFXSKEWFXKURTFXSDFXMEANFXMEDIANтабл. 2.6FXMEDIAN1,000,930,43 -0,60-0,390,030,030,030,13-0,160,020,08 0,09 0,24 -0,06 0,26 0,21 0,18 0,51 -0,07 -0,21 -0,02FXMEAN0,931,000,67 -0,60-0,470,010,030,070,23-0,24-0,08-0,02 0,10 0,34 -0,13 0,39 0,35 0,32 0,49 -0,19 -0,10 -0,03FXSD0,430,671,00 -0,25-0,33-0,020,030,120,34-0,32-0,38-0,34 0,05 0,47 -0,28 0,50 0,49 0,46 0,25 -0,39 0,18 -0,02FXKURT-0,60-0,60 -0,251,000,89-0,07-0,070,02-0,130,110,170,14 -0,07 -0,25 0,15 -0,37 -0,36 -0,34 -0,30 0,27 0,12 0,01FXSKEW-0,39-0,47 -0,330,891,000,00-0,01-0,07-0,220,200,230,21 -0,09 -0,28 0,22 -0,38 -0,39 -0,39 -0,13 0,37 0,01 0,02VFERMEDIAN0,030,01-0,02 -0,070,001,000,96-0,76-0,610,56-0,17-0,19 -0,17 -0,10 0,09 0,34 0,31 0,30 0,31 -0,13 0,04 0,17VFERMEAN0,030,030,03 -0,07-0,010,961,00-0,81-0,480,56-0,22-0,25 -0,18 -0,10 0,09 0,40 0,37 0,35 0,35 -0,17 0,07 0,21VFERSD0,030,070,120,02-0,07-0,76-0,811,000,53-0,650,070,10 0,32 0,21 -0,20 -0,30 -0,26 -0,24 -0,32 0,06 0,00 -0,20VFERKURT0,130,230,34 -0,13-0,22-0,61-0,480,531,00-0,81-0,20-0,19 0,18 0,27 -0,29 0,14 0,17 0,18 -0,07 -0,18 0,09 -0,08VFERSKEW-0,16-0,24 -0,320,110,200,560,56-0,65-0,811,000,180,16 -0,21 -0,33 0,33 -0,06 -0,09 -0,11 0,09 0,12 -0,08 0,15HNRMEDIAN0,02-0,08 -0,380,170,23-0,17-0,220,07-0,200,181,000,97 -0,09 -0,69 0,57 -0,44 -0,43 -0,41 -0,06 0,41 -0,39 -0,14HNRMEAN0,08-0,02 -0,340,140,21-0,19-0,250,10-0,190,160,971,00 -0,17 -0,57 0,58 -0,44 -0,44 -0,42 -0,04 0,43 -0,40 -0,15HNRSD0,090,100,05 -0,07-0,09-0,17-0,180,320,18-0,21-0,09-0,17 1,00 0,15 -0,47 -0,05 -0,03 -0,03 -0,08 -0,05 0,04 -0,14HNRKURT0,240,340,47 -0,25-0,28-0,10-0,100,210,27-0,33-0,69-0,57 0,15 1,00 -0,69 0,25 0,24 0,23 0,05 -0,25 0,22 0,00HNRSKEW-0,06-0,13 -0,280,220,090,09-0,20-0,290,330,570,58 -0,47 -0,69 1,00 -0,24 -0,25 -0,25 0,10 0,33 -0,17 0,020,1552PPQ5MEDIA0,260,390,50 -0,37-0,380,340,40-0,300,14-0,06-0,44-0,44 -0,05 0,25 -0,24 1,00 0,97 0,94 0,27 -0,74 0,07 0,05PPQ5MEAN0,210,350,49 -0,36-0,390,310,37-0,260,17-0,09-0,43-0,44 -0,03 0,24 -0,25 0,97 1,00 0,99 0,22 -0,75 0,07 0,04PPQ5SD0,180,320,46 -0,34-0,390,300,35-0,240,18-0,11-0,41-0,42 -0,03 0,23 -0,25 0,94 0,99 1,00 0,21 -0,70 0,06 0,03PPQ5KURT0,510,490,25 -0,30-0,130,310,35-0,32-0,070,09-0,06-0,04 -0,08 0,05 0,10 0,27 0,22 0,21 1,00 0,24 -0,09 0,09PPQ5SKEW-0,07-0,19 -0,390,270,37-0,13-0,170,06-0,180,120,410,43 -0,05 -0,25 0,33 -0,74 -0,75 -0,70 0,24 1,00 -0,16 0,01LTAS-0,21-0,100,180,120,010,040,070,000,09-0,08-0,39-0,40 0,04 0,22 -0,17 0,07 0,07 0,06 -0,09 -0,16 1,00 0,11EMSALL-0,02-0,03 -0,020,010,020,170,21-0,20-0,080,15-0,14-0,15 -0,14 0,00 0,02 0,05 0,04 0,03 0,09 0,01 0,11 1,00532.5.Выводы по главе 21.

Сформулирована специфическая задача классификации, выбраны методы ее решения,такие как байесовская классификация и дискриминантный анализ.2. Произведен статистический анализ данных для тестирования разрабатываемой системыподдержки принятия решения.54ГЛАВА 3.3.1.Описание программного комплексаОбщая структура алгоритма реализации байесовского классификатораПри моделировании БК была использована следующая общая структура алгоритма,предложенная на Рис.

3.1. Она показывает последовательность процессов, которые происходятпри работе программы для системы поддержки принятия решений. Процесс проходит внесколько «условных» этапов:1) на вход системе поступают данные для обучения. Необходимо обратить особоевнимание на природу и качество исходных данных, так как от этого непосредственнозависит точность работ классификатора;2) в ходе обучения происходит вычисление правдоподобийи определение, скакой частотой каждый признак принадлежит тому или иному классу;3) затем на вход поступают данные для классификации в виде вектора или системывекторов;4) в ходе классификации происходит вычисление правдоподобийдля каждогоиз параметров и по формуле (2.13) перемножение и вычисление апостериорнойвероятностидля каждого класса;5) затем по формуле (2.15) происходит сравнение апостериорных вероятностейи наблюдению с вектором данных присваивается класс, которому принадлежитмаксимальная апостериорная вероятность.55,Рис.

3.1. Общая структура алгоритма БКБолее подробно рассмотрим алгоритм обучения БК для нормально распределенныхданных, который представлен на Рис. 3.2. На вход поступает обучающая выборка,заблаговременно подготовленная и размеченная по классам. Для каждого класса происходитвычисление дисперсии и математического ожидания для расчета плотности нормальногораспределения.

Затем формируется матрица, состоящая из дисперсий и математическихожиданий, что является обученным классификатором, готовым к работе с новыми данными.56Рис. 3.2. Алгоритм обучения БКДалее рассмотрим более подробно алгоритм классификации БК новых данных, которыйпредставлен на Рис. 3.3. На вход поступают данные для классификации в виде вектора илисистемы векторов. Затем для каждого из классов рассчитывается произведение элементовплотностейвероятности,посути,являющимисяапостериорнымивероятностями,соответствующих каждому классу. Далее необходимо применить решающее правило (2.20) исравнить значения апостериорных вероятностей всех классов для каждого вектора данных ивыбрать максимальную, которая будет соответствовать наиболее вероятному классу.

Послечего выбранный класс присваивается текущему вектору данных; на этом классификацияоканчивается.57Рис. 3.3. Алгоритм классификации БКВ соответствии с этапностью моделирования БК на Рис. 3.4 представлена структурапользовательской программы системы поддержки принятия решения. Из представленной схемывидно, что процесс имеет следующую последовательность. Есть возможность загрузки ранееобученного классификатора. Если требуется обучение пользовательской программы на новыхданных, то требуется их загрузка в виде обучающей выборки. Затем проводится обучениепрограммы. На этапе тестирования предлагается провести k-фолдовую кросс-валидацию,количество фолдов задается произвольно. В ходе тестирования проводится ROC-анализ,вычисляются площади под кривой AUC, подбирается оптимальный порог отсечения.

Задаетсяоптимальный классификатор. Затем на вход подается тестовая выборка для пониманияпредрасположенности классификатора к переобучению, после чего программа готова кклассификации новых задач без заранее известного ответа с заданной вероятностью вернойклассификации.58Рис. 3.4 Структура пользовательской программы на базе БК59На Рис. 3.5 представлена схема комплекса систем жизнеобеспечения (КСОЖ),составленная на основе ГОСТ Р50804-95 [21] в нее внедрена разработанная СППР и показано еёвзаимодействие с другими система и подсистема пилотируемого космического аппарата.Рис. 3.5 Схема взаимодействия систем КА и экипажа с СППРБолее подробно рассмотрим систему медицинского обеспечения (СМО), которая состоитиз средств медицинского контроля (СМК), средств медицинской профилактики (СМП) исредств оказания медицинской помощи космонавту (СОМП).