论文部分内容阅读
近些年来,随着自动化技术的快速发展,人机系统(HMS)得到了广泛的使用。然而,人类操作员作为HMS中一个重要但又脆弱的环节,由于其功能状态常常受到外界因素的干扰,因而处于不稳定状态,将导致整个生产过程发生灾难性的事故。因此,对操作员执行任务过程中的精神负荷(MWL)做出客观准确的识别,及时合理的调节操作员和机器的任务比重,实现人机系统的协调运作,从整体上提高人机系统的效率,降低事故发生率。本文通过采集操作员执行任务过程中的生理信号,使用深度学习算法对操作员的MWL实现自动的特征提取和分类识别。 本研究主要内容包括:⑴将深度学习算法中的卷积神经网络(CNN)应用于MWL分类中。首先从CNN的深度和参数学习算法这两个角度讨论选择最佳的模型,分别讨论了5种CNN深度和4种参数学习算法的组合;然后为进一步提高模型的鲁棒性和分类精度,设计集成卷积神经网络模型(ECNN)。在ECNN设计中,首先使用重采样策略生成不同的训练样本,然后训练得到具有差异的CNN基模型,讨论分别使用3种集成机制(投票法、加权和堆栈)将多个CNN模型分类结果组合,得到最终的MWL类别。研究结果表明,所提出的ECNN与单个CNN模型相比,显著提高了MWL的分类精度。和传统的浅层机器学习算法相比,ECNN由于其深层的网络结构以及能够自动提取输入数据的特征并分类,其也具有更高的分类精度。⑵将深度学习算法中深度信念网络(DBN)应用于MWL分类中。这部分内容主要集中在两个方面:首先是DBN最优结构的讨论,其次是选择与操作员MWL分类问题关联度最大的电极。具体来说,在RBM结构确定中,使用了试凑法和基于熵的剪枝算法这两种方法,结果表明,剪枝方法确定的结构在分类精度上优于试凑法。在RBM结构确定完成后,针对每个被试训练RBM网络参数,然后基于输入电极和RBM网络权值计算各个电极的重要度。通过对6个被试的研究表明,所选择出的电极可以保证较高的MWL分类精度,并且能够减少计算时间。