CN107957980A - 一种出错-认知与设计间的关联效应分析方法 - Google Patents
一种出错-认知与设计间的关联效应分析方法 Download PDFInfo
- Publication number
- CN107957980A CN107957980A CN201711222085.8A CN201711222085A CN107957980A CN 107957980 A CN107957980 A CN 107957980A CN 201711222085 A CN201711222085 A CN 201711222085A CN 107957980 A CN107957980 A CN 107957980A
- Authority
- CN
- China
- Prior art keywords
- error
- functional areas
- mrow
- visual perception
- interface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种出错‑认知与设计间的关联效应分析方法,用于信息系统交互界面。根据任务、图标特点对交互界面进行功能区的划分,确定交互界面的操作规程,确定可能的出错方式,得到各功能区的出错概率;构建各功能区基于出错因子的层次结构评价模型,得到各功能区基于出错因子位置的位置重要度权重值;结合出错概率以及基于出错因子的权重值,得到各功能区的综合权重和排序;基于视觉感知强度理论建立视觉传达指数模型,采用遗传算法得到求解方案,为信息交互界面的优化提供依据。该方法可为信息交互界面提供可行的设计方法,为信息界面的设计改良提供依据。
Description
技术领域
本发明涉及一种出错-认知与设计间的关联效应分析方法,特别涉及一种用于信息系统交互界面的出错-认知与设计间的关联效应分析方法。
技术背景
随着信息技术的发展,传统的操作机器多为智能化信息系统取代,操作员的主要任务也从对物理元件的手动控制转变为对数字化界面的监控和决策,一方面提高了系统的工作效率以及可靠性,另一方面数字化界面信息量大,增加了操作员的认知负荷,而数字化界面是操作员获取信息的最主要途径,若界面布局不合理,极易造成重大事故。因此如何对操作界面进行合理的布局是减少出错所需解决的首要问题
因此,本文将研究出错-认知-设计间的关联效应关系,在出错和设计之间加入认知作为二者的转化桥梁,使如何优化界面信息这一过程,从出错因子的导入,结合信息界面的视觉认知行为,展开复杂信息界面的优化求解过程。
发明内容
本发明提供一种出错-认知与设计间的关联效应分析方法,可分析信息系统交互界面的出错问题,为设计改良提供一种可靠的分析方法。根据CREAM法,得到各功能区的出错概率;基于出错因子建立各功能区的评价模型,得到基于出错因子的各功能区位置重要度权重;结合出错概率以及位置重要度权重,得到功能区重要度排序;根据视觉感知理论,建立目标函数,获得视觉传达指数最高的界面布局方式,从而获得出错-认知到界面优化设计的求解方案;该方法可为信息交互界面提供可行的设计方法,为信息界面的设计改良提供依据。
一种出错-认知与设计间的关联效应分析方法,包括如下步骤:
(1)根据任务、图标特点对交互界面进行功能区的划分,确定交互界面的操作规程,确定可能的出错方式,得到各功能区的出错概率;
(2)构建各功能区基于出错因子的层次结构评价模型,得到各功能区基于出错因子位置的位置重要度权重值;
(3)结合出错概率以及基于出错因子的权重值,得到各功能区的综合权重和排序;
(4)基于视觉感知强度理论建立视觉传达指数模型,采用遗传算法得到求解方案,为信息交互界面的优化提供依据。
所述步骤(1)中的出错概率的确定,包括如下步骤:
(2-1)功能区的划分
确定适当的交互界面I,根据任务及图标特点对界面进行功能区{A,B,C……}的划分,I={A,B,C……}
(2-2)确定界面的操作规程
根据选定的交互界面,确定操作事件,并确定操作顺序,Step1、Step2、Step3……
(2-3)确定各功能区的出错概率
根据操作规程,确定每一步可能发生的出错方式,根据CREAM法对出错进行归类,并得到每一步的基本出错概率,将与该功能区有关步骤的出错概率相加,即为该功能区的出错概率。
所述步骤(2-3)中CREAM法的步骤如下:
步骤1:根据操作规程,确定该步骤所属功能区,确定每一步可能发生的出错方式;
步骤2::根据出错表征,确定出错类型,查询Hollnagel提出的认知出错概率基本预测表,得到该步骤的基本出错预测概率,根据CREAM法对出错进行归类,Hollnagel提出的认知出错概率基本预测值如表1所示:
表1:认知出错概率基本预测值
步骤3:根据出错表征,查询对应表格,获得每一步的基本出错概率,如表2所示,功能区的相应步骤的出错率相加,得到各功能区的出错概率。
表2:各功能区出错因子分析
Step | 出错方式 | 出错类型 | 出错概率 | 所属功能区 |
1 | O1+E1 | P1 | A | |
2 | O1+I2+E3 | P2 | D | |
3 | O3+P2 | P3 | A | |
…… | …… | …… | …… | |
n | O2+E1 | Pn | F |
所述步骤(2)中的基于出错因子的各功能区位置重要度权重值的确定,包括如下步骤:
(4-1)建立层次结构评价模型树
影响功能区重要度的因素较多,必须综合多方面进行考虑,根据界面在实际中的应用做具体分析,从而选择合适的因素。然而无论何种界面,从出错因子出发,都需要考虑出错的预防、出错的恢复以及出错的影响,因此可以从这三个方面来考虑建立交互界面的层次结构评价模型树,分别为出错预防,出错恢复,出错影响。
(4-2)确定基于出错因子的位置重要度权重值
邀请工作经验丰富的操作员根据上述评价模型对各个功能区的每个因素进行评价,其中,评价尺度采用五标度法,即:
1——非常不满意;2——不满意;
3——中立;4——满意;5——非常满意
由于当某一功能区相对评分较高时,在进行界面布局时该功能区便可布局在注视分布较少的位置,即其位置重要度就较小,故在功能区的权重计算时,取评价值的倒数。将各功能区的各项评价因素的评分取倒数后进行相加,作为各功能区的位置重要度权重值。
所述步骤(3)中的视觉感知强度,包括如下步骤:
(5-1)最强视觉感知区的确定
确定人在对数字化界面进行监控时观察次数最多且观察时间最长的区域,作为视觉感知最强的区域,通过如下方法:
选取多种数字化界面为实验素材,模拟操作员监控数字化界面时的情景,采用眼动仪记录下操作员的眼动数据,分析眼动数据,确定视觉感知最强的区域;
(5-2)视觉感知强度的划分
以视觉感知最强的区域为圆心作n个同心圆,其半径呈等差数列,例如5mm,10mm,15mm……,即分为n个强度等级;
强度等级权重取其等级的倒数,即j级强度的权重为1/j。
(5-3)界面栅格化
为便于量化计算,将原始界面进行栅格化,用边长为a的小正方形进行网格划分。
(5-4)确定各功能区在各强度等级所占的面积
确定在遗传算法下的各种布局中,各功能区在各强度等级所占的面积,即格数;
(5-5)优化模型
i功能区的感知强度
视觉感知强度的人机交互界面布局优化模型:
其中,ri为i功能区的感知强度,Z为视觉传达指数,di为i功能区所在区域的强度等级权重,hi为i功能区基于出错因子的权重值,sij为功能区i分布在j强度等级的面积,即格数;
同时该模型需满足如下约束条件:
(5-6)求解方法
采用遗传算法求出视觉传达指数最高的布局方式,具体求解方法如下:
1)模型编码
由于人机交互界面的布局需要考虑如何合理地布置在各个区域,同时还要保证各功能区布置在相连的区域内,因此在用遗传算法求解染色体时编码规则可采用功能区编号作为求解染色体的一个基因片段,可行的染色体编码为
P1:(a c f d k l g b e h Ij)
P2:(c g f a b d e h i j l k)
2)染色体编码求解
①取基因段尚未进行布置的基因编码,根据该编码获取当前进行布置的视觉感知元素的、等信息。
②根据视觉感知区域等级,由高到低,获取尚未布置的视觉感知元素的各视觉感知区域信息,根据面积匹配规则将视觉感知元素布置到该视觉感知区域。
③判断当前视觉感知区域是否能够完全布置该视觉感知元素,若不能,转步骤④;若能,转步骤⑤。
④获取下一等级视觉感知区域,与前序待布置视觉感知区域一起,根据面积匹配规则进行视觉感知元素布置,转步骤③
⑤计算出该视觉感知元素布置完成后的值。
⑥判断当前编码所有染色体是否全部解码结束,是,则转步骤⑦,否则转步骤①;
⑦根据计算的各结果,获取当前染色编码的Z值,并获取各视觉感知元素在各感知区域的分布信息,完成单个染色体的求解计算。
本发明所达到的有益效果:
1)通过结合人因可靠性和视觉感知理论建立出错因子与设计的关联效应的求解过程是一种有效地减少人为差错的方法。本发明中将设计的出发点定位到出错-认知的分析角度,是设计人员可以直接找到事故、系统故障的本源问题。
2)本发明的出错-认知到设计的优化方法适用于各种智能化信息系统交互界面,并结合不同任务环境下提取出错因子,可直接获得设计的求解过程,设计人员可直接进行设计,方便快捷
附图说明
图1是本方法示意图;
图2是本发明中层次结构模型树;
图3是视觉感知强度示意图一;
图4是视觉感知强度示意图二;
图5是核电厂主控室安注界面原型;
图6是安注界面原型的功能区划分;
图7是原型界面网格划分;
图8是基于出错因子的功能区评价模型树;
图9是基于本方法的安注界面优化模型。
具体实施方法
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种出错-认知与设计间的关联效应分析方法,包括如下步骤:
(1)根据任务、图标特点对交互界面进行功能区的划分,确定交互界面的操作规程,确定可能的出错方式,得到各功能区的出错概率;
(2)构建各功能区基于出错因子的层次结构评价模型,得到各功能区基于出错因子位置的位置重要度权重值;
(3)结合出错概率以及基于出错因子的权重值,得到各功能区的综合权重和排序;
(4)基于视觉感知强度理论建立视觉传达指数模型,采用遗传算法得到求解方案,为信息交互界面的优化提供依据。
所述步骤(1)中的出错概率的确定,包括如下步骤:
(2-1)功能区的划分
确定适当的交互界面I,根据任务及图标特点对界面进行功能区{A,B,C……}的划分,I={A,B,C……}
(2-2)确定界面的操作规程
根据选定的交互界面,确定操作事件,并确定操作顺序,Step1、Step2、Step3……
(2-3)确定各功能区的出错概率
根据操作规程,确定每一步可能发生的出错方式,根据CREAM法对出错进行归类,并得到每一步的基本出错概率,将与该功能区有关步骤的出错概率相加,即为该功能区的出错概率。
所述步骤(2-3)中CREAM法的步骤如下:
步骤1:根据操作规程,确定该步骤所属功能区,确定每一步可能发生的出错方式;
步骤2::根据出错表征,确定出错类型,查询Hollnagel提出的认知出错概率基本预测表,得到该步骤的基本出错预测概率,根据CREAM法对出错进行归类,Hollnagel提出的认知出错概率基本预测值如表1所示:
表1:认知出错概率基本预测值
步骤3:根据出错表征,查询对应表格,获得每一步的基本出错概率,如表2所示,功能区的相应步骤的出错率相加,得到各功能区的出错概率。
表2:各功能区出错因子分析
Step | 出错方式 | 出错类型 | 出错概率 | 所属功能区 |
1 | O1+E1 | P1 | A | |
2 | O1+I2+E3 | P2 | D | |
3 | O3+P2 | P3 | A | |
…… | …… | …… | …… | |
n | O2+E1 | Pn | F |
所述步骤(2)中的基于出错因子的各功能区位置重要度权重值的确定,包括如下步骤:
(4-1)建立层次结构评价模型树
影响功能区重要度的因素较多,必须综合多方面进行考虑,根据界面在实际中的应用做具体分析,从而选择合适的因素。然而无论何种界面,从出错因子出发,都需要考虑出错的预防、出错的恢复以及出错的影响,因此可以从这三个方面来考虑建立交互界面的层次结构评价模型树,分别为出错预防,出错恢复,出错影响,如图2所示。
(4-2)确定基于出错因子的位置重要度权重值
邀请工作经验丰富的操作员根据上述评价模型对各个功能区的每个因素进行评价,其中,评价尺度采用五标度法,即:
1——非常不满意;2——不满意;
3——中立;4——满意;5——非常满意
由于当某一功能区相对评分较高时,在进行界面布局时该功能区便可布局在注视分布较少的位置,即其位置重要度就较小,故在功能区的权重计算时,取评价值的倒数。将各功能区的各项评价因素的评分取倒数后进行相加,作为各功能区的位置重要度权重值。
所述步骤(3)中的视觉感知强度,包括如下步骤:
(5-1)最强视觉感知区的确定
确定人在对数字化界面进行监控时观察次数最多且观察时间最长的区域,作为视觉感知最强的区域,通过如下方法:
选取多种数字化界面为实验素材,模拟操作员监控数字化界面时的情景,采用眼动仪记录下操作员的眼动数据,分析眼动数据,确定视觉感知最强的区域;
(5-2)视觉感知强度的划分
以视觉感知最强的区域为圆心作n个同心圆,其半径呈等差数列,例如5mm,10mm,15mm……,即分为n个强度等级;如图2所示。
强度等级权重取其等级的倒数,即j级强度的权重为1/j。
(5-3)界面栅格化
为便于量化计算,将原始界面进行栅格化,用边长为a的小正方形进行网格划分如图4所示。
(5-4)确定各功能区在各强度等级所占的面积确定在遗传算法下的各种布局中,各功能区在各强度等级所占的面积,即格数;
(5-5)优化模型
i功能区的感知强度
视觉感知强度的人机交互界面布局优化模型:
其中,ri为i功能区的感知强度,Z为视觉传达指数,di为i功能区所在区域的强度等级权重,hi为i功能区基于出错因子的权重值,sij为功能区i分布在j强度等级的面积,即格数;
同时该模型需满足如下约束条件:
(5-6)求解方法
采用遗传算法求出视觉传达指数最高的布局方式,具体求解方法如下:
3)模型编码
由于人机交互界面的布局需要考虑如何合理地布置在各个区域,同时还要保证各功能区布置在相连的区域内,因此在用遗传算法求解染色体时编码规则可采用功能区编号作为求解染色体的一个基因片段,可行的染色体编码为
P1:(a c f d k l g b e h Ij)
P2:(c g f a b d e h i j l k)
4)染色体编码求解
①取基因段尚未进行布置的基因编码,根据该编码获取当前进行布置的视觉感知元素的、等信息。
②根据视觉感知区域等级,由高到低,获取尚未布置的视觉感知元素的各视觉感知区域信息,根据面积匹配规则将视觉感知元素布置到该视觉感知区域。
③判断当前视觉感知区域是否能够完全布置该视觉感知元素,若不能,转步骤④;若能,转步骤⑤。
④获取下一等级视觉感知区域,与前序待布置视觉感知区域一起,根据面积匹配规则进行视觉感知元素布置,转步骤③
⑤计算出该视觉感知元素布置完成后的值。
⑥判断当前编码所有染色体是否全部解码结束,是,则转步骤⑦,否则转步骤①
⑦根据计算的各结果,获取当前染色编码的Z值,并获取各视觉感知元素在各感知区域的分布信息,完成单个染色体的求解计算。
实施例
为了验证由出错-认知到设计关联效应的优化方法的合理性,将复杂信息系统的监控任务界面作为例证进行应用,如图4所示,误安注为国内较为常见的核电厂事件,出现频率较高,在同一界面上即可完成某一操作单的全部任务,无需多个界面来回切换,故选取某核电厂主控室误安注工况下的人机界面作为原型进行分析,并根据图标和功能作用对界面功能区进行划分,如图5所示。下面将针对这些交互界面的布局,按照出错-认知到设计信息的关联效应方法进行误安注界面的设计优化。
首先选取误安注界面的操作规程,并分析可能发生的出错方式:
1)检查A系列执行器RPR002YBD是否处于安注状态,未观察到执行器是否处于安注状态,出错概率0.071;
2)检查B系列执行器RPR003YBD是否处于安注状态,未观察到执行器是否处于安注状态,出错概率0.071
3)检查阀门RIS032VP、RIS033VP、RIS034VP、RIS035VP是否处于开启状态,未观察到全部阀门的状态或没有观察到正确的阀门,出错概率0.071
4)检查阀门RIS061VP、RIS062VP是否处于开启状态,未观察到正确的阀门或未观察到全部阀门的状态,出错概率0.071
5)检查LHA/LHB003KG,以确认柴油机重复载荷记忆是否运行,未观察到正确的目标,或观察到了探测器的状态,但状态识别出错,出错概率0.27
6)检查A、B系列RPA369KS、RPB369KS的状态,以确认再循环记忆指示灯的状态未观察到正确的指示灯,或观察到了指示灯的状态,但状态识别出错,出错概率0.001
7)检查安注流量RIS001MD是否小于25m3/h,未观察到正确的目标,或观察到了正确的流量值,但识别出错,或识别正确,但执行(是、否)操作时出错,或未执行该操作,出错机概率
8)检查安注流量RIS099MD是否小于25m3/h,未观察到正确的目标,或观察到了正确的流量值,但识别出错,或识别正确,但执行(是、否)操作时出错,或未执行该操作,出错概率
9)检查是否至少有一个化学和容积控制泵,即RCV泵处于运行状态,观察到了泵的运行情况,但识别出错,出错概率0.21
10)检查阀门RIS032VP或RIS033VP是否处于开启状态,未观察到RIS032VP或RIS033VP的状态,出错概率0.071
11)检查阀门RIS034VP或RIS035VP是否处于开启状态,未观察到RIS034VP或RIS035VP的状态,出错概率0.071
步骤1:将各出错因子归类到其所在的功能区内,得到各个功能区所有的出错因子,并将各出错因子的概率相加,得到各个功能区的出错概率预测值,并将各出错率进行归一化处理,得到各功能区基于出错因子的权重值,如下表3所示:
表3:各功能区基于出错因子的权重值
步骤2:从出错的预防、出错的恢复、出错的影响三个方面构建层次结构模型树如图8所示,取倒数后个功能区的评分以及权重值如表4所示:
表4:各功能区评分及权重值
功能区 | A | B | C | D | E | F | G | H | I | J | K | L |
评分 | 3.23 | 2.5 | 2.87 | 3.2 | 2.33 | 3.33 | 2.67 | 4.2 | 3.6 | 3.23 | 2.8 | 3.5 |
权重值 | 0.09 | 0.07 | 0.08 | 0.09 | 0.06 | 0.09 | 0.07 | 0.11 | 0.10 | 0.09 | 0.07 | 0.09 |
步骤3:基于以上出错因子和界面任务所得的权重,计算平均权重值如表5所示:
表5:各功能区综合权重及排序
步骤4:将界面栅格化如图7所示,确定各功能区所占面积(格数)
步骤5:求解得到优化结果为:ALBCDHIJFGEK,由此得到的优化界面如图9所示。
Claims (5)
1.一种出错-认知与设计间的关联效应分析方法,用于信息系统交互界面,其特征包括如下步骤:
(1)根据任务、图标特点对交互界面进行功能区的划分,确定交互界面的操作规程,确定可能的出错方式,得到各功能区的出错概率;
(2)构建各功能区基于出错因子的层次结构评价模型,得到各功能区基于出错因子位置的位置重要度权重值;
(3)结合出错概率以及基于出错因子的权重值,得到各功能区的综合权重和排序;
(4)基于视觉感知强度理论建立视觉传达指数模型,采用遗传算法得到求解方案,为信息交互界面的优化提供依据。
2.根据权利要求1所述的一种出错-认知与设计间的关联效应分析方法,其特征在于,所述步骤(1)中的出错概率的确定,包括如下步骤:
(2-1)功能区的划分
确定适当的交互界面I,根据任务及图标特点对界面进行功能区(A、B、C……)的划分,即,I={A,B,C……};
(2-2)确定界面的操作规程
根据选定的交互界面,确定操作事件,并确定操作顺序,Step1、Step2、Step3……;
(2-3)确定各功能区的出错概率
根据操作规程,确定每一步可能发生的出错方式,根据CREAM法对出错进行归类,并得到每一步的基本出错概率,将与该功能区有关步骤的出错概率相加,即为该功能区的出错概率。
3.根据权利要求2所述的一种出错-认知与设计间的关联效应分析方法,其特征在于,所述步骤(2-3)中CREAM法的步骤如下:
步骤1:根据操作规程,确定该步骤所属功能区,确定每一步可能发生的出错方式;
步骤2:根据出错表征,确定出错类型,查询Hollnagel提出的认知出错概率基本预测表,得到该步骤的基本出错预测概率;
步骤3:将相同功能区的出错率相加,得到各功能区的出错概率。
4.根据权利要求1所述的一种出错-认知与设计间的关联效应分析方法,其特征在于,所述步骤(2)中的基于出错因子的各功能区位置重要度权重值的确定,包括如下步骤:
(4-1)建立层次结构评价模型树
建立交互界面的层次结构评价模型树,基于如下三个方面:出错预防,出错恢复,出错影响;
(4-2)确定基于出错因子的位置重要度权重值
根据上述评价模型树对各个功能区的每个因素进行评价,其中,评价尺度采用五标度法,即:
1——非常不满意;2——不满意;
3——中立;4——满意;5——非常满意
在功能区的权重计算时,取评价值的倒数,将各功能区的各项评价因素的评分取倒数后进行相加,作为各功能区的位置重要度权重值。
5.根据权利要求1所述的一种出错-认知与设计间的关联效应分析方法,其特征在于,所述步骤(3)中的视觉感知强度,包括如下步骤:
(5-1)最强视觉感知区的确定
确定人在对数字化界面进行监控时观察次数最多且观察时间最长的区域,作为视觉感知最强的区域,通过如下方法:
选取多种数字化界面为实验素材,模拟操作员监控数字化界面时的情景,采用眼动仪记录下操作员的眼动数据,分析眼动数据,确定视觉感知最强的区域;
(5-2)视觉感知强度的划分
以视觉感知最强的区域为圆心作n个同心圆,其半径呈等差数列,分为n个强度等级,强度等级权重取其等级的倒数;
(5-3)界面栅格化
将原始界面进行栅格化,用边长为a的小正方形进行网格划分;
(5-4)确定各功能区在各强度等级所占的面积
确定在遗传算法下的各种布局中,各功能区在各强度等级所占的面积,即格数;
(5-5)优化模型
i功能区的感知强度
视觉感知强度的人机交互界面布局优化模型:
其中,ri为i功能区的感知强度,Z为视觉传达指数,di为i功能区所在区域的强度等级权重,hi为i功能区基于出错因子的权重值,sij为功能区i分布在j强度等级的面积,即格数;
同时该模型需满足如下约束条件:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>s</mi>
</mrow>
(5-6)求解方法
采用遗传算法求出视觉传达指数最高的布局方式,具体求解方法如下:
(5-6-1)模型编码
采用功能区编号作为求解染色体的一个基因片段,可行的染色体编码为
P1:(a c f d k l g b e h Ij)
P2:(c g f a b d e h i j l k)
(5-6-2)染色体编码求解
①取基因段尚未进行布置的基因编码,根据该编码获取当前进行布置的视觉感知元素的di、sj的信息;
②根据视觉感知区域等级,由高到低,获取尚未布置的视觉感知元素的各视觉感知区域信息,根据面积匹配规则将视觉感知元素布置到该视觉感知区域;
③判断当前视觉感知区域是否能够完全布置该视觉感知元素,若不能,转步骤④;若能,转步骤⑤;
④获取下一等级视觉感知区域,与前序待布置视觉感知区域一起,根据面积匹配规则进行视觉感知元素布置,转步骤③;
⑤计算出该视觉感知元素布置完成后的rj值;
⑥判断当前编码所有染色体是否全部解码结束,是,则转步骤⑦,否则转步骤①;
⑦根据计算的各结果,获取当前染色编码的Z值,并获取各视觉感知元素在各感知区域的分布信息,完成单个染色体的求解计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222085.8A CN107957980A (zh) | 2017-11-29 | 2017-11-29 | 一种出错-认知与设计间的关联效应分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222085.8A CN107957980A (zh) | 2017-11-29 | 2017-11-29 | 一种出错-认知与设计间的关联效应分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107957980A true CN107957980A (zh) | 2018-04-24 |
Family
ID=61962840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711222085.8A Pending CN107957980A (zh) | 2017-11-29 | 2017-11-29 | 一种出错-认知与设计间的关联效应分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107957980A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064029A (zh) * | 2018-08-03 | 2018-12-21 | 贵州大学 | 基于认知特性的信息界面布局美度评价方法 |
CN111144752A (zh) * | 2019-12-26 | 2020-05-12 | 西安交通大学 | 基于遗传算法的核电厂失水事故安注流量需求分析方法 |
CN113704843A (zh) * | 2021-08-31 | 2021-11-26 | 沈阳工业大学 | 一种基于可达域的激光增材制造装备人机界面布局优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020007761A (ko) * | 2000-07-19 | 2002-01-29 | 오종식 | 지문인식기술을 이용한 물품보관함 관리시스템 |
CN101673168A (zh) * | 2008-09-09 | 2010-03-17 | 联想(北京)有限公司 | 在交互界面上进行目标对象选中的方法及装置 |
CN104007981A (zh) * | 2014-06-13 | 2014-08-27 | 河海大学常州校区 | 一种基于出错-认知映射模型的人机交互界面设计方法 |
CN104392144A (zh) * | 2014-12-09 | 2015-03-04 | 河海大学常州校区 | 一种视觉信息界面出错因子的生理实验分析方法 |
CN104462683A (zh) * | 2014-12-02 | 2015-03-25 | 河海大学常州校区 | 由出错-认知到信息特征映射的信息交互界面优化方法 |
CN105930044A (zh) * | 2016-04-20 | 2016-09-07 | 乐视控股(北京)有限公司 | 一种显示页面定位的方法和系统 |
CN106569956A (zh) * | 2016-11-18 | 2017-04-19 | 湖南工学院 | 一种人机交互界面人因适合性的检测系统和方法 |
-
2017
- 2017-11-29 CN CN201711222085.8A patent/CN107957980A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020007761A (ko) * | 2000-07-19 | 2002-01-29 | 오종식 | 지문인식기술을 이용한 물품보관함 관리시스템 |
CN101673168A (zh) * | 2008-09-09 | 2010-03-17 | 联想(北京)有限公司 | 在交互界面上进行目标对象选中的方法及装置 |
CN104007981A (zh) * | 2014-06-13 | 2014-08-27 | 河海大学常州校区 | 一种基于出错-认知映射模型的人机交互界面设计方法 |
CN104462683A (zh) * | 2014-12-02 | 2015-03-25 | 河海大学常州校区 | 由出错-认知到信息特征映射的信息交互界面优化方法 |
CN104392144A (zh) * | 2014-12-09 | 2015-03-04 | 河海大学常州校区 | 一种视觉信息界面出错因子的生理实验分析方法 |
CN105930044A (zh) * | 2016-04-20 | 2016-09-07 | 乐视控股(北京)有限公司 | 一种显示页面定位的方法和系统 |
CN106569956A (zh) * | 2016-11-18 | 2017-04-19 | 湖南工学院 | 一种人机交互界面人因适合性的检测系统和方法 |
Non-Patent Citations (2)
Title |
---|
吴晓莉: "复杂信息任务界面的出错_认知机理研究", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
张宝 等: "基于视觉感知强度的人机交互界面优化设计", 《中国机械工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064029A (zh) * | 2018-08-03 | 2018-12-21 | 贵州大学 | 基于认知特性的信息界面布局美度评价方法 |
CN111144752A (zh) * | 2019-12-26 | 2020-05-12 | 西安交通大学 | 基于遗传算法的核电厂失水事故安注流量需求分析方法 |
CN111144752B (zh) * | 2019-12-26 | 2022-04-05 | 西安交通大学 | 基于遗传算法的核电厂失水事故安注流量需求分析方法 |
CN113704843A (zh) * | 2021-08-31 | 2021-11-26 | 沈阳工业大学 | 一种基于可达域的激光增材制造装备人机界面布局优化方法 |
CN113704843B (zh) * | 2021-08-31 | 2024-03-01 | 沈阳工业大学 | 一种基于可达域的激光增材制造装备人机界面布局优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106555788B (zh) | 基于模糊处理的深度学习在液压装备故障诊断中的应用 | |
Wang et al. | An application of nonlinear fuzzy analytic hierarchy process in safety evaluation of coal mine | |
CN105550700B (zh) | 一种基于关联分析和主成分分析的时间序列数据清洗方法 | |
CN104751229B (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
CN107957980A (zh) | 一种出错-认知与设计间的关联效应分析方法 | |
Amrina et al. | A fuzzy multi criteria approach for sustainable manufacturing evaluation in cement industry | |
CN103268222B (zh) | 数字化人机界面监视单元布局方法及布局系统 | |
CN105574589B (zh) | 基于小生境遗传算法的变压器油色谱故障诊断方法 | |
CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN104765965A (zh) | 基于模糊Petri的GIS故障诊断与可靠性分析方法 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN104037760B (zh) | 一种不确定注入功率的电力系统预想事故选择方法 | |
CN109947806A (zh) | 一种基于案例推理的超高层施工安全事故应急辅助决策方法 | |
CN106707991A (zh) | 基于模糊层次分析的多目标作业调度中瓶颈设备识别方法 | |
CN108536130A (zh) | 一种群智能寻优的化工故障诊断系统 | |
CN108898243A (zh) | 一种电力系统输电网络安全性测试系统 | |
Rotshtein et al. | Diagnosis problem solving using fuzzy relations | |
CN104182613B (zh) | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 | |
Chen et al. | Meta-action reliability-based mechanical product optimization design under uncertainty environment | |
Singh et al. | Optimal selection of a landfill disposal site using a modified fuzzy utility approach | |
CN102682212B (zh) | 机电类产品的一种可靠性度量方法 | |
CN104462787B (zh) | 基于粗糙集理论(rst)和区间层次分析法(iahp)的航空维修人因可靠性评估方法 | |
CN108830407A (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN105844373A (zh) | 目标商圈强度评估系统与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180424 |
|
RJ01 | Rejection of invention patent application after publication |