CN116245425B - 一种基于无线信号的船舶值班人员警觉性表征评估方法 - Google Patents
一种基于无线信号的船舶值班人员警觉性表征评估方法 Download PDFInfo
- Publication number
- CN116245425B CN116245425B CN202310483640.1A CN202310483640A CN116245425B CN 116245425 B CN116245425 B CN 116245425B CN 202310483640 A CN202310483640 A CN 202310483640A CN 116245425 B CN116245425 B CN 116245425B
- Authority
- CN
- China
- Prior art keywords
- behavior
- duty
- attendant
- characterization
- person
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于无线信号的船舶值班人员警觉性表征评估方法,包括:获取与环境无关的值班人员活动信息矩阵;构建值班人员行为活动表征提取网络,提取值班人员行为连续型表征向量;构建值班人员行为活动表征解析网络,将值班人员行为连续型表征向量投影到更低纬度的表征空间;通过学习表征空间中潜在的行为活动分布,输出值班人员行为类型以及行为发生时间;构建值勤警觉性评估模块,对值班人员序列的警觉性评估;根据值班人员行为类型以及行为发生时间,通过值勤警觉性评估模块对值班人员在未来一段时间的状态进行预测,输出预测结果。本发明能防止在船舶航行过程中由于值班人员疏忽职守导致的船舶事故,提升值班效率和船舶航行安全水平。
Description
技术领域
本发明属于值班人员警觉性评估技术领域,具体涉及一种基于无线信号的船舶值班人员警觉性表征评估方法。
背景技术
值班人员的警觉性是指值班人员在面对周围环境产生变化的前提下,自身状态发生不可预测的变化以及是否存在此种变化的发生。值班人员的警觉性的高低会直接影响到船舶航行的安全,分析和预测值班人员的警觉性,有助于评估值班人员的工作状态,增强交通安全,促进智能交通发展,同时在对现实世界的游轮调查发现,值班人员的警觉性会被其行为所引导,例如值班人员在检查各种设备仪器是否正常运作的过程中,其警觉性往往较低;在往返不同区域以及观察船舶周围水域环境时,此时值班人员注意力高度集中,其警觉性提高。因此,通过对值班人员的行为序列进行建模和评估,可以有效的对值班人员警觉性进行评估。
传统的值班人员警觉性评估系统往往会通过专家知识来定义一系列的低警觉性行为(如点头、打哈欠)并借助各种传感器来检测这些行为,但是在实际实施过程中,由于个体上存在的差异性、客观环境的各种变化,专家知识所定义的低警觉性行为并不适用于所有人员,这也导致了传统的值班人员警觉性评估系统难以实现较为有效的评估。
发明内容
本发明的目的在于,提供一种基于无线信号的船舶值班人员警觉性表征评估方法,以防在船舶航行过程中由于值班人员疏忽职守导致的船舶事故,提升值班效率和船舶航行安全水平。
为解决上述技术问题,本发明的技术方案为:一种基于无线信号的船舶值班人员警觉性表征评估方法,包括以下步骤:
S1、获取与环境无关的值班人员活动信息矩阵;
S2、构建值班人员行为活动表征提取网络,用于从值班人员活动信息矩阵中提取值班人员行为连续型表征向量;值班人员行为活动表征提取网络包括值班人员行为活动信息转换器和值班人员行为活动表征提取器;
S3、构建值班人员行为活动表征解析网络,值班人员行为活动表征解析网络包括值班人员行为活动表征解码器和值班人员行为活动预测模块;其中,值班人员行为活动表征解码器,用于将值班人员行为连续型表征向量投影到更低纬度的表征空间;值班人员行为活动预测模块,通过学习表征空间中潜在的行为活动分布,输出值班人员行为类型以及行为发生时间;
S4、构建值勤警觉性评估模块,用于对值班人员序列的警觉性评估;
S5、根据值班人员行为类型以及行为发生时间,通过值勤警觉性评估模块对值班人员在未来一段时间的状态进行预测,输出预测结果;并结合值班人员行为类型、行为发生时间以及预测结果,对值班人员行为活动表征提取网络、值班人员行为活动表征解析网络和值勤警觉性评估模块进行训练。
S1具体为:
S11、提取值班人员在船舶驾驶室内的信息矩阵,并从中筛选得到环境无关的值班人员活动信息矩阵/>,表示为/>,其中,/>为连续时间内值班人员活动的频率大小,/>为连续时间内值班人员行为的总持续时间;
S12、将值班人员行为量化为与值班人员本身状态无关的三种行为,包括行走、原地活动和休息,并根据三种行为对应的连续时间内值班人员活动的频率大小,将特征矩阵,转化为值班人员行为活动矩阵集/>,其中/>表示第/>个值班人员行为的所对应的行为矩阵,/>表示行为活动的频率,/>表示值班人员行为的持续时间。
S2中值班人员行为活动信息转换器的设置方式为:包括三层卷积神经网络CNN,对于输入的第个值班人员行为矩阵/>,将其转换为离散型值班人员行为矩阵/>,其具体过程为:
其中,为CNN的权重。
S2中值班人员行为活动表征提取器的设置方式为:包括长短期记忆网络LSTM,用于提取离散型值班人员行为矩阵中连续型表征向量/>,其具体过程为:
其中,为第/>个经由值班人员行为活动表征提取器生成的连续型表征向量。
S3中值班人员行为活动表征解码器的设置方式为:通过使用Softmax激活函数,将值班人员行为连续型表征向量投影到更低纬度的表征空间,从而得到值班人员行为概率分布/>,其具体过程为:
。
S3中值班人员行为活动预测模块,包括值班人员下次发生行为类型预测模块和值班人员下次发生行为时间预测模块;其中,值班人员下次发生行为类型预测模块的设置方式为:
将表征向量与第/>个值班人员行为概率分布/>的线性相加组合代入激活函数/>中,得到用于表征值班人员行为类型概率函数/>,具体过程为:
其中为线性层可学习的参数,/>激活函数中的第一比例系数;
通过蒙特卡罗方法从上一行为发生的时刻到第/>个行为将要发生的时刻/>生成模拟行为类型概率函数/>,得到下一次值班人员的行为发生概率分布表示为:
通过交叉熵损失函数计算得到值班人员行为类型与真实值/>的损失/>,其具体计算过程为:
其中,表示需要预测的行为类型个数,/>表示交叉熵损失函数中可学习的参数;
其中,值班人员下次发生行为时间预测模块具体过程如下:
将表征向量与第/>个值班人员行为概率分布/>的线性相加组合送入激活函数中,得到用于表征值班人员发生时间的时间概率函数/>,其具体过程为:
其中,表示表示线性层可学习的参数,/>表示/>激活函数中的第二比例系数;
通过蒙特卡罗方法从上一行为发生的时刻到第/>个行为将要发生的时刻/>生成模拟时间概率函数/>,得到下一时刻值班人员的行为发生时间概率/>表示为:
预测的下一时刻值班人员行为发生时间表示为:
通过均方误差损失函数计算得到值班人员行为发生时间与真实值/>的损失/>,其具体过程为:
。
S4具体为:
S41、通过S3得到的值班人员历史行为序列,值班人员行为类型以及行为发生时间/>,计算得到值班人员行为序列/>,其中/>表示值班人员行为类型,/>表示值班人员行为的持续时间;
将真实的值班人员警觉程度得分表示为:
其中,表示值班人员行为类型中属于行走的行为持续时间,/>表示值班人员值勤的总持续时间;
S42、将S2中得到的值班人员行为连续型表征向量,通过全局表征激励向量/>,对值班人员值勤警觉性进行预测,其具体过程为:
其中,表示值班人员行为序列的长度,/>表示分配给不同时刻值班人员表征激励向量可学习的权重向量;
S43、通过交叉熵损失函数计算全局表征激励向量,经过全连接层输出值班人员值勤警觉得分与真实值/>的损失/>,其具体过程为:
其中,表示交叉熵损失函数中可学习的参数。
S5具体为:
S51、采集多名值班人员在船舶驾驶室内的活动信息,制作值班人员行为相关的CSI序列并制作相关数据集;
S52、根据值班人员行为类型以及行为发生时间,通过值勤警觉性评估模块对值班人员在未来一段时间的状态进行预测,输出预测结果;并结合值班人员行为类型、行为发生时间以及预测结果,对值班人员行为活动表征提取网络、值班人员行为活动表征解析网络和值勤警觉性评估模块进行训练。
还提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一项所述方法的步骤。
还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明使用易于部署的无线信号完成对船舶驾驶室值班人员行为活动信息的获取,通过值班人员与自身状态无关的三种行为完成对值班人员警觉性的有效评估,极大程度上的避免了由于人员自身差异、客观环境的变化带来的不确定性;通过值班人员行为活动表征提取网络、值班人员行为活动表征解析网络、值勤警觉性评估模块完成对值班人员警觉性的有效评估。
附图说明
图1为本发明实施例的流程示意图;
图2为本发明实施例中S2-S4的具体流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于无线信号的船舶值班人员警觉性表征评估系统包括以下具体步骤:
S1、获取值班人员环境无关的活动信息矩阵;
S11、提取值班人员在船舶驾驶室内的信息矩阵,并从中筛选环境无关的值班人员行为特征矩阵/>,其大小为/>,其中/>表示连续时间内值班人员活动的频率大小,/>即为连续时间内值班人员行为的总持续时间。
S12、通过对现实世界中的船舶驾驶室内的值班人员一般活动的分析,我们将值班人员行为量化为与值班人员本身状态无关的三种行为,即行走、原地活动(操舵、使用不同类型的仪器、瞭望等)、休息三种类型,并根据三种类型行为所属于的不同频率范围,将特征矩阵,转化为值班人员行为活动矩阵集/>,其中/>表示第/>个值班人员行为的所对应的行为矩阵,/>表示行为活动的频率,/>表示值班人员行为的持续时间。
S2、构建值班人员行为活动表征提取网络,参见图2上半部分,该网络包括值班人员行为活动信息转换器,值班人员行为活动表征提取器。用于从值班人员的活动信息矩阵中提取值班人员行为连续型表征向量;
S21、值班人员行为活动信息转换器,其中包括三层CNN,对于输入的第个值班人员行为矩阵/>,将其转换为离散型值班人员行为矩阵/>,其具体过程如下:
S22、值班人员行为活动表征提取器,其中包括LSTM,用于提取离散型值班人员行为矩阵中连续型表征向量/>,其具体过程如下:
S3、构建值班人员行为活动表征解析网络,参见图2下半部分,该网络包括值班人员行为活动表征解码器,值班人员行为活动预测模块。值班人员行为活动表征分类器旨在将值班人员行为连续型表征向量投影到更低纬度的表征空间,值班人员行为活动预测模块通过学习表征空间中潜在的行为活动分布,完成对于值班人员下次行为和发生时间的预测;
S31、值班人员行为活动表征解码器首先对经S2步骤提取的值班人员连续型表征向量,通过线性变换将其转换为一个更低维度的值班人员行为类型特征向量,并随机舍弃部分神经元的输出以防止过拟合,通过使用Softmax激活函数,将值班人员行为连续型表征向量/>投影到更低纬度的表征空间,从而得到值班人员行为概率分布/>,其具体过程如下:
S32、步骤S3所述值班人员行为活动预测模块,包括值班人员下次发生行为类型预测模块、值班人员下次发生行为时间预测模块,其中值班人员下次发生行为类型预测模块具体过程如下:
将表征向量与第/>个值班人员行为概率分布/>的线性相加组合送入激活函数/>中,得到可以表征值班人员行为类型概率函数/>,具体过程如下:
其中表示表示线性层可学习的参数,/>表示/>激活函数中比例系数。
同时,使用蒙特卡罗的方法从上一行为发生的时刻到第/>个行为将要发生的时刻/>生成模拟行为类型概率函数/>,最终下次值班人员的行为发生概率分布可以表示为:
最后,使用交叉熵损失函数计算得到的值班人员行为类型与真实值/>的损失,具体过程如下:
其中表示需要预测的行为类型个数,/>表示交叉熵损失函数中可学习的参数。
S33、其中值班人员下次发生行为时间预测模块具体过程如下:
将表征向量与第/>个值班人员行为概率分布/>的线性相加组合送入激活函数中,得到可以表征值班人员发生时间的时间概率函数/>,具体过程如下:
其中表示表示线性层可学习的参数,/>表示/>激活函数中比例系数。
同时,我们使用蒙特卡罗的方法从上一行为发生的时刻到第/>个行为将要发生的时刻/>生成模拟时间概率函数/>,最终下一时刻值班人员的行为发生时间概率可以表示为:
预测的下一时刻值班人员行为发生时间可以表示为:
最后,使用均方误差损失函数计算得到的值班人员行为发生时间与真实值的损失/>,具体过程如下:
步骤S4所述值勤警觉性评估模块,具体过程如下:
S41、通过步骤S3得到值班人员历史行为序列,以及通过步骤S3预测的值班人员行为类型/>以及行为发生时间/>,得到值班人员行为序列/>,其中/>表示值班人员行为类型,/>表示值班人员行为的持续时间。我们将真实的值班人员警觉程度得分表示为:
其中表示值班人员行为类型中属于行走的行为持续时间,/>表示值班人员值勤的总持续时间。
S42、将步骤S2中得到的值班人员行为连续型表征向量,通过一个全局表征激励向量/>,完成对值班人员值勤警觉性预测,具体过程如下:
其中,代表值班人员行为序列的长度,/>表示分配给不同时刻值班人员表征激励向量可学习的权重向量。
S43、使用交叉熵损失函数计算全局表征激励向量经过全连接层输出值班人员值勤警觉得分与真实值/>的损失/>,具体过程如下:
其中表示交叉熵损失函数中可学习的参数。
S5、训练上述步骤中的值班人员行为活动表征提取网络、值班人员行为活动表征解析网络、值勤警觉性评估模块,具体过程如下:
S51、采集多位被测者在船舶驾驶室内的活动信息,获取值班人员环境无关的活动信息矩阵,并制作相关数据集。
具体来说,通过在船舶驾驶室内架设两台ASUS RTAC86U路由器作为无线信号的接收机和发射机,收集了多名被测者的值班活动信息,本发明设置被测者活动范围为1m*3m大小的空间,发射器和接收器之间的距离为3m,天线高度为0.85m;被测者在一段航程的时间(约5分钟)内,随机进行行走、原地活动(操舵、使用电子海图、使用VHF、使用雷达、瞭望等)、休息(坐着)三种类型的动作,每种动作持续5至10秒,标记每组CSI序列的持续时间和值班行为名称。
S52、训练上述步骤中的值班人员行为活动表征提取网络、值班人员行为活动表征解析网络、值勤警觉性评估模块;输出值班人员行为活动表征解析网络预测的值班人员行为类型以及行为发生时间,通过值勤警觉性评估模块对值班人员在未来一段时间的状态进行预测,具体过程如下:
本发明各模块训练平台为搭载Nvidia RTX 3080 GPU、Intel i5 10400f 、32GB内存的PC,使用Python和Pytorch作为本发明的开发库。本发明输出值班人员行为类型以及发生时间预测标签,通过值勤警觉性评估模块对值班人员在未来一段时间的状态进行预测。
本发明在步骤S2中所提取值班人员连续型表征向量可作为一种通用的特征,在后续步骤S3、步骤S4中的值班人员行为活动表征解码器,值班人员行为活动预测模块,值勤警觉性评估模块中均得到了不同程度的使用,同时使用环境中的无线信号作为值班人员行为的获取工具,极大程度的保护了用户的隐私,以及本发明一种基于无线信号的船舶值班人员警觉性表征学习方法,不借助于领域专家的先验经验,与当前领域其他方法相比,本发明中的值班人员行为活动表征提取网络、值班人员行为活动表征解析网络具有更高的泛化能力,降低了网络的计算成本,同时在对值班人员警觉性的评估上具有较高的准确率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于无线信号的船舶值班人员警觉性表征评估方法,其特征在于,包括以下步骤:
S1、获取与环境无关的值班人员活动信息矩阵;
S2、构建值班人员行为活动表征提取网络,用于从值班人员活动信息矩阵中提取值班人员行为连续型表征向量;值班人员行为活动表征提取网络包括值班人员行为活动信息转换器和值班人员行为活动表征提取器;
S3、构建值班人员行为活动表征解析网络,值班人员行为活动表征解析网络包括值班人员行为活动表征解码器和值班人员行为活动预测模块;其中,值班人员行为活动表征解码器,用于将值班人员行为连续型表征向量投影到更低纬度的表征空间;值班人员行为活动预测模块,通过学习表征空间中潜在的行为活动分布,输出值班人员行为类型以及行为发生时间;
S4、构建值勤警觉性评估模块,用于对值班人员序列的警觉性评估;
S5、根据值班人员行为类型以及行为发生时间,通过值勤警觉性评估模块对值班人员在未来一段时间的状态进行预测,输出预测结果;并结合值班人员行为类型、行为发生时间以及预测结果,对值班人员行为活动表征提取网络、值班人员行为活动表征解析网络和值勤警觉性评估模块进行训练;
S2中值班人员行为活动表征提取器的设置方式为:包括长短期记忆网络LSTM,用于提取离散型值班人员行为矩阵vi中连续型表征向量hi,其具体过程为:
hi=LSTM(hi-1,vi)
其中,hi-t为第i-1个经由值班人员行为活动表征提取器生成的连续型表征向量;
S3中值班人员行为活动表征解码器的设置方式为:通过使用Softmax激活函数,将值班人员行为连续型表征向量hi投影到更低纬度的表征空间,从而得到值班人员行为概率分布ki,其具体过程为:
ki=softmax(hi)
S3中值班人员行为活动预测模块,包括值班人员下次发生行为类型预测模块和值班人员下次发生行为时间预测模块;其中,值班人员下次发生行为类型预测模块的设置方式为:
将表征向量hi与第i-1个值班人员行为概率分布ki-1的线性相加组合代入激活函数Sk中,得到用于表征值班人员行为类型概率函数λi具体过程为:
其中Wf为线性层可学习的参数,Sk为Softplus激活函数中的第一比例系数;
通过蒙特卡罗方法从上一行为发生的时刻t=ti-1到第i个行为将要发生的时刻t=ti生成模拟行为类型概率函数λ(t),得到下一次值班人员的行为发生概率分布p(ki|Ci-1)表示为:
通过交叉熵损失函数计算得到值班人员行为类型ki与真实值的损失/>其具体计算过程为:
其中,Ne表示需要预测的行为类型个数,Wc表示交叉熵损失函数中可学习的参数;
其中,值班人员下次发生行为时间预测模块具体过程如下:
将表征向量hi与第i个值班人员行为概率分布ki的线性相加组合送入激活函数中,得到用于表征值班人员发生时间的时间概率函数λi(ti),其具体过程为:
其中,Wf表示表示线性层可学习的参数,St表示Softplus激活函数中的第二比例系数;
通过蒙特卡罗方法从上一行为发生的时刻t=ti-1到第i个行为将要发生的时刻t生成模拟时间概率函数λ(τ),得到下一时刻值班人员的行为发生时间概率p(ti|Ci)表示为:
预测的下一时刻值班人员行为发生时间表示为:
通过均方误差损失函数计算得到值班人员行为发生时间与真实值ti的损失其具体过程为:
2.根据权利要求1所述的一种基于无线信号的船舶值班人员警觉性表征评估方法,其特征在于,S1具体为:
S11、提取值班人员在船舶驾驶室内的信息矩阵CSIm,并从中筛选得到环境无关的值班人员活动信息矩阵CSISTFT[f,d],表示为CSISTFT[f,d]=F×Ttotal,其中,F为连续时间内值班人员活动的频率大小,Ttotal为连续时间内值班人员行为的总持续时间;
S12、将值班人员行为量化为与值班人员本身状态无关的三种行为,包括行走、原地活动和休息,并根据三种行为对应的连续时间内值班人员活动的频率大小,将特征矩阵Event(f,d),转化为值班人员行为活动矩阵集其中ei表示第i个值班人员行为的所对应的行为矩阵,Fi表示行为活动的频率,di表示值班人员行为的持续时间。
3.根据权利要求1所述的一种基于无线信号的船舶值班人员警觉性表征评估方法,其特征在于,S2中值班人员行为活动信息转换器的设置方式为:包括三层卷积神经网络CNN,对于输入的第i个值班人员行为矩阵ei,将其转换为离散型值班人员行为矩阵vi,其具体过程为:
vi=WCNN⊙CNN(ei)
其中,WCNN为CNN的权重。
4.根据权利要求2所述的一种基于无线信号的船舶值班人员警觉性表征评估方法,其特征在于,S4具体为:
S41、通过S3得到的值班人员历史行为序列值班人员行为类型ki以及行为发生时间ti,计算得到值班人员行为序列/>其中kl表示值班人员行为类型,Dl表示值班人员行为的持续时间;
将真实的值班人员警觉程度得分表示为:
V=Twalk/Ttotal
其中,Twalk表示值班人员行为类型中属于行走的行为持续时间,Ttotal表示值班人员值勤的总持续时间;
S42、将S2中得到的值班人员行为连续型表征向量hi,通过全局表征激励向量H,对值班人员值勤警觉性进行预测,其具体过程为:
其中,N表示值班人员行为序列的长度,Wi表示分配给不同时刻值班人员表征激励向量可学习的权重向量;
S43、通过交叉熵损失函数计算全局表征激励向量H,经过全连接层输出值班人员值勤警觉得分与真实值V的损失其具体过程为:
其中,Wa表示交叉熵损失函数中可学习的参数。
5.根据权利要求2所述的一种基于无线信号的船舶值班人员警觉性表征评估方法,其特征在于,S5具体为:
S51、采集多名值班人员在船舶驾驶室内的活动信息,制作值班人员行为相关的CSI序列并制作相关数据集;
S52、根据值班人员行为类型以及行为发生时间,通过值勤警觉性评估模块对值班人员在未来一段时间的状态进行预测,输出预测结果;并结合值班人员行为类型、行为发生时间以及预测结果,对值班人员行为活动表征提取网络、值班人员行为活动表征解析网络和值勤警觉性评估模块进行训练。
6.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483640.1A CN116245425B (zh) | 2023-05-04 | 2023-05-04 | 一种基于无线信号的船舶值班人员警觉性表征评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483640.1A CN116245425B (zh) | 2023-05-04 | 2023-05-04 | 一种基于无线信号的船舶值班人员警觉性表征评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245425A CN116245425A (zh) | 2023-06-09 |
CN116245425B true CN116245425B (zh) | 2023-08-01 |
Family
ID=86635268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483640.1A Active CN116245425B (zh) | 2023-05-04 | 2023-05-04 | 一种基于无线信号的船舶值班人员警觉性表征评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245425B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130104475A (ko) * | 2012-03-14 | 2013-09-25 | 대양전기공업 주식회사 | 선박내의 위험감시 통합모니터링 시스템 및 방법 |
CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
CN109726652A (zh) * | 2018-12-19 | 2019-05-07 | 杭州叙简科技股份有限公司 | 一种基于卷积神经网络检测值班人员睡觉行为的方法 |
EP3723066A1 (en) * | 2019-04-10 | 2020-10-14 | Honda Research Institute Europe GmbH | Method for assisting a person in acting in a dynamic environment and corresponding system |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110958568B (zh) * | 2019-11-25 | 2020-11-13 | 武汉理工大学 | 基于WiFi的船舶驾驶室人员值班行为识别方法及系统 |
CN112949487A (zh) * | 2021-03-01 | 2021-06-11 | 武汉理工大学 | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 |
CN113269142A (zh) * | 2021-06-18 | 2021-08-17 | 中电科大数据研究院有限公司 | 一种检察领域值班人员睡觉行为识别方法 |
-
2023
- 2023-05-04 CN CN202310483640.1A patent/CN116245425B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130104475A (ko) * | 2012-03-14 | 2013-09-25 | 대양전기공업 주식회사 | 선박내의 위험감시 통합모니터링 시스템 및 방법 |
CN109726652A (zh) * | 2018-12-19 | 2019-05-07 | 杭州叙简科技股份有限公司 | 一种基于卷积神经网络检测值班人员睡觉行为的方法 |
CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
EP3723066A1 (en) * | 2019-04-10 | 2020-10-14 | Honda Research Institute Europe GmbH | Method for assisting a person in acting in a dynamic environment and corresponding system |
Also Published As
Publication number | Publication date |
---|---|
CN116245425A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rafiei et al. | NEEWS: A novel earthquake early warning model using neural dynamic classification and neural dynamic optimization | |
Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
Zhang et al. | Anomaly detection of structural health monitoring data using the maximum likelihood estimation-based Bayesian dynamic linear model | |
Alarifi et al. | Earthquakes magnitude predication using artificial neural network in northern Red Sea area | |
Adeli et al. | A probabilistic neural network for earthquake magnitude prediction | |
Panakkat et al. | Recurrent neural network for approximate earthquake time and location prediction using multiple seismicity indicators | |
Staszewski | Intelligent signal processing for damage detection in composite materials | |
Lin et al. | A spatial interpolation method based on radial basis function networks incorporating a semivariogram model | |
Ferrario et al. | Bootstrapped Artificial Neural Networks for the seismic analysis of structural systems | |
Liu et al. | Measuring the accuracy of species distribution models: a review | |
Morey | A Bayesian hierarchical model for the measurement of working memory capacity | |
Wilbik et al. | A fuzzy measure similarity between sets of linguistic summaries | |
Chaudhury et al. | An empirical study on attribute selection of student performance prediction model | |
CN115984767A (zh) | 一种基于监控画面实时分析的异常预警方法及系统 | |
Ozan Evkaya et al. | Forecasting drought using neural network approaches with transformed time series data | |
Yusuf et al. | Predicting catastrophic temperature changes based on past events via a CNN-LSTM regression mechanism | |
Alharbi et al. | A belief rule based expert system to assess autism under uncertainty | |
Chen et al. | Meteorological tidal predictions in the mekong estuary using an evolved ANN time series | |
Gharehbaghi et al. | A novel approach for deterioration and damage identification in building structures based on Stockwell-Transform and deep convolutional neural network | |
CN109242166B (zh) | 一种基于多尺度深度神经网络的环境预测防控系统 | |
CN116245425B (zh) | 一种基于无线信号的船舶值班人员警觉性表征评估方法 | |
CN114357567A (zh) | 基于bim的风振监测、系统、存储介质及计算机设备 | |
US11705151B1 (en) | Speech signal processing system facilitating natural language processing using audio transduction | |
Galera-Zarco et al. | A deep learning approach to improve built asset operations and disaster management in critical events: an integrative simulation model for quicker decision making | |
Zhang et al. | Post-earthquake structural damage assessment and damage state evaluation for RC structures with experimental validation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |