CN117575394A - 多界面任务下人员态势增强评价方法、系统及设备 - Google Patents
多界面任务下人员态势增强评价方法、系统及设备 Download PDFInfo
- Publication number
- CN117575394A CN117575394A CN202311541496.9A CN202311541496A CN117575394A CN 117575394 A CN117575394 A CN 117575394A CN 202311541496 A CN202311541496 A CN 202311541496A CN 117575394 A CN117575394 A CN 117575394A
- Authority
- CN
- China
- Prior art keywords
- index
- enhancement
- situation awareness
- comprehensive
- personnel situation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 123
- 238000012360 testing method Methods 0.000 claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 39
- 230000008447 perception Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000011835 investigation Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000654 additive Substances 0.000 claims description 8
- 230000000996 additive effect Effects 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013278 delphi method Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000035790 physiological processes and functions Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 12
- 238000000691 measurement method Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种多界面任务下人员态势增强评价方法、系统及设备,涉及态势感知技术领域。获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析构建人员态势感知增强综合评价指标模型;得到人员态势感知增强综合评价指标结果;得到人员态势感知增强综合评价指标结果的直接影响与综合影响;根据直接影响与综合影响得到指标原因度与中心度;根据指标原因度与中心度得到筛选与优化后的关键指标;得到不同试验工况下关键指标的权重系数与相对变化幅度;根据不同试验工况下关键指标的权重系数与相对变化幅度得到人员态势感知增强的综合贡献率。本发明实现了对人员态势感知全方位评估,实现对指挥人员态势感知能力增强影响的定量预测。
Description
技术领域
本发明涉及态势感知技术领域,特别是涉及一种多界面任务下人员态势增强评价方法、系统及设备。
背景技术
不同于只关注局部态势感知的一般操作人员,人员的态势感知需要涉及更多的维度、更深的层次、更快的响应、更强的综合能力。这是因为人员需要从来自底层操作人员多任务界面的大量复杂信息中,提取当前任务有用的信息,动态理解多源信息间的关联,推理预测事件的趋势与变化。人员拥有良好的态势感知能力,有助于提高任务效率并增强综合决策。因此,增强人员的态势感知能力是完成任务的基础,而如何多维度测量人员态势感知的增强则是更关键的问题。
测量一般操作人员态势感知的常用方法有以冻结探查技术为代表的主观测量法、以任务行为表现为主的客观测量法、以生理监测为主的间接测量法、以人的信息加工为基础的理论建模法。
对于人员来说,影响其态势感知增强的因素有很多,现有技术中一方面缺少对人员态势感知全方位评估的综合技术,另一方面缺少对指挥人员态势感知能力增强影响的定量计算系统。
发明内容
本发明实施例的目的是提供一种多界面任务下人员态势增强评价方法、系统及设备,以实现对人员态势感知全方位评估,以及,实现对指挥人员态势感知能力增强影响的定量预测。
为实现上述目的,本发明实施例提供了如下方案:
一种多界面任务下人员态势增强评价方法,包括:
获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析;采用德尔菲方法构建人员态势感知增强综合评价指标模型;将所述态势感知相关资料文献输入所述人员态势感知增强综合评价指标模型,得到人员态势感知增强综合评价指标结果;
将所述人员态势感知增强综合评价指标结果输入模糊决策与试验评价模型,得到人员态势感知增强综合评价指标结果的直接影响与综合影响;
根据所述直接影响与综合影响,得到指标原因度与中心度;根据所述指标原因度与中心度,得到筛选与优化后的关键指标;
采用多维显著性特征法对所述筛选与优化后的关键指标进行定量计算,得到不同试验工况下关键指标的权重系数与相对变化幅度;
根据所述不同试验工况下关键指标的权重系数与相对变化幅度,得到人员态势感知增强的综合贡献率;所述综合贡献率用于表征所述多界面任务下人员态势增强评价结果。
可选地,所述采用德尔菲方法构建人员态势感知增强综合评价指标模型,具体包括:
确定人员态势感知的关键影响因素;所述键影响因素包括:态势感知能力、任务执行能力、交互操作性和生理状态;
根据所述人员态势感知的关键影响因素,得到指标体系调研数据;
对所述指标体系调研数据进行预处理,得到预处理结果;若所述预处理结果合理,则进行指标体系调研数据第二次处理;若所述预处理结果不合理,则重新获取指标体系调研数据;
对第二次处理合格的指标体系调研数据进行一致性检验,得到检验结果;若检验结果通过,则得到所述人员态势感知增强综合评价指标模型;若检验结果不通过,则需要重新确定人员态势感知的关键影响因素。
可选地,将所述人员态势感知增强综合评价指标结果输入模糊决策与试验评价模型,得到人员态势感知增强综合评价指标结果的直接影响与综合影响,具体包括:
对所述人员态势感知增强综合评价指标结果进行模糊化处理,得到各指标间影响大小打分结果的语义变量矩阵;
对所述语义变量进行矩阵模糊运算,得到直接影响矩阵;
对所述直接影响矩阵进行规范化,得到规范化直接影响矩阵;
根据所述规范化直接影响矩阵,得到综合影响矩阵;所述综合影响矩阵用于表征所述直接影响与综合影响。
可选地,根据所述直接影响与综合影响,得到指标原因度与中心度,具体包括:
根据所述综合影响矩阵,得到影响度、被影响度、中心度和原因度;
根据所述影响度、被影响度、中心度和原因度,得到去模糊的中心度和去模糊的原因度;
所述去模糊的中心度表征所述中心度;所述去模糊的原因度表征所述指标原因度。
可选地,采用多维显著性特征法对所述筛选与优化后的关键指标进行定量计算,得到不同试验工况下关键指标的权重系数与相对变化幅度,具体包括:
将所述筛选与优化后的关键指标划分为正向参数和反向参数;其中,正向参数是指取值越大对目标贡献度越大的参数,反向参数是指取值越大对目标贡献度越小的参数;之后,采用极值标准化方法对所述正向参数和反向参数进行归一化处理,得到归一化的正向参数和反向参数;
利用广义加性混合模型对所述归一化的正向参数和反向参数进行统计分析,判定归一化的正向参数和反向参数是否存在显著性差异;
若存在显著性差异,所述相对变化幅度为广义加性混合模型的固定效应与固定借据的比值;
若不存在显著差异,所述相对变化幅度为0。
可选地,根据所述相对变化幅度计算二级指标的相对变化幅度,具体包括:
根据所述去模糊的中心度和去模糊的原因度,得到二级指标的欧几里得距离占比;
将所述二级指标的欧几里得距离占比、所述权重系数与所述相对变化幅度进行耦合,得到所述二级指标的相对变化幅度。
为实现上述目的,本发明实施例还提供了如下方案:
一种多界面任务下人员态势增强评价系统,包括:
人员态势感知增强综合评价指标模块,用于:
获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析;
采用德尔菲方法构建人员态势感知增强综合评价指标模型;
将所述态势感知相关资料文献输入所述人员态势感知增强综合评价指标模型,得到人员态势感知增强综合评价指标结果;
模糊决策与试验评价模块,与所述人员态势感知增强综合评价指标模块连接,用于:
将所述人员态势感知增强综合评价指标结果输入模糊决策与试验评价模型,得到人员态势感知增强综合评价指标结果的直接影响与综合影响;
根据所述直接影响与综合影响,得到指标原因度与中心度;根据所述指标原因度与中心度,得到筛选与优化后的关键指标;
多维显著性特征提取模块,与所述模糊决策与试验评价模块连接,用于:
采用多维显著性特征法对所述筛选与优化后的关键指标进行定量计算,得到不同试验工况下关键指标的权重系数与相对变化幅度;
输出模块,与所述多维显著性特征提取模块连接,用于根据所述不同试验工况下关键指标的权重系数与相对变化幅度,得到人员态势感知增强的综合贡献率;所述综合贡献率用于表征所述多界面任务下人员态势增强评价结果。
一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述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所述的多界面任务下人员态势增强评价方法。
一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现所述的多界面任务下人员态势增强评价方法。
在本发明实施例中,获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析构建人员态势感知增强综合评价指标模型;得到人员态势感知增强综合评价指标结果;得到人员态势感知增强综合评价指标结果的直接影响与综合影响;根据直接影响与综合影响得到指标原因度与中心度;根据指标原因度与中心度得到筛选与优化后的关键指标;得到不同试验工况下关键指标的权重系数与相对变化幅度;根据不同试验工况下关键指标的权重系数与相对变化幅度得到人员态势感知增强的综合贡献率,使得本发明实施例能够利用综合贡献率指标定量预测人员态势感知的增强程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的多界面任务下人员态势增强评价方法的流程示意图;
图2为本发明实施例提供的多界面任务下人员态势增强评价系统的详细结构图;
图3为本发明实施例提供的多界面任务下人员态势增强评价方法详细示意图;
图4为本发明实施例提供的基于德尔菲法构建人员态势感知增强评价指标模型示意图;
图5为本发明实施例提供的构建人员态势感知增强评价指标模型的示意图;
图6为本发明实施例提供的评价指标体系权重计算方法示意图。
符号说明:
人员态势感知增强综合评价指标模块-1,模糊决策与试验评价模块-2,多维显著性特征提取模块-3,输出模块-4。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多界面任务下人员态势增强评价方法、系统及设备,以解决现有的无法对人员态势感知全方位评估,以及,无法实现对指挥人员态势感知能力增强影响的定量预测的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1和图3示出了上述一种多界面任务下人员态势增强评价方法的一种示例性流程。下面对各步骤进行详细介绍。
步骤S1:获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析;采用德尔菲方法构建人员态势感知增强综合评价指标模型;将所述态势感知相关资料文献输入所述人员态势感知增强综合评价指标模型,得到人员态势感知增强综合评价指标结果;具体包括:
在一个示例中,采用以下方法进行需求分析。
主观测量方法:这类方法主要依赖于操作人员自己对自己的态势感知水平的评估,通常采用问卷、访谈、日志等形式收集数据。主观测量方法的优点是操作人员可以直接表达自己的感受和体验,缺点是可能受到个人偏好、情绪、记忆等因素的影响,导致数据不够客观和准确。常见的主观测量方法有SART(Situation Awareness Rating Technique),SAGAT(Situation Awareness Global Assessment Technique),SPAM(Situation PresentAssessment Method)等。
客观测量方法:这类方法主要依赖于操作人员在任务中表现出来的行为和结果,通常采用实验、观察、测试等形式收集数据。客观测量方法的优点是可以直接反映操作人员在任务中的态势感知水平,缺点是可能受到任务难度、环境干扰、评价标准等因素的影响,导致数据不够稳定和一致。常见的客观测量方法有QUASA(QUantitative Assessment ofSituation Awareness),SALSA(Situation Awareness Line Oriented SystemAnalysis),SACRI(Situation Awareness Control Room Inventory)等。
此外,还可以利用任务绩效表现(如准确率、反应时)以及人体生理反应(如脑电、心电、眼动信号)来间接反应。
理论模型驱动方法:这类方法主要依赖于对操作人员的态势感知过程和机制的建模和仿真,通常采用数学、物理、计算机等技术实现模型。模型驱动方法的优点是可以从理论上分析和解释操作人员的态势感知水平,缺点是可能受到模型假设、参数设定、验证手段等因素的影响,导致模型不够贴近实际情况。这类模型通常基于人的信息加工理论和注意资源分配理论,如Adaptive Control of Thought-Rational(ACT-R)认知模型。
步骤S11:确定人员态势感知的关键影响因素;所述键影响因素包括:态势感知能力、任务执行能力、交互操作性和生理状态;
步骤S12:根据所述人员态势感知的关键影响因素,得到指标体系调研数据;
步骤S13:对所述指标体系调研数据进行预处理,得到预处理结果;若所述预处理结果合理,则进行指标体系调研数据第二次处理;若所述预处理结果不合理,则重新获取指标体系调研数据;
步骤S14:对第二次处理合格的指标体系调研数据进行一致性检验,得到检验结果;若检验结果通过,则得到所述人员态势感知增强综合评价指标模型;若检验结果不通过,则需要重新确定人员态势感知的关键影响因素。
在一个示例中,请参见图4,针对人员态势感知增强影响的相关研究中,缺少综合的指标评价体系。利用德尔菲调查法构建人员态势感知增强评价指标体系的方法可按以下步骤进行:
确定专家调研的目的与需求,即人员态势感知的关键影响因素。关键影响因素包括:态势感知直接影响因素与间接影响因素,即态势感知能力、任务执行能力、交互操作性、生理状态。
针对人员的态势感知特点,初步设计指标体系调研问卷。
对初步设计的指标体系调研问卷进行试发放与预先的数据处理,若试填人员认为问卷设计合理,则进一步处理所填数据,若在处理数据的过程中也认为问卷评分设计合理,则继续进入下一步。若试发放与数据预处理中任何有一步不合理,均要返回重新设计。
通过预先发放与处理流程,将修改后的指标体系调研问卷匿名发放给指定专家。
收集专家填写的正式调研问卷,并进行一致性检验。若检验通过,则得到最终的指标体系;若检验不通过,则说明该指标体系未达到专家的统一认可,要根据专家意见进行修改设计,进而重复以上步骤,直到通过一致性检验。
步骤S2:将所述人员态势感知增强综合评价指标结果输入模糊决策与试验评价模型,得到人员态势感知增强综合评价指标结果的直接影响与综合影响;具体包括:
步骤S21:对所述人员态势感知增强综合评价指标结果进行模糊化处理,得到各指标间影响大小打分结果的语义变量矩阵;
步骤S22:对所述语义变量进行矩阵模糊运算,得到直接影响矩阵;
步骤S23:对所述直接影响矩阵进行规范化,得到规范化直接影响矩阵;
步骤S24:根据所述规范化直接影响矩阵,得到综合影响矩阵;所述综合影响矩阵用于表征所述直接影响与综合影响。
在一个示例中,请参见图5,采用模糊决策与试验评价试验室法(Decision-makingTrial and Evaluation Laboratory,DEMATEL)分析各项评价指标之间的相互影响关系和逻辑关系,确定指标体系中的关键评价指标和重要性较低的评价指标,据此对初步构建的人员态势增强评价指标体系进行定量筛选和优化分析。
DEMATEL方法是一种运用图论与矩阵论原理对指标体系中各指标进行分析的系统工程模型。这一方法由专家对各指标间的相互影响给出评价,通过整合专家意见、计算量化指标等方式,分析指标体系中各指标之间的相互影响关系和逻辑关系,以定量化的方式呈现指标体系中各指标的影响度、被影响度,由此确定中心度和原因度,从而确定各指标在指标体系中所处的位置,据此判断出该指标体系中的关键评价指标和重要性较低的指标,完成对初选指标的筛选,实现对所分析的指标体系的优化。
考虑到对指标之间相互影响两两比较的专家评价存在一定的主观性和模糊性,本发明在对指标之间相互影响的专家评价结果进行分析时,引入三角模糊数,将专家评价结果转化为模糊数,形成模糊DEMATEL方法。
以下详细介绍模糊DEMATEL方法的计算步骤:
收集专家问卷。联系多位具有相关研究背景的专家,讲解研究所建立的指标体系以及问卷填写方法,完成问卷的收集;该问卷调研专家对指标间影响相对大小的建议,如指标A对指标B的影响为“3、较大影响”,以便机进行下一步的模糊化处理。
对问卷调查结果进行模糊化处理。对每份问卷各指标间影响大小打分结果的语义变量组成的矩阵,按照下表1的对应关系,进行模糊化处理,分别得到一份由最小可能数l组成的矩阵Ri,l、由最可能数m组成的矩阵Ri,m、由最大可能数r组成的矩阵Ri,r;
表1问卷打分结果语义变量与三角模糊数的对应关系
通过模糊运算确定直接影响矩阵。对所有问卷结果经以上模糊化处理得到的矩阵进行平均得到Xd,进而计算最小可能数l直接影响矩阵Xd,1,最可能数m直接影响矩阵Xd,m,最大可能数r直接影响矩阵Xd,r,即:
通过模糊运算确定规范化直接影响矩阵。对上述直接影响矩阵进行规范化,即每个矩阵每个元素除以各自的最大行和,得到最小可能数l规范化直接影响矩阵Xl,最可能数m规范化直接影响矩阵Xm,最大可能数r规范化直接影响矩阵Xr,即:
通过模糊运算确定综合影响矩阵。对上述规范化直接影响矩阵按照以下方法,分别得出最小可能数1综合影响矩阵T1,最可能数m综合影响矩阵Tm,最大可能数r综合影响矩阵Tr:
T=X(I-X)-1=(tij);
Tl=Xl(I-Xl)-1=(tij,l);
Tm=Xm(I-Xm)-1=(tij,m);
Tr=Xr(I-Xr)-1=(tij,r);
步骤S3:根据所述直接影响与综合影响,得到指标原因度与中心度;根据所述指标原因度与中心度,得到筛选与优化后的关键指标;具体包括:
步骤S31:根据所述综合影响矩阵,得到影响度、被影响度、中心度和原因度;
步骤S32:根据所述影响度、被影响度、中心度和原因度,得到去模糊的中心度和去模糊的原因度;
所述去模糊的中心度表征所述中心度;所述去模糊的原因度表征所述指标原因度。
在一个示例中,确定影响度、被影响度、中心度和原因度。对上述综合影响矩阵的第i行求和得到第i个指标的影响度Fi,对上述综合影响矩阵的第i列求和得到第i个指标的被影响度Gi,由影响度加上被影响度得中心度Mi,影响度减去被影响度得原因度Ni。据此进一步计算出第i个指标的影响度、被影响度、中心度、原因度的最小可能数Fi,l,Gi,l,Mi,l,Ni,l、最可能数Fi,m,Gi,m,Mi,m,Ni,m、最大可能数Fi,r,Gi,r,Mi,r,Ni,r,即:
表2
确定去模糊的中心度、原因度。根据以下公式完成中心度、原因度的去模糊处理,计算得到第i个指标的去模糊中心度Mi,及去模糊原因度Ni。去模糊中心度Mi体现了指标i在整个测量指标体系中的重要性,Mi越高说明该指标在指标体系中越重要,越需要被关注与优化。去模糊原因度Ni指的是指标i在整个指标体系中的作用类型,当Ni为正值时表明该指标主要对指标体系中其他指标产生影响,而较少受到其他指标的影响,是原因型指标;当Ni为负值时表明该指标主要受到指标体系中其他指标的影响,而较少对其他指标产生影响,是结果型指标;当Ni为零值时表明该指标既受到指标体系中其他指标的影响又对其他指标产生影响,是平衡型指标。
(k1,k2,k3)=(1,2,1);
以上模糊DEMATEL方法的计算,首先以人员态势增强领域专家对各项指标间的相互影响评价数据为基础,通过引入三角模糊数对专家评价结果的语义变量进行模糊化处理,有效修正了专家对各项指标间影响大小主观判断的不确定性和模糊性,弱化专家判断结果的主观性。然后在此基础上,通过计算模糊中心度和原因度两项参数,分析指标体系中各项指标之间的相互影响关系和逻辑关系,据此判断出指标体系中的关键评估指标和重要性较低的指标,完成对初选指标的筛选,实现对人员态势感知综合评价指标体系的优化。
模糊DEMATEL方法的创新点是考虑了传统意义上专家打分的模糊性与不确定性,并利用模糊数进行了要素间影响程度的评价改进,能够更好地反映专家的主观判断,提高人员态势感知增强测量指标体系的可信度与合理性。
步骤S4:采用多维显著性特征法对所述筛选与优化后的关键指标进行定量计算,得到不同试验工况下关键指标的权重系数与相对变化幅度;具体包括:
步骤S41:将所述筛选与优化后的关键指标划分为正向参数和反向参数;其中,正向参数是指取值越大对目标贡献度越大的参数,反向参数是指取值越大对目标贡献度越小的参数;之后,采用极值标准化方法对所述正向参数和反向参数进行归一化处理,得到归一化的正向参数和反向参数;
步骤S42:利用广义加性混合模型对所述归一化的正向参数和反向参数进行统计分析,判定归一化的正向参数和反向参数是否存在显著性差异;
步骤S43:若存在显著性差异,所述相对变化幅度为广义加性混合模型的固定效应与固定借据的比值;
步骤S44:若不存在显著差异,所述相对变化幅度为0。
步骤S44:根据所述相对变化幅度计算二级指标的相对变化幅度;具体包括:
步骤S46:根据所述去模糊的中心度和去模糊的原因度,得到二级指标的欧几里得距离占比;
步骤S47:将所述二级指标的欧几里得距离占比、所述权重系数与所述相对变化幅度进行耦合,得到所述二级指标的相对变化幅度。
在一个示例中,请参见图5,在优化指标体系的基础上,构建人员态势感知增强指标体系贡献率定量计算模型。该模型可用于计算由于多界面任务不同试验工况导致的人员态势感知的提升或下降程度。该模型以指标体系中的测量参数为基础,自下而上地计算出各层级指标的相对变化幅度,最终计算指标体系目标层的贡献率。
该模型主要有以下三个步骤,请参见图6:
人员态势感知测量参数归一化处理。
首先需根据态势感知测量层参数的具体含义,将所有参数划分为正向参数和反向参数。正向参数如任务准确率、扫视速度,这些参数越高,态势感知越好。
反向参数如任务反应时、视觉搜索距离、任务负荷水平,这些参数越高,态势感知越差。
其中,正向参数是指取值越大对目标贡献度越大的参数,反向参数是指取值越大对目标贡献度越小的参数。之后,利用极值标准化方法,对各项测试参数的数值进行归一化处理,以将各项测试参数的数值处于[0,1]之间。
正向参数归一化到[0,1]的计算方法为:
反向参数归一化到[0,1]的计算方法为:
上式中,Cij为第i个一级指标下第j个二级指标对应测试参数的取值,cij为测试参数Cij进行归一化处理后的取值。
第(1)点是将不同测量范围的所有参数都归一化,比如任务反应时间的实际测量值为4s,10s,50s,利用负向参数将归一化到[0,1]。
第(2)点是将不同实验工况中归一化后参数进行差异显著性分析。比如说工况1的所有参数与工况2的所有参数相比是否具有显著差异。
基于广义加性混合模型的观测层参数差异显著性分析。
利用广义加性混合模型(GAMM模型)对不同试验工况下人员态势感知增强指标体系的观测层参数进行统计分析,检验观测层参数在不同试验工况间是否具有统计学上的显著性差异。视具体的实验条件而定,根据此前实验经验,一般任务绩效数据有显著,而心电信号、主观评价等可能不会有显著。只有具有显著差异的指标才能进行后续变化幅度的计算。
上式中,β1 1指固定截距;分别指试验工况2至试验工况n相对于参考工况(即试验工况1)的固定效应;b1指受试者的随机效应;e1指残差。依此类推。
计算不同试验工况下观测层参数的相对变化幅度
对不同试验工况下人员态势感知增强综合评估指标体系的观测层参数进行统计分析后,确定各项测试参数因不同试验工况引起的相对变化幅度。具体计算方法是,当不同试验工况对观测层参数的影响在统计学意义上有显著性差异(p<0.05)时,认为观测层参数的相对变化幅度(ΔPijk)为GAMM模型分析中固定效应与固定借据的比值;当该影响不显著(p>0.05)时,认为观测层参数的相对变化幅度(ΔPijk)为0,即
基于观测层变化幅度计算二级指标的相对变化幅度。
二级指标相对变化幅度的确定需以针对各项测试内容的统计学分析结果为依据。针对不同试验工况下人员态势感知增强综合评估指标体系的观测层参数进行统计学分析,以判断其在不同工况之间是否存在显著性差异。如存在显著差异,则计算各项测试参数的相对变化幅度。如不存在显著差异,则认为其相对变化幅度为0。在此基础上,进一步计算得到各二级指标的相对变化幅度Pij值。
Pij=α×maxk(|ΔPijk|);
上式中,hi为第i项一级指标中二级指标的个数;
ΔPijk为第i项一级指标中第j项二级指标下的第k项测试参数的相对变化幅度(k>=1);α为转换参数,当ΔPijk≥0时,人员态势感知增强,α=1,否则α=-1;Pij为二级指标的相对变化幅度。
基于加权累加法耦合计算一级指标的相对变化幅度。
为计算一级指标的相对变化幅度,需耦合二级指标的相对变化幅度与权重系数。首先基于模糊DEMATEL分析结果,以去模糊中心度和原因度计算结果为依据,计算出各项二级指标的欧几里得距离占比Oij。
上式中,Oij为第i个一级指标下第j个二级指标的欧几里得距离占比;m为一级指标的个数;n为一级指标下二级指标的个数;Mij、Nij分别为第i个一级指标下第j个二级指标的中心度和原因度。
然后按照一级指标与二级指标之间的映射关系,通过对某一级指标下所有二级指标的欧几里得距离占比进行归一化计算,进而确定出人员态势增强评价指标体系中各项二级指标的权重系数。
上式中,Wij为第i个一级指标下第j个二级指标的权重;hi为第i个一级指标下二级指标的个数。
最后,采用加权累加法,根据二级指标的相对变化幅度与权重系数,得到一级指标的相对变化幅度值Pi,其计算公式如下:
上式中,hi为第i项一级指标中二级指标的个数;Pij为第i项指标中第j项二级指标下的相对变化幅度;α为转换参数,当γPijk≥0时,人员态势感知增强,α=1,否则α=-1;Pi为一级指标的相对变化幅度。
至此,定量计算出多维态势感知测量指标体系由下到上不同层级对目标层(态势感知)的贡献率,可以反应不同实验工况下人员态势感知的增强是多少。简单来说,比如实验条件1到实验条件2,传统的方法只是定性反应了态势感知的好坏,该方法定量计算出了这种好坏的变化程度是多少。
基于加权累加法耦合计算目标层相对变化幅度
为最终计算目标层的相对变化幅度,需耦合一级指标的相对变化幅度与权重系数。通过专家评判法确定一级指标权重系数。前期调研专家根据对人员态势增强评价的重要程度和影响大小,将共计100的分值分配到m项一级指标。将所有专家的打分结果进行平均及归一化,即可得到各项一级指标的权重系数Wi。
上式中,Wi为第i个一级指标的权重系数;Si,k为第k个专家对第i个一级指标重要程度的评分;p为参与评分的专家人数;m为一级指标的个数。
采用加权累加法,根据一级指标的相对变化幅度及其权重系数,得到目标层综合决胜贡献率,即人员态势感知增强综合评估的相对变化幅度值P,其计算公式如下:
上式中,h为一级指标的个数;Wi为第i项一级指标的权重系数;Pi为第i项一级指标的相对变化幅度。
步骤S5:根据所述不同试验工况下关键指标的权重系数与相对变化幅度,得到人员态势感知增强的综合贡献率;所述综合贡献率用于表征所述多界面任务下人员态势增强评价结果。
综上所述,在本发明实施例中,获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析构建人员态势感知增强综合评价指标模型;得到人员态势感知增强综合评价指标结果;得到人员态势感知增强综合评价指标结果的直接影响与综合影响;根据直接影响与综合影响得到指标原因度与中心度;根据指标原因度与中心度得到筛选与优化后的关键指标;得到不同试验工况下关键指标的权重系数与相对变化幅度;根据不同试验工况下关键指标的权重系数与相对变化幅度得到人员态势感知增强的综合贡献率,使得本发明实施例能够利用综合贡献率指标定量预测人员态势感知的增强程度。
为实现上述目的,本发明实施例还提供了如下方案:
一种多界面任务下人员态势增强评价系统,请参见图2,包括:
人员态势感知增强综合评价指标模块1用于:
获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析;
采用德尔菲方法构建人员态势感知增强综合评价指标模型;
将所述态势感知相关资料文献输入所述人员态势感知增强综合评价指标模型,得到人员态势感知增强综合评价指标结果;
模糊决策与试验评价模块2与所述人员态势感知增强综合评价指标模块1连接,模糊决策与试验评价模块2用于:
将所述人员态势感知增强综合评价指标结果输入模糊决策与试验评价模型,得到人员态势感知增强综合评价指标结果的直接影响与综合影响;
根据所述直接影响与综合影响,得到指标原因度与中心度;根据所述指标原因度与中心度,得到筛选与优化后的关键指标;
多维显著性特征提取模块3与所述模糊决策与试验评价模块2连接,多维显著性特征提取模块3用于:
采用多维显著性特征法对所述筛选与优化后的关键指标进行定量计算,得到不同试验工况下关键指标的权重系数与相对变化幅度;
输出模块4与所述多维显著性特征提取模块3连接,输出模块4用于根据所述不同试验工况下关键指标的权重系数与相对变化幅度,得到人员态势感知增强的综合贡献率;所述综合贡献率用于表征所述多界面任务下人员态势增强评价结果。
进一步地,本发明还提供一种电子设备,该电子设备可以包括:处理器、通信接口、存储器和通信总线。其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序,以执行所述处理器执行所述计算机程序时实现所述的多界面任务下人员态势增强评价方法。
此外,上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现所述的多界面任务下人员态势增强评价方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明实施例的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明实施例的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明实施例的限制。
Claims (9)
1.一种多界面任务下人员态势增强评价方法,其特征在于,包括:
获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析;采用德尔菲方法构建人员态势感知增强综合评价指标模型;将所述态势感知相关资料文献输入所述人员态势感知增强综合评价指标模型,得到人员态势感知增强综合评价指标结果;
将所述人员态势感知增强综合评价指标结果输入模糊决策与试验评价模型,得到人员态势感知增强综合评价指标结果的直接影响与综合影响;
根据所述直接影响与综合影响,得到指标原因度与中心度;根据所述指标原因度与中心度,得到筛选与优化后的关键指标;
采用多维显著性特征法对所述筛选与优化后的关键指标进行定量计算,得到不同试验工况下关键指标的权重系数与相对变化幅度;
根据所述不同试验工况下关键指标的权重系数与相对变化幅度,得到人员态势感知增强的综合贡献率;所述综合贡献率用于表征所述多界面任务下人员态势增强评价结果。
2.根据权利要求1所述的多界面任务下人员态势增强评价方法,其特征在于,所述采用德尔菲方法构建人员态势感知增强综合评价指标模型,具体包括:
确定人员态势感知的关键影响因素;所述键影响因素包括:态势感知能力、任务执行能力、交互操作性和生理状态;
根据所述人员态势感知的关键影响因素,得到指标体系调研数据;
对所述指标体系调研数据进行预处理,得到预处理结果;若所述预处理结果合理,则进行指标体系调研数据第二次处理;若所述预处理结果不合理,则重新获取指标体系调研数据;
对第二次处理合格的指标体系调研数据进行一致性检验,得到检验结果;若检验结果通过,则得到所述人员态势感知增强综合评价指标模型;若检验结果不通过,则需要重新确定人员态势感知的关键影响因素。
3.根据权利要求1所述的多界面任务下人员态势增强评价方法,其特征在于,将所述人员态势感知增强综合评价指标结果输入模糊决策与试验评价模型,得到人员态势感知增强综合评价指标结果的直接影响与综合影响,具体包括:
对所述人员态势感知增强综合评价指标结果进行模糊化处理,得到各指标间影响大小打分结果的语义变量矩阵;
对所述语义变量进行矩阵模糊运算,得到直接影响矩阵;
对所述直接影响矩阵进行规范化,得到规范化直接影响矩阵;
根据所述规范化直接影响矩阵,得到综合影响矩阵;所述综合影响矩阵用于表征所述直接影响与综合影响。
4.根据权利要求3所述的多界面任务下人员态势增强评价方法,其特征在于,根据所述直接影响与综合影响,得到指标原因度与中心度,具体包括:
根据所述综合影响矩阵,得到影响度、被影响度、中心度和原因度;
根据所述影响度、被影响度、中心度和原因度,得到去模糊的中心度和去模糊的原因度;
所述去模糊的中心度表征所述中心度;所述去模糊的原因度表征所述指标原因度。
5.根据权利要求4所述的多界面任务下人员态势增强评价方法,其特征在于,采用多维显著性特征法对所述筛选与优化后的关键指标进行定量计算,得到不同试验工况下关键指标的权重系数与相对变化幅度,具体包括:
将所述筛选与优化后的关键指标划分为正向参数和反向参数;其中,正向参数是指取值越大对目标贡献度越大的参数,反向参数是指取值越大对目标贡献度越小的参数;之后,采用极值标准化方法对所述正向参数和反向参数进行归一化处理,得到归一化的正向参数和反向参数;
利用广义加性混合模型对所述归一化的正向参数和反向参数进行统计分析,判定归一化的正向参数和反向参数是否存在显著性差异;
若存在显著性差异,所述相对变化幅度为广义加性混合模型的固定效应与固定借据的比值;
若不存在显著差异,所述相对变化幅度为0。
6.根据权利要求5所述的多界面任务下人员态势增强评价方法,其特征在于,根据所述相对变化幅度计算二级指标的相对变化幅度,具体包括:
根据所述去模糊的中心度和去模糊的原因度,得到二级指标的欧几里得距离占比;
将所述二级指标的欧几里得距离占比、所述权重系数与所述相对变化幅度进行耦合,得到所述二级指标的相对变化幅度。
7.一种多界面任务下人员态势增强评价系统,其特征在于,包括:
人员态势感知增强综合评价指标模块,用于:
获取态势感知相关资料文献并对影响态势感知的关键因素进行需求分析;
采用德尔菲方法构建人员态势感知增强综合评价指标模型;
将所述态势感知相关资料文献输入所述人员态势感知增强综合评价指标模型,得到人员态势感知增强综合评价指标结果;
模糊决策与试验评价模块,与所述人员态势感知增强综合评价指标模块连接,用于:
将所述人员态势感知增强综合评价指标结果输入模糊决策与试验评价模型,得到人员态势感知增强综合评价指标结果的直接影响与综合影响;
根据所述直接影响与综合影响,得到指标原因度与中心度;根据所述指标原因度与中心度,得到筛选与优化后的关键指标;
多维显著性特征提取模块,与所述模糊决策与试验评价模块连接,用于:
采用多维显著性特征法对所述筛选与优化后的关键指标进行定量计算,得到不同试验工况下关键指标的权重系数与相对变化幅度;
输出模块,与所述多维显著性特征提取模块连接,用于根据所述不同试验工况下关键指标的权重系数与相对变化幅度,得到人员态势感知增强的综合贡献率;所述综合贡献率用于表征所述多界面任务下人员态势增强评价结果。
8.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述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1-6中所述的多界面任务下人员态势增强评价方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1-6所述的多界面任务下人员态势增强评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541496.9A CN117575394A (zh) | 2023-11-20 | 2023-11-20 | 多界面任务下人员态势增强评价方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541496.9A CN117575394A (zh) | 2023-11-20 | 2023-11-20 | 多界面任务下人员态势增强评价方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117575394A true CN117575394A (zh) | 2024-02-20 |
Family
ID=89863773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541496.9A Pending CN117575394A (zh) | 2023-11-20 | 2023-11-20 | 多界面任务下人员态势增强评价方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575394A (zh) |
-
2023
- 2023-11-20 CN CN202311541496.9A patent/CN117575394A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | An empirical validation of a neural network model for software effort estimation | |
Shepperd | Software project economics: a roadmap | |
Scacchi | Understanding software productivity | |
Rao et al. | Multi-attribute group decision making method with dual comprehensive clouds under information environment of dual uncertain Z-numbers | |
CN110909984B (zh) | 业务数据处理模型训练方法、业务数据处理方法及装置 | |
Siskos et al. | New trends in aggregation-disaggregation approaches | |
JPH07325802A (ja) | ユーザビリティ測定方法 | |
US20020165841A1 (en) | Evidential reasoning system and method | |
CN105512465B (zh) | 基于改进vikor法的云平台安全性量化评估方法 | |
CN106845777A (zh) | 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质 | |
Chaudhari et al. | Descriptive models of sequential decisions in engineering design: An experimental study | |
CN115983981B (zh) | 一种基于金融数据分析的信用风险评估系统 | |
CN113449942A (zh) | 客户体验评测方法、系统及管理平台 | |
CN114444910A (zh) | 一种面向电力物联网的边缘网络系统健康度评估方法 | |
CN114881485A (zh) | 一种基于层次分析法和云模型的企业资金风险评估方法 | |
Oduro et al. | Do digital technologies pay off? A meta-analytic review of the digital technologies/firm performance nexus | |
US20020184140A1 (en) | Computerized method for determining a credit line | |
CN117011013A (zh) | 一种成本数据的处理方法、装置、设备、介质及程序产品 | |
CN117575394A (zh) | 多界面任务下人员态势增强评价方法、系统及设备 | |
CN115509877A (zh) | 一种信息系统性能效率的评估方法 | |
CN111832854A (zh) | 汽车研发质量管理体系的成熟度量化评价方法、系统及可读介质 | |
Wang et al. | Multi-criteria decision-making method-based approach to determine a proper level for extrapolation of Rainflow matrix | |
Malhotra et al. | A neuro-fuzzy classifier for website quality prediction | |
Li et al. | Assessment of product resilience towards the changing customer requirements | |
CN113094971A (zh) | 基于熵权-灰色层次分析的建模仿真即服务可信度评估方法及系统 |
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 |