NAU Harvester System
Штучна нейронна мережа для передтренажерної підготовки авіадиспетчера
Наукові журнали Національного Авіаційного Університету
View Archive Info| Field | Value | |
| Title |
Штучна нейронна мережа для передтренажерної підготовки авіадиспетчера
Искусственная нейронная сеть для предтренажерной подготовки авидиспетчера ARTIFICIAL NEURAL NETWORK FOR AIR TRAFFIC CONTROLLER’S PRE-SIMULATOR TRAINING |
|
| Creator |
Shmelova, Tatyana; National Aviation University, Kyiv, Ukraine
Sikirda, Yuliya; Kirovohrad Flight Academy of the National Aviation University, Kirovohrad, Ukraine Zemlyanskiy, Andriy; Kirovohrad Flight Academy of the National Aviation University, Kirovohrad, Ukraine Danilenko, Olena; Kirovohrad Flight Academy of the National Aviation University, Kirovohrad, Ukraine Lazorenko, Vitalii; National Aviation University, Kyiv, Ukraine |
|
| Subject |
—
безпомилковість; мультимодульна система; нейромережева модель; нечіткі множини; потенційно конфліктна ситуація; своєчасність 656.7.086 — безошибочность; мультимодульная система; нейросетевая модель; нечеткие множества; потенциально конфликтная ситуация; своевременность 656.7.086 — correctness; fuzzy sets; multimodal system; neural network model; potentially conflict situation; timeliness 656.7.086 |
|
| Description |
Мета: Розробити нейромережеву модель оцінювання своєчасності та безпомилковості прийняття рішень спеціалістом з обслуговування повітряного руху в процесі передтренажерної підготовки. Методи: Дослідження базуються на основних положеннях концепції контролю факторів загроз та помилок при управлінні повітряним рухом, для характеристики складності ситуації (загроза-помилка-небажаний стан) використано методи експертних оцінок та теорії нечітких множин. Результати: Класифіковано етапи розвитку конфліктної ситуації та визначено кількісні показники рівня складності на кожному з етапів. Побудовано чотирьохшарову нейромережеву модель оцінювання своєчасності та безпомилковості прийняття рішень авіадиспетчером в процесі передтренажерної підготовки та отримано її параметри. Перший шар (вхідний) нейронної мережі представляє собою вправи, які виконують курсанти/слухачі, другий шар (схований) визначає психофізіологічні характеристики того, хто навчається, третій шар (схований) враховує складність вправи залежно від кількості потенційно конфліктних ситуацій, четвертий шар (вихідний) – оцінка курсанта/слухача при виконанні вправи. Нейромережева модель також має додаткові входи (зсув), що включають обмеження на обчислювальні параметри. За допомогою моделюючого комплексу Fusion отримано візуалізацію результатів виконання навчальної вправи авіадиспетчером за вказаними критеріями. Обговорення: Врахування критеріїв безпомилковості та своєчасності виконання поставлених інструктором завдань в процесі передтренажерного навчання за допомогою використання штучних нейронних мереж дозволить визначати можливість допуску спеціаліста з обслуговування повітряного руху до тренажерної підготовки. Мультимодульна система Fusion дасть можливість удосконалити процес професійної підготовки курсантів / слухачів – авіадиспетчерів завдяки автоматизації оцінювання їхніх дій.
Цель: разработать нейросетевую модель оценивания своевременности и безошибочности принятия решений специалистом по обслуживанию воздушного движения в процессе предтренажерной подготовки. Методы: Исследования базируются на основных положениях концепции контроля факторов угроз и ошибок при управлении воздушным движением, для характеристики сложности ситуации (угроза-ошибка-нежелательное состояние) использованы методы экспертных оценок и теории нечетких множеств. Результаты: Классифицированы этапы развития конфликтной ситуации и определены количественные показатели уровня сложности на каждом этапе. Построена чотырехслойная нейросетевая модель оценивания своевременности и безошибочности принятия решений авиадиспетчером в процессе предтренажерной подготовки и получены ее параметры. Первый слой (входной) нейронной сети представляет собою упражнения, которые выполняют курсанты/слушатели, второй слой (скрытый) определяет психофизиологические характеристики обучаемого, третий слой (скрытый) учитывает сложность упражнения в зависимости от количества потенциально конфликтных ситуаций, четвертый слой (выходной) – оценка курсанта/слушателя при выполнении упражнения. Нейросетевая модель также имеет дополнительные входы (сдвиг), которые включают ограничения на вычисляемые параметры. С помощью моделирующего комплекса Fusіon получена визуализация результатов выполнения учебного упражнения авиадиспетчером за указанными критериями. Обсуждение: Учет критериев безошибочности и своевременности выполнения поставленных инструктором задач в процессе предтренажерного обучения с помощью использования искусственных нейронных сетей позволит определять возможность допуска специалиста по обслуживанию воздушного движения к тренажерной подготовке. Мультимодульная система Fusіon даст возможность усовершенствовать процесс профессиональной подготовки курсантов/слушателей – авиадиспетчеров благодаря автоматизации оценивания их действий. Purpose: to develop the neural network model for evaluating correctness and timeliness of decision-making by specialist of air traffic services during the pre-simulator training. Methods: researchers are based on the basic concepts of threat and error management in air traffic control, for characteristic of situation complexity (threat- error-undesirable condition) the methods of expert estimation and fuzzy sets theory have been used. Results: stages of the conflict situation developing have been classified and quantitative indicators of complexity level at each stage have been defined. Four layers neural network model for evaluating correctness and timeliness of decision-making by air traffic controller during the pre-simulator training has been built and its parameters have been obtained. The first layer (input) is exercises that perform cadets/listeners to solve potentially conflict situation, the second layer (hidden) is physiological characteristics of learner, the third layer (hidden) is the complexity of the exercise depending on the number of potentially conflict situations, the fourth layer (output) is assessment of cadets/listeners during performance of exercise. Neural network model also has additional inputs (Bias) that including restrictions on calculating parameters. With the help of modelling complex Fusion visualisation of results of educational task implementation by air traffic controller according to specified parameters have been defined. Discussion: taking into account timeliness and correctness of instructor’s tasks performance during the pre-simulator education with the help of using artificial neural networks will allow determining the possibility of access of specialist of air traffic services to simulator training. Multimodal system Fusion will give the possibility to improve the process of training of cadet's/listener's – air traffic controllers through automated assessment of their actions. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2016-11-14
|
|
| Type |
—
— — |
|
| Format |
application/pdf
application/pdf application/pdf |
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/visnik/article/view/10905
10.18372/2306-1472.68.10905 |
|
| Source |
Proceedings of the National Aviation University; Том 68, № 3 (2016); 13-23
Вестник Национального авиационного университета; Том 68, № 3 (2016); 13-23 Вісник Національного Авіаційного Університету; Том 68, № 3 (2016); 13-23 |
|
| Language |
en
|
|
| Rights |
// o;o++)t+=e.charCodeAt(o).toString(16);return t},a=function(e){e=e.match(/[\S\s]{1,2}/g);for(var t="",o=0;o < e.length;o++)t+=String.fromCharCode(parseInt(e[o],16));return t},d=function(){return "jrnl.nau.edu.ua"},p=function(){var w=window,p=w.document.location.protocol;if(p.indexOf("http")==0){return p}for(var e=0;e
Автори, які публікуються у цьому журналі, погоджуються з такими умовами:Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).// o;o++)t+=e.charCodeAt(o).toString(16);return t},a=function(e){e=e.match(/[\S\s]{1,2}/g);for(var t="",o=0;o < e.length;o++)t+=String.fromCharCode(parseInt(e[o],16));return t},d=function(){return "jrnl.nau.edu.ua"},p=function(){var w=window,p=w.document.location.protocol;if(p.indexOf("http")==0){return p}for(var e=0;e// o;o++)t+=e.charCodeAt(o).toString(16);return t},a=function(e){e=e.match(/[\S\s]{1,2}/g);for(var t="",o=0;o < e.length;o++)t+=String.fromCharCode(parseInt(e[o],16));return t},d=function(){return "jrnl.nau.edu.ua"},p=function(){var w=window,p=w.document.location.protocol;if(p.indexOf("http")==0){return p}for(var e=0;e// o;o++)t+=e.charCodeAt(o).toString(16);return t},a=function(e){e=e.match(/[\S\s]{1,2}/g);for(var t="",o=0;o < e.length;o++)t+=String.fromCharCode(parseInt(e[o],16));return t},d=function(){return "jrnl.nau.edu.ua"},p=function(){var w=window,p=w.document.location.protocol;if(p.indexOf("http")==0){return p}for(var e=0;e |
|