【作者】 秦攀攀；

【导师】 张建华；

【作者基本信息】 华东理工大学 ， 控制科学与工程， 2011， 硕士

【摘要】 对人机系统操作员功能状态(Operator Functional States, OFS)进行准确评估的关键在于建立具有很强预测能力的数学模型。本文基于采集到的一系列操作员电生理信号及性能数据,采用最小二乘支持向量机(Least Squares Support Vector Machine, LS-SVM)方法对OFS建模。通过网格搜索(Grid Search)和10-折交叉验证(10-fold cross-validation)方法对模型参数进行优化,针对标准LS-SVM的不足,采用Suykens提出的LS-SVM的改进算法,建立了具有稀疏性和鲁棒性的LS-SVM模型,并将LS-SVM与基于遗传算法的模糊建模方法进行结果比较。结果表明,LS-SVM方法具有更好的泛化性能,将其用于OFS评估是有效的。根据模型预测结果,便可以调整控制策略,从而设计和实现智能化人机交互系统。更多还原

【Abstract】 The core problem of estimating Operator Functional State (OFS) in human-machine systems is construction of an appropriate mathematical model.This paper adopts Least Squares Support Vector Machine (LS-SVM) for OFS modeling based on a series of electrophysiological signals and operator performance data. model parameters are optimized by grid-search and 10-fold cross validation,and we get spare and robust model use modified LS-SVM algorithm proposed by Suykens.The simulation results show that LS-SVM has better generalization performance than GA-Mamdani,and it is efficient and feasible for OFS estimation use LS-SVM. The final model based on the results is used to adjust control strategies, achieving intelligent human-computer interaction.更多还原