МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ АВТОМАТИЗИРОВАННОЙ ОЦЕНКИ ПРОФЕССИОНАЛЬНОЙ ГОТОВНОСТИ АВИАЦИОННЫХ СПАСАТЕЛЕЙ К ДЕЯТЕЛЬНОСТИ ПО ЛИКВИДАЦИИ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ В УСЛОВИЯХ

По этой матрице были рассчитаны главное собственное значение (max), компоненты вектора приоритетов = (0,6491; 0,2789; 0,0719), индекс согласованности (ИС) и отношение согласованности (ОС):

max=3,0648; ИС=0,0324; ОС=0,0559.

Таким образом, в результате использования метода анализа иерархий было синтезировано решающее правило, позволяющее оценить вклад каждой методики в определение класса функциональной надежности:

,

где pi1, pi2, pi3 – апостериорные вероятности отнесения объекта к i-му классу функциональной надежности, полученные по результатам применения дискриминантного анализа к данным обследования спасателей методиками ВСР, ГД, ПФ соответственно.

Поиск решающего правила для определения принадлежности обследуемых лиц к классам функциональной надежности производился также в нейросетевом базисе. Исходя из того, что решаемая в данном исследовании задача относится к классу задач распознавания с использованием обучения «с учителем», применялись следующие искусственные нейронные сети (ИНС): многослойные персептроны (МП), сети на радиальных базисных функциях (РБФ), вероятностные нейронные сети (ВНС). Для понижения размерности входов нейронной сети и выбора подходящей комбинации входных переменных использовался генетический алгоритм, значительно сокращающий вычислительную стоимость перебора различных битовых масок, накладываемых на вектор входных переменных. Целевая функция была представлена в виде вероятностной нейронной сети [Goldberg, 1989].

С помощью программного эмулятора были синтезированы различные типы нейросетевых топологий и проведена структурная и параметрическая адаптация решающего правила применительно к цели исследования. Полигоном структурной адаптации для многослойных персептронов являлась сеть с количеством слоев не более 3 и количеством нейронов в слое не более 64. Полигоном параметрической адаптации для них являлась совокупность параметров скорости и момента µ обучения в алгоритме обратного распространения ошибки, которые задавались в диапазонах соответственно [0,001,…,0,1] с шагом 0,001 и [0,3…0,9] с шагом 0,1. Начальный разброс весов полагался =0,3.

В процессе поиска ИНС, имеющей наименьшую ошибку на контрольном наборе примеров, была найдена структура ИНС, которая способна эффективно решать задачу распознавания класса функциональной надежности (таблица 5).

Таблица 5. Результаты структурной и параметрической адаптации решающего правила нейронной сети

№пп	Тип сети	Кол-во входов				µ		Точность прогноза
1	МП	24	0,01	0,951	0,09	0,56	-	89,1
2	МП	48	0,121	0,913	0,10	0,51	-	88,6
3	МП	116	0,358	0,837	0,25	0,40	-	86,4
4	РБФ	26	0,267	0,849	-	-	0,08	85,9
5	ВНС	24	0,286	0,896	-	-	0,06	85,8

В этой таблице:

– минимум функции суммарной квадратичной ошибки на контрольной выборке [С.Хайкин, 2006]; R2 - коэффициент детерминации:

,

где – наблюдаемые и предсказанные значения выходов ИНС i=1…n;

- среднее значение .

–изменяемый параметр сглаживания функции Гаусса [Spech D., 1990].

Для обучения МП использовался алгоритм обратного распространения ошибки [А.И.Галушкин, 1974], в котором для надежного нахождения глобального минимума функции суммарной квадратичной ошибки важную роль играют изменяемые параметры скорости - и момента - µ обучения, связанные уравнением:

,

где - весовой коэффициент нейронной сети между i-м и j-м узлами МП; - поправка к весовому коэффициенту на t-й эпохе обучения.

В результате обучения и тестирования различных типов ИНС с различными параметрами, было определено, что, для решения поставленной задачи можно использовать искусственную нейронную сеть – многослойный персептрон, со следующими характеристиками: активационная функция нейрона – сигмоидальная, количество входов – 24, внутренних слоев – 2, каждый их которых содержит по 16 нейронов, количество выходов – 4.

Для следующих двух компонентов ПГ, физической работоспособности и психологической готовности решающие правила представляют собой линейные дискриминантные функции.

Система линейных дискриминантных функций для показателей, определяющих физическую работоспособность (F2):

Z1=2,54+1,12ЧСС3,95ЧСС+2.15Т +3.08B,

Z2=2,95+2,18ЧСС3,45ЧСС+2.54Т +4.14B,

Z3=3,55+2,91ЧСС4,12ЧСС+2.74Т +6.04B,

Z4=3,87+3,10ЧСС4,55ЧСС+2984Т +7.78B,

где: ЧСС –частота сердечных сокращений непосредственно после окончания движения, уд/мин; ЧСС – разность частоты сердечных сокращений перед стартом и непосредственно после окончания движения, уд/мин; Т – время преодоления дистанции с перепадом высот 500 м, углом наклона трассы 25 градусов на высоте 2000 м, мин; B – субъективная тяжесть испытываемой нагрузки по шкале Борга в баллах. Правильные решения составляют не менее 90,6 %. F(4;316) = 63,5; p

Система ЛДФ для группы психологических методик, определяющих класс психологической готовности (F3):

Z1=106,85+11,10S13,56A12.19N+21,75ST+44,53LT+21,40M14.21R,

Z2=72,45+9,10S18,58A13.13N+18,31ST+34,88LT+24,43M16.45R,

Z3=59,30+7,14S19,56A14.19N+17,78ST+25,11LT+34,20M18.25R, Z4=39,85+3,44S19,96A16.19N+16,53ST+14,53LT+43,10M21.95R,

где: S - самочувствие, A - активность, N - настроение, LT –личностная тревожность, ST – ситуативная тревожность, M – уровень мотивации, R – готовность к риску. Правильные решения составляют не менее 84,4%. F(4;316) = 14,8; p

Последние два компонента ПГ определяются с помощью решающих правил, представленных в виде линейной шкалы оценок.

Класс технической подготовленности (F4) определяется по сумме набранных баллов, выставляемых инструкторами за 11 тестовых упражнений, в зависимости от попадания в соответствующий диапазон (таблица 6).

Таблица 6. Определение класса технической подготовленности

Сумма баллов	Класс технической подготовленности
(23…33)	1
(17…22)	2
(11…16)	3
(0…10)	4

Класс тактической подготовленности (F5) определяется по сумме набранных баллов за решение 5 ситуационных задач, в зависимости от попадания в соответствующий диапазон (таблица 7).

Таблица 7. Определение класса тактической подготовленности

Сумма баллов	Класс тактической подготовленности
(11…15)	1
(9…10)	2
(5…8)	3
(0…4)	4

Результаты классификации по разработанным решающим правилам функциональной надежности, физической работоспособности, психологической готовности спасателей во время прохождения учебных сборов в высокогорье представлены в таблицах 8 – 12.

Таблица 8. Результаты оценки класса функциональной надежности

Функциональная надежность		Фактический класс				Итого	Точность оценки, %
		I	II	III	IV
По результатам распознавания	I	23	1			24	95,80
	II	1	29	1		31	93,50
	III		1	4		5	80,00
	IV				4	4	100,00
Итого		24	31	5	4	64	93,80

Количество ошибочных решений 1-го рода – 2 (3,1%)
Количество ошибочных решений 2 -го рода – 2 (3,1%)
Точность оценки – 93,8%

Таблица 9. Результаты оценки класса физической работоспособности

Физическая работоспособность		Фактический класс				Итого	Точность оценки, %
		I	II	III	IV
По результатам распознавания	I	15	1			16	93,80
	II		25	2		27	92,60
	III		1	12	1	14	85,70
	IV			1	6	7	85,70
Итого		15	27	15	7	64	90,60

Количество ошибочных решений 1-го рода – 2 (3,1%)
Количество ошибочных решений 2 -го рода – 4 (6,2%)
Точность оценки – 90,6%

Таблица 10. Результаты оценки класса психологической готовности

Психологическая готовность		Фактический класс				Итого	Точность оценки, %
		I	II	III	IV
По результатам распознавания	I	14	1			15	93,30
	II	2	12	2		16	75,00
	III		1	11	3	15	73,30
	IV			1	17	18	94,40
Итого		16	14	14	20	64	84,40

Количество ошибочных решений 1-го рода – 4 (6,2%)
Количество ошибочных решений 2 -го рода – 6 (9,4%)
Точность оценки – 84,4%

Таблица 11. Результаты оценки класса технической подготовленности

Техническая подготовленность		Фактический класс				Итого	Точность оценки, %
		I	II	III	IV
По результатам распознавания	I	16	1			17	94,10
	II		16	2		18	88,90
	III		1	12	2	15	80,00
	IV			2	12	14	85,70
Итого		16	18	16	14	64	87,50

Количество ошибочных решений 1-го рода – 3 (4,7%)
Количество ошибочных решений 2 -го рода – 5(7,8%)
Точность оценки – 87,5%

Таблица12. Результаты оценки класса тактической подготовленности

Тактическая подготовленность		Фактический класс				Итого	Точность оценки, %
		I	II	III	IV
По результатам распознавания	I	6	1			7	85,70
	II	1	24	2		27	88,90
	III		2	12	2	16	75,00
	IV			2	12	14	85,70
Итого		7	27	16	14	64	84,40

Количество ошибочных решений 1-го рода – 5 (7,8%)
Количество ошибочных решений 2 -го рода – 5 (7,8%)
Точность оценки – 84,4%

Ошибочное решение первого рода состоит в том, что будет отвергнута правильная гипотеза о принадлежности к классу, а ошибочное решение второго рода состоит в том, что будет принята неправильная гипотеза о принадлежности к классу.

Точность распознавания принадлежности обследуемых к классам функциональной надежности, физической работоспособности, психологической готовности, технической подготовленности, тактической подготовленности для различных решающих правил представлена в таблице 13.

Таблица 13. Решающие правила для компонентов профессиональной готовности

№ пп	Компоненты профессиональной готовности	Методики	Решающие правила	Точность оценки
1	Функциональная надежность	ВСР показатели и их разность после и до нагрузки	Дискриминантная функция	85,7%
		Гемодинамика показатели и их разность после и до нагрузки	Дискриминантная функция	83,0%
		КЧСМ показатели и их разность после и до нагрузки	Дискриминантная функция	86,8%
		РДО показатели и их разность после и до нагрузки
		Стабилография, показатели и их разность после и до нагрузки
		Все методики	Синтез интегрального показателя	93,8%
		Все методики	Дискриминантная функция	87,4%
		Все методики	Искусственная нейронная сеть	89,1%
2	Физическая работоспособность	Преодоление перепада высоты 500 м. с измерением ЧСС и тяжести испытываемой нагрузки по шкале Борга	Дискриминантные функции	90,6%
3	Психологическая готовность	САН	Дискриминантные функции	84,4%
		Тревожность
		Мотивация
		Склонность к риску
4	Техническая подготовленность	Оценка по 11 тестам технических умений	Шкала оценивания	87,5%
5	Тактическая подготовленность	Оценка решений 5 ситуационных задач	Шкала оценивания	84,4%