Алгоритмическое и программное обеспечение человеко-машинных интерфейсов с когнитивно-графическим отображением информации для систем космического назначения тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Емельянова Юлия Геннадиевна

• Емельянова Юлия Геннадиевна
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Емельянова Юлия Геннадиевна

Список сокращений

Введение

Глава 1. Анализ методов построения когнитивных компонент к интерфейсам, предназначенным для мониторинга сложных объектов и систем

1.1. Поддержка деятельности оператора путем применения когнитивной

машинной графики

1.2. Основные понятия и определения

1.3. Эргономические требования к графическим пользовательским

интерфейсам

1.4. Анализ методов представления информации о состоянии многомерных

объектов и систем

1.4.1. Способы визуализации и классификации ^мерного объекта

1.4.2. Визуализация иерархических представлений данных

1.4.3. Когнитивные образы для обучения и поддержки принятия решений

аналитика

1.4.4. Методы визуализации аномальных событий в работе сложных

динамических систем реального времени

1.4.5. Сравнительные характеристики когнитивных образов

1.5. Постановка задачи исследования

1.6. Выводы по первой главе

Глава 2. Методика комплексного оценивания когнитивных графических образов

2.1. Информационные характеристики

2.2. Характеристики воспринимаемости

2.3. Определение весовых коэффициентов критериев качества

когнитивных графических образов

2.4. Оценка показателей применимости когнитивных образов

Стр.

2.5. Выводы по второй главе

Глава 3. Разработка и исследование методов когнитивного графического представления информации для поддержки принятия решений в наземных станциях командно-измерительных систем

3.1. Методы когнитивной графической визуализации радиотехнических сигналов

3.1.1. Формирование когнитивного образа радиотехнических сигналов

на основе полярной развертки

3.1.2. Оптимизация набора информативных признаков

3.1.3. Методы повышения качества визуального распознавания полярных разверток

3.1.4. Анализ и интерпретация когнитивных образов сигналов

3.2. Метод когнитивной визуализации данных с датчиков положения КА

3.3. Методы когнитивного представления состояний КА

3.3.1. Разработка образа для уровня подсистемы

3.3.2. Разработка образа для определенного КА

3.3.3. Разработка образа для группировки космических аппаратов

3.3.4. Отображение тенденции изменений в значениях наблюдаемых параметров

3.4. Выводы по третьей главе

Глава 4. Программно-технические решения по созданию интеллектуального интерфейса для НС КИС

4.1. Архитектура системы когнитивно-графического отображения состояний КА и НС КИС

4.2. Цифровые когнитивно-визуальные образы графического дополнения к интерфейсу НС КИС

4.2.1. Цветояркостный образ состояния НС КИС

4.2.2. Цветояркостные образы состояния подсистем НС КИС

Стр.

4.3. Сравнительный анализ разработанных когнитивных образов с аналогами

4.4. Выводы по четвертой главе

Общие выводы и заключение

Список литературы

Приложение

Список сокращений

АБ - аккумуляторная батарея

АКИС - аппаратура командно-измерительной системы АРМ - автоматизированное рабочее место АС - антенная система

АЧХ - амплитудно-частотная характеристика БСД - байесовская сеть доверия

БЦВК - бортовой цифровой вычислительный комплекс ВПУ - входное приемное устройство ВЧ - высокая частота

ДС РВ - динамическая система реального времени Доплер. поправка - тропосферная поправка ДПС - датчик положения солнца ИП - информационная панель КА - космический аппарат КГ - когнитивная графика

КГИИ - когнитивно-графический интеллектуальный интерфейс

Конв. ПЧ - конвертер промежуточной частоты

ЛПР - лицо, принимающее решение

МШУ - малошумящий усилитель

НАП - навигационный приемник

НКК - нечеткая когнитивная карта

НС КИС - наземная станция командно-измерительных систем

НЧ - низкая частота

ПО - программное обеспечение

Поиск. поправка - юстировочная поправка

ПРД - передатчик

ПСБ - панель солнечной батареи

ПЧ - промежуточная частота ПШС - псевдошумовой сигнал

ПЭВМ - персональная электронно-вычислительная машина РК - разовая команда ТМ - телеметрия

ТМИ - телеметрическая информация УМ - усилитель мощности

ФЗС ВЧ - формирователь запросного сигнала высокой частоты

ФЗС ПЧ - формирователь запросного сигнала промежуточной частоты

ФЧХ - фазочастотная характеристика

ЦМОС - цифровой модуль обработки сигналов

ЦУП - центр управления полетами

Введение диссертации (часть автореферата) на тему «Алгоритмическое и программное обеспечение человеко-машинных интерфейсов с когнитивно-графическим отображением информации для систем космического назначения»

Введение

Актуальность темы исследования. Одной из важных задач обработки телеметрической информации (ТМИ), поступающей от систем космического назначения, является оперативная оценка контролируемых ситуаций для поддержки принятия решений человека-оператора.

Перспективным направлением исследований служит когнитивная визуализация больших объемов многомерных данных специальными средствами интерфейса командно-измерительных систем (НС КИС), позволяющая оперативно обнаруживать нештатные ситуации [1]. Человеко-машинное взаимодействие строится на базе технологий образного представления больших объемов информации контролируемых объектов, способствующих быстрому принятию решений. На это направление обработки потоков данных обратили внимание ведущие специалисты космической отрасли, занимающиеся вопросами построения современных систем контроля и управления в АО «Российские космические системы», а также вопросами подготовки космонавтов в ЦПК имени Ю.А. Гагарина, которые инициировали построение первых систем когнитивной визуализации состояний сложных систем и процессов, например, в задачах стыковки космических аппаратов (КА). Использование когнитивной графики повышает информативность мнемосхем и качество восприятия информации.

Существенный вклад в развитие методов когнитивной графики, визуализации и управления отображением информации внесен отечественными исследователями. К ним следует отнести Д.А. Поспелова, А.А. Зенкина, А.А. Башлыкова, М.Н. Бурдаева, В.И. Бойко, А.Е. Янковскую, В.Г. Гришина, А.Ю. Зиновьева, В.Л. Горохова, Ю.В. Новоселова, А.Н. Анохина, Л.В. Массель, Н.Г. Чернышова, В.Н. Решетникова, М.В. Михайлюка, И.А. Осадчую. Среди зарубежных исследований можно выделить работы R.M. Axelrod, E. Kleiberg, H. van de Wetering, J.J. van Wijk, F. Beck, M. Burch, T. Munz, L. Silvestro, D. Weiskopf, H. Janetzko, F. Stoffel, S. Mittelstadt, D.A. Keim, H. Song, W. Muelder

Chr., Kwan-Liu Ma, E.T. Stoneking, Shah Neerav, D.J. Chai, Nan Cao, Yu-Ru Lin, David Gotz, Fan Du, A. Lex, M. Krstajic, V.H.A. Soares, J.A. dos Santos, M.C. Naldi, D.E. Kieras, T. Höllt и F Fischer.

Среди исследователей, занимающихся вопросами проектирования интерфейса, наиболее известными являются J. Raskin, A. Cooper, J. Nielsen, W.E. Wayne, R.J. Torres, T. Mandel, M. Smith, С. Жарков, В.В Головач, С.Ф. Сергеев, П.И. Падерно, Н.А. Назаренко, А.К.Гультяев, В.А. Мишин.

Разработка инструментов когнитивной графики началась сравнительно недавно, в семидесятых годах XX века [2]. В русскоязычной литературе термин «когнитивная графика» (КГ) впервые был предложен Зенкиным А.А [3]. По его определению «когнитивная графика» - это совокупность приемов и методов образного представления условий задачи, которая позволяет либо сразу увидеть решение, либо получить подсказку для его нахождения.

Поспелов Д.А. сформулировал три основные задачи когнитивной компьютерной графики [4]: 1) создание моделей представления знаний, которые позволяют одними и теми же средствами показывать как объекты логического оперирования, так и визуальные образы, способствующие интуитивному пониманию задачи; 2) представление в виде образов-картин тех знаний, для которых не существует словесного описания; 3) формулировка новой гипотезы об изучаемых данных на основе полученных когнитивно-графических образов.

К сожалению, новые технологии по ряду причин внедряются крайне медленно в отечественную космическую отрасль. В настоящее время нет единых принципов построения системы когнитивных образов, способных нести пользователям в обобщенных, лаконичных и наглядных формах большие объемы данных и насыщенные потоки информации. Как правило, образы создаются индивидуально с учетом конкретной прикладной области и интерпретируются экспертом на основе накопленных знаний [5]. Существующие многочисленные графические образы требуют тщательного изучения, количественной оценки с привлечением различных критериев и адаптации к динамическим системам реального времени (ДС РВ) космического назначения, имеющим сложную

иерархическую структуру. На данный момент систематические исследования когнитивных графических образов пока не выполнены в полном объеме, что препятствует их внедрению в рассматриваемой прикладной области. В связи с этим, основной задачей настоящей диссертационной работы является разработка новых математических методов анализа и визуализации многомерных данных для использования в составе перспективных графических интерфейсов НС КИС.

Актуальным является проведение комплексного исследования в области методов когнитивной визуализации состояний многопараметрических динамических объектов и создание на этой основе новых подходов к построению интерфейсов человеко-машинного взаимодействия в космической отрасли.

Объектом исследования являются методы когнитивной машинной графики, процессы обработки, визуализации и когнитивного анализа телеметрической информации.

Предметом исследования являются методы оценки качества графических образов и алгоритмы преобразования многомерных данных в когнитивные графические образы применительно к различным классам космических подсистем, повышающие объективность и оперативность принятия решений.

Целью исследования является создание методов информационной поддержки операторов НС КИС за счет образного представления больших объемов многомерных данных средствами когнитивной машинной графики.

Задача исследования - разработка когнитивных компонент к графическим интерфейсам для операторов систем контроля, диагностики и обработки информации НС КИС, отображающих в интерактивном режиме результаты обработки данных и текущую ситуацию в виде когнитивных образов.

В соответствии с задачей исследования в диссертационной работе ставятся и решаются частные подзадачи:

1. Анализ и классификация графических образов для контроля и определения состояний космических подсистем.

2. Выделение, оценка качества и ранжирование информативных параметров для построения когнитивных графических образов радиотехнических сигналов.

3. Анализ корреляционных связей в показаниях датчиков положения и ориентации космического аппарата с одновременной визуализацией ситуации с помощью 3D-модели КА для оперативного обнаружения сбоев, помех и неисправностей в их работе.

4. Разработка методов и программного обеспечения (ПО) для визуального контроля потоков данных телеметрии на основе математических представлений и когнитивного отображения информации в виде когнитивного дополнения к интерфейсам космического назначения.

Методы исследования. Для решения поставленных задач использовались методы когнитивной графики, методы и критерии визуальной аналитики, методы распознавания образов, имитационного моделирования, аналитической геометрии и алгебры.

Область исследования. Содержание диссертации соответствует следующим пунктам паспорта специальности 05.13.11 «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей» (технические науки): п.7 «Человеко-машинные интерфейсы; модели, методы, алгоритмы и программные средства машинной графики, визуализации, обработки изображений, систем виртуальной реальности, мультимедийного общения».

Научная новизна. Научная новизна заключается в разработке методов оценки и автоматического построения когнитивных образов в составе интеллектуальных интерфейсов, предоставляющих новые возможности человеку-оператору в решении задач определения состояний сложных объектов по многомерным параметрам в режиме реального времени. В том числе:

1. Метод комплексной формальной оценки когнитивных образов, предназначенный для выбора оптимального способа отображения контролируемой ситуации в работе сложного технического объекта.

2. Комплекс новых когнитивных образов для отображения и распознавания сложных сигналов с космических аппаратов на основе специальных сверток кортежей упорядоченных по информативности параметров.

3. Метод построения универсальных иерархических графических образов на основе циклоид, обеспечивающих, в отличие от существующих способов контроля, повышение информативности представления динамической ситуации за счет одновременного отображения классов текущего и предыдущих состояний подсистем космических аппаратов.

4. Новые двухуровневые когнитивные образы отображения состояния аппаратуры НС КИС для интеллектуальных интерфейсов наземных станций командно-измерительных систем, повышающие наглядность и скорость интерпретации текущей динамической ситуации.

Положения, выносимые на защиту:

• метод когнитивно-графического представления радиотехнических дискретных сигналов, основанный на ранжировании информативных признаков;

• метод иерархического представления универсальных когнитивных образов на основе циклоид, позволяющий контролировать приближение значений параметров к границам допустимого рабочего диапазона [5];

• метод визуализации информации в графическом интерфейсе НС КИС в виде динамических двухуровневых когнитивных образов, отвечающих требованиям эргономичности и обеспечивающих повышение скорости восприятия и понимания текущей ситуации;

• метод комплексной формальной оценки когнитивных образов, предназначенных для поддержки наблюдения оператором за состоянием сложной ДС РВ.

Практическая значимость работы состоит в том, что разработанные когнитивные образы позволяют улучшить эргономические качества интерфейсов для объектов космической отрасли и повысить эффективность работы лица, принимающего решение (ЛПР). Основные достоинства разработанных методов графической поддержки: наглядность интерпретации и надежность контроля телеметрии; возможность оперативного определения состояний объектов по многомерным параметрам на всех уровнях иерархии ДС РВ; легкость восприятия больших объемов и интенсивных потоков информации в реальном масштабе

времени. Предложенные методы визуализации позволяют контролировать приближение значений параметров к границам допустимого рабочего диапазона. Информативность образов увеличена путем одновременного отображения как класса текущего состояния, так и классов нескольких предыдущих состояний параметров, подсистем объектов и объектов контролируемой системы.

Достоверность результатов подтверждена математическими выкладками, практической реализацией когнитивных образов и их испытанием на реальных потоках данных с космических аппаратов.

Апробация работы. Результаты работы прошли апробацию на всероссийских научных конференциях и научно-практических конференциях:

Результаты работы прошли апробацию на всероссийских научных конференциях:

1) Научно-практической совместной конференции студентов, аспирантов, преподавателей и научных сотрудников Института программных систем Российской академии наук и «Университета города Переславля» им. А.К. Айламазяна (Переславль-Залесский, 2008 г.);

2) XI и XIII Научно-практических конференциях Университета города Переславля (Переславль-Залесский, 2007 и 2009 гг.);

3) III, IV, V и IX Всероссийских научно-технических конференциях «Актуальные проблемы ракетно-космического приборостроения и информационных технологий» (Москва, 2010, 2011, 2012 и 2018 гг.);

4) IV Всероссийской научной конференции молодых ученых с международным участием «Информатика, управление и системный анализ» (Тверь, 2016 г.);

5) V Национальном Суперкомпьютерном Форуме (НСКФ-2016) (Переславль-Залесский, 2016 г.).

Основные положения диссертации докладывались и обсуждались на научных семинарах лабораторий Федерального государственного бюджетного учреждения науки Института программных систем им. А.К. Айламазяна Российской академии наук (ИПС им. А.К. Айламазяна РАН), Федерального государственноого

бюджетного учреждения науки Института проблем управления им. В.А. Трапезникова Российской академии наук (ИПУ им. В.А. Трапезникова РАН), на Секции .№2 Интеллектуальный анализ неструктурированной информации Конференции «Искусственный интеллект: проблемы и пути решения» (парк «Патриот», 15 марта 2018 г.).

Внедрение. Основные результаты диссертационной работы использовались:

1) при выполнении СЧ НИР «Исследования и разработка архитектурных и программных технических решений и создание экспериментального образца нейросетевой системы мониторинга состояния и поведения подсистем космических аппаратов по телеметрическим данным в условиях натурной отработки с полнотой и точностью распознавания ситуации при использовании нейросетевого классификатора в задачах диагностики не менее 85 процентов», шифр «Мониторинг-СГ-1.2.5.1» (2014-2017) по Программе Союзного государства «Разработка космических и наземных средств обеспечения потребителей России и Беларуси информацией дистанционного зондирования Земли» (получен Акт об использовании (внедрении) результатов диссертационной работы от 12.09.2017 г.);

2) при выполнении НИОКР «Создание прикладной интеллектуальной системы информационной поддержки НС КИС», этап 2: «Разработка и экспериментальная реализация интеллектуального интерфейса для информационной поддержки НС КИС» по договору № 07-15/2007 с ИПС им. А.К. Айламазяна РАН (получен Акт об использовании (внедрении) результатов диссертационной работы от 18.08.2017 г.);

3) при выполнении ОКР «Разработка прототипа программной нейросетевой системы контроля телеметрической информации, диагностики подсистем космических аппаратов, обработки космических снимков», шифр «Нейросеть» (2008-2011) по Программе Союзного государства «Разработка базовых элементов, технологий создания и применения орбитальных и наземных средств многофункциональной космической системы» (получено Свидетельство о государственной регистрации ПЭВМ № 2012613261).

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 26 печатных работах; из них 8 статей опубликованы в изданиях, рекомендованных ВАК РФ для публикации результатов кандидатских диссертаций. Получено 4 Свидетельства о государственной регистрации программы для ЭВМ. Опубликована совместная монография: Бурдаев М.Н., Емельянова Ю.Г., Хачумов В.М. Когнитивная машинная графика в системах космического и медицинского назначения / под общ. ред. М.Н. Бурдаева. М.: Ленанд, 2019. 256 с.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, списка литературы и приложения. Основной текст содержит 168 страниц, 56 рисунков, 26 таблиц. Список литературы содержит 16 страниц и включает 1 42 наименования.

Содержание работы по главам

Во введении обоснована актуальность темы диссертации, ее научная новизна и практическая значимость, сформулирована цель работы и приведено краткое содержание диссертации по главам.

Первая глава посвящена анализу методов построения когнитивных графических дополнений и образов к человеко-машинным интерфейсам. Выполнена классификация современных решений в области когнитивной визуализации данных и выявлены их недостатки [6]. Сформулированы требования к когнитивным графическим образам, предназначенным для визуализации текущего состояния в ДС РВ со сложной иерархической структурой. Отмечено, что когнитивная графика получает все большее распространение и применение при построении интеллектуальных пользовательских интерфейсов [5]. Введены основные определения «когнитивная графика», «когнитивно-графический интеллектуальный интерфейс», «когнитивно-графическое представление ситуации».

Выделены четыре класса объектов контроля, предназначенных для отображения в виде когнитивно-графических образов: 1) радиотехнические сигналы; 2) данные, полученные от датчиков ориентации космического аппарата;

3) телеметрия, полученная от объединенных в орбитальную группировку КА;

4) информация функционального контроля о состоянии аппаратуры НС КИС. В соответствии с указанными классами объектов предлагается следующая классификация когнитивно-графических образов: «интегральное контурное представление», «когнитивно-мнемонические образы», «когнитивно-иллюстративные образы», «цифровые когнитивно-визуальные образы». На основе выполненного анализа сформулированы цель и основные задачи диссертационной работы.

Во второй главе рассмотрены формальные методы оценки графических пользовательских интерфейсов и информационных панелей (ИП), пригодных для вычисления количественных показателей когнитивных графических образов. Получены формулы для вычисления показателей качества когнитивно-графических образов. Выполнена оценка применимости анализируемых когнитивных образов к задачам контроля ситуаций в космических системах.

Предложенная совокупность оценок может быть практически использована для сравнения качества различных когнитивных образов с целью выбора наиболее подходящих для применения в составе НС КИС. На основе выявления и обобщения мнений ряда исследователей-экспертов из:

1) АО «Российские космические системы»,

2) «Научно-исследовательский институт космических систем им. А.А. Максимова» - филиала Федерального государственного унитарного предприятия «Государственный космический научно-производственный центр им. М.В. Хруничева» («НИИ КС им. А.А. Максимова» - филиал ФГУП «ГКНПЦ им. М.В. Хруничева»),

3) Федерального государственного бюджетного учреждения «Научно-исследовательский испытательный центр подготовки космонавтов имени Ю.А. Гагарина» (ФГБУ «НИИ ЦПК имени Ю.А. Гагарина»),

4) ИПУ им. В.А. Трапезникова РАН,

5) Национального исследовательского университета «Московский энергетический институт» НИУ «МЭИ»;

занимающихся вопросами визуализации, установлена следующая приоритетность количественных показателей когнитивно-графических образов аддитивного критерия (1): 1) ситуационная интерпретируемость аномалии (Х1 = 0.221), 2) селективность аномалии (А2 = 0.214), 3) ситуационная интерпретируемость критического состояния (А3 = 0.164), 4) селективность критического состояния (А = 0.157), 5) математическое ожидание времени целевого зрительного поиска нужной информации (А5 = 0.104), 6) наглядность (А6 = 0.093), 7) структурность (А7 = 0.039), 8) целостность (А* = 0.025).

В третьей главе разработаны методы когнитивного графического представления информации для поддержки принятия решений в наземных станциях командно-измерительных систем [7]. Приведены результаты исследования по преобразованию в визуальные образы следующей информации: радиотехнические сигналы, данные телеметрии о состоянии подсистем КА, показания датчиков ориентации КА, информация функционального контроля НС КИС.

Предложены и исследованы методы визуализации радиотехнических сигналов КА в когнитивно-графической форме, предназначенные, в том числе, для поддержки принятия решений и обучения эксплуатирующего персонала НС КИС [8]. Для построения когнитивно-графических образов радиотехнических сигналов используется метод интегрального контурного представления по методу полярной развертки [9, 10].

Предлагается подход, основанный на корреляционном анализе показаний датчиков с КА [7]. Наличие корреляционных связей в показаниях положения и ориентации, с одной стороны, объясняет поведение трехмерной модели космического аппарата. С другой стороны, поведение созданной когнитивной графической модели подтверждается наличием корреляционных зависимостей в показаниях датчиков КА.

Разработана трехуровневая система универсальных когнитивных образов: первый уровень представляет собой образ для группы контролируемых объектов, составляющих в своей совокупности комплексную ДС РВ; на втором уровне

отображается состояние отдельного объекта; на третьем - визуализируются параметры рассматриваемого объекта, сгруппированные в подсистемы. В качестве основы когнитивного образа использован метод интегрального контурного представления [9]. В секторах когнитивного образа располагаются фигуры, ограниченные дугой окружности и какой-либо из кривых: ветвь эпициклоиды, ветвь гипоциклоиды, эллиптическая дуга или ветвь гиперболы [10]. Цветовое кодирование фигур имеет однозначную интуитивную интерпретацию. Размер фигуры соответствует величине отклонения параметра от среднего значения на допустимом рабочем диапазоне [5, 11]. Данная визуализация позволяет оператору обнаружить объект системы, работающий в аномальном режиме, и контролировать приближение значений параметров к границам допустимого рабочего диапазона. Информативность образа увеличена путем одновременного отображения как класса текущего состояния, так и классов нескольких предыдущих состояний параметров, подсистем объектов и объектов контролируемой системы.

В четвертой главе рассмотрены решения по созданию интеллектуального интерфейса для НС КИС [12-14]. Подобный интерфейс позволяет снизить нагрузку на операторов и повысить эффективность принятия решений за счет оперативного отображения текущей ситуации в виде, удобном для оператора. В частности, интерфейс отображает 3D когнитивную модель космического аппарата, позволяющую оперативно выявлять сбои в работе датчиков ориентации. Показано когнитивное дополнение к интерфейсу, содержащее цветояркостные образы приборов и обобщающий когнитивный образ всех элементов космической системы. Выполнена экспериментальная программная реализация графического интерфейса с использованием технологии .Net.

В заключении приведены основные результаты, полученные в диссертационной работе.

Глава 1. Анализ методов построения когнитивных компонент к интерфейсам, предназначенным для мониторинга сложных объектов и

систем

1.1. Поддержка деятельности оператора путем применения когнитивной

машинной графики

Современный уровень технологического прогресса позволяет почти полностью автоматизировать рабочие места операторов, контролирующих состояние сложных технических систем с динамически меняющимся состоянием [15]. В том случае, если рабочее место оператора перегружено большими объемами данных, разработчики программного обеспечения строят прикладную систему отображения «Больших Данных» в соответствии с особенностями решаемой задачи. Для решения многих сложных задач необходима научная визуализация сложных процессов и визуализация больших объемов данных, включая ТМИ. Повышение эффективности и результативности, снижение дискомфорта в деятельности оператора, при нарастающем темпе развития вычислительных технологий, возможно только с помощью улучшения условий использования, показателей качества и эргономичности интерфейса. Эргономичный интерфейс должен хорошо работать с точки зрения оператора, а не с точки зрения компьютера. То есть, в системе «человек-машина» главным объектом является человек, а система - подчиненным. В связи с этим возникает новая область научно-практической деятельности - проектирование взаимодействия, которое является описанием возможного поведения пользователя [16, 17]. Зачастую наилучшими показателями обладают интеллектуальные интерфейсы.

Современные программные продукты, предназначенные для отображения телеметрии в реальном времени, используют статистические методы визуализации,

сопровождающиеся гипертекстом, или же загромождают окно оператора сложными схемами контролируемых систем. Примером служит диспетчерский пульт крупного энергоблока, на который выводится информация, поступающая от нескольких тысяч датчиков [14]. Методы визуализации подобного рода вынуждают оператора следить за множеством окон, содержащих разнородную информацию. Наблюдение в течение длительного интервала времени за информацией, представленной в виде текста или в виде множества схем, графиков и таблиц - это труд с недопустимо высокими психофизиологическими и нервно-психическими затратами человека. С целью повышения скорости и надежности работы операторов сложных систем при одновременном снижении их утомляемости созданы нетекстовые способы представления информации, из которых можно выделить следующие:

• графический способ представления информации,

• формулярный способ представления информации,

• мнемонические способы представления информации.

При контроле состояния ДС РВ лицо, принимающее решение, вынуждено длительное время наблюдать за большим количеством одновременно меняющихся параметров, что приводит к высокой степени утомляемости и высоким психическим нагрузкам [15]. В работе [18] отмечено, что загруженность оператора может быть снижена при предоставлении информации в графическом виде. Исследования в области инженерной психологии показали, что наилучший способ представления информации - графический [19]. Это подтверждается и тем, что зрительная память преобладает над словесно-логической [19, 20]. В отличие от текстового представления данных, графический способ визуализации предлагает более эффективный и простой подход к анализу миллионов записей в журнале телеметрии [15]. Методы графики помогают немедленно определить нештатные ситуации и выявить общие тенденции среди отдельных параметров. Характеристики управляемого объекта можно закодировать различными графическими способами, называемыми категориями кода: формой, условными знаками, буквами, цифрами, цветом, яркостью, размером фигур и т.п. К основным

способам кодирования графической информации относят: 1) кодирование цветом, 2) кодирование условными знаками, 3) кодирование формой, 4) кодирование размером, 5) кодирование пространственной ориентацией, 6) кодирование миганием, 7) кодирование яркостью. Выбор кода отображения информации определяется задачей, которую должен решать оператор. Например, задаче обнаружения или определения места сигнала лучше соответствует цветовое кодирование, задаче опознавания - кодирование условными знаками, задаче определения количественных характеристик - цифровое кодирование, задаче пространственной ориентации - кодирование наглядными образами [21]. В работе [19] составлена общая приоритетность для различных категорий кодирования: 1) цвет, 2) форма, 3) размер, 4) пространственная ориентация, 5) яркость. Для привлечения внимания пользователей к каким-то сообщениям или элементам управления следует применять правило: сначала движение, затем яркий цвет, потом остальные визуальные коды [21, 22].

Список литературы диссертационного исследования кандидат наук Емельянова Юлия Геннадиевна, 2020 год

Список литературы

1. Талалаев А.А., Фраленко В.П. Отказоустойчивая система организации высокопроизводительных вычислений для решения задач обработки потоков данных // Программные системы: теория и приложения. 2018. № 1. С. 85-108.

2. Axelrod R.M. The Structure of Decision: Cognitive Maps of Political Elites // Princeton University Press, 2016. 422 с.

3. Зенкин А. А. Когнитивная компьютерная графика. М.: Наука, 1990. 192 с.

4. Поспелов Д. А. Когнитивная графика - окно в новый мир // Программные продукты и системы. 1992. № 2. С. 4-6.

5. Емельянова Ю.Г. Разработка методов когнитивного отображения состояний динамических систем реального времени // Искусственный интеллект и принятие решений. 2016. № 3. С. 21-30.

6. Бурдаев М.Н., Емельянова Ю.Г., Хачумов В.М. Когнитивная машинная графика в системах космического и медицинского назначения / под общ. ред. М.Н. Бурдаева. М.: Ленанд, 2019. 256 с.

7. Емельянова Ю.Г., Хачумов В.М. Когнитивные графические дополнения к интерфейсам командно-измерительных систем авиакосмического назначения // Известия высших учебных заведений. Авиационная техника. 2018. №2 1. C. 106-113.

8. Емельянова Ю.Г., Теплоухова Н.Е. Моделирование и когнитивно-графическое представление радиотехнических сигналов в системах обучения эксплуатирующего персонала // Авиакосмическое приборостроение. 2011. № 9. С. 21-30.

9. Гришин В.Г. Образный анализ экспериментальных данных. М.: Наука, 1982. 237 с.

10. Выгодский М.Я. Справочник по высшей математике. 11-е издание. М.: Наука, 1976. 872 c.

11. Емельянова Ю.Г., Фраленко В.П., Шишкин О.Г. Автоматическое восстановление пропущенных, исправление поврежденных и эмуляция данных

телеметрии космического аппарата // Современные наукоемкие технологии. 2019. № 5. С. 47-51.

12. Емельянова Ю.Г. Средства когнитивной графики для отображения и анализа текущего состояния наземных станций командно-измерительных систем // Программные системы: теория и приложения / Сборник трудов научно-практической совместной конференции студентов, аспирантов, преподавателей и научных сотрудников Института программных систем Российской академии наук и Университета города Переславля им. А.К. Айламазяна. Переславль-Залесский. 2008. Т. 1. С. 111-121.

13. Емельянова Ю.Г. Графический анализ информации в системах космического назначения // Программные продукты и системы. 2009. № 2. С. 4549.

14. Смирнов С.В. Средства когнитивной графики для отображения текущего состояния наземных станций командно-измерительных систем // Авиакосмическое приборостроение. 2008. № 3. C. 47-57.

15. Емельянова Ю.Г., Фраленко В.П. Методы когнитивно-графического представления информации для эффективного мониторинга сложных технических систем // Программные системы: теория и приложения. 2018. №2 4. С. 117-158. DOI: 10.25209/2079-3316-2018-9-4-117-158.

16. Сергеев С.Ф., Падерно П.И., Назаренко Н.А. Введение в проектирование интеллектуальных интерфейсов. Учебное пособие. СПб.: СПбГУ ИТМО, 2011. 108 с.

17. Купер А., Рейман Р., Кронин Д. Алан Купер об интерфейсе. Основы проектирования взаимодействия. СПб.: Символ-Плюс, 2010. 688 с. ISBN 978-593286-132-5.

18. Бурдаев М.Н., Хачумов В.М. Использование методов когнитивной графики в учебном процессе космонавтов / Материалы XXXII общественно -научных чтений, посвященных памяти Ю.А.Гагарина (Гагаринский сборник). Гагарин. 2006. С. 218-225.

19. Бойко В.И. Целевой технический мнемоязык, повышающий эффективность функционирования специалистов в контуре управления и обработки информации: дис. ... канд. техн. наук. Москва. 1994. 150 с.

20. Card S.K., Moran T.P., Newell A. The Psychology of Human-Computer Interaction. London: Lawrence Erlbaum Associates, 1983. 469 p. ISBN 0-89859-243-7. URL: http://www-personal.umich.edu/~itm/688/wk7/CMN-ch2.PDF (дата обращения: 15.05.2019).

21. Кодирование информации. Pereosnastka.ru - информационный сайт о металло- и деревообработке. 2015. URL: http://pereosnastka.ru/articles/kodirovanie-informatsii (дата обращения: 19.04.2019).

22. Кулямин В.В. Технологии программирования. Компонентный подход. М.: ИПС РАН, 2006. 315 с.

23. Емельянова Ю.Г., Хачумов В.М. Концепция архитектуры автоматизированного рабочего места для дистанционного мониторинга арктической зоны // Информатика, управление и системный анализ (ИУСА-2016): Труды IV Всероссийской научной конференции молодых ученых с международным участием. Тверь: ТвГТУ, 2016. С. 39-53.

24. Анохин А.Н., Ивкин А.С. Визуальная поддержка когнитивной деятельности операторов АЭС на примере представления состояния барабана-сепаратора на АЭС с РБМК // Безопасность АЭС и подготовка кадров 2013: Сборник трудов XIII Международной конференции. Обнинск: ИАТЭ НИЯУ МИФИ, 2013. С. 18-24.

25. Marmaras N., Drivalou S. Design and Evaluation of Ecological Interfaces. «THALES Basic Research Program». Project Results Demonstration, 2005. 6 p.

26. Ecological Interface Design / V.A. Bijsterbosch [et al] // Sensor Failure Diagnosis in Air Traffic Control. IFAC-PapersOnLine. 2016. 49-19. P. 307-312.

27. An Ecological Interface Design Approach for Developing Integrated and Advanced In-Vehicle Information System / Sang Ho Kim [et al] // Indian Journal of Science and Technology. 2016. Vol. 9(16). 18 p.

28. Yakubu I. Development of a flight collision avoidance system for a free flight environment: an ecological interface design approach // International Journal of Multidisciplinary and Current Research. 2013. July-August. P. 117-147.

29. Массель Л.В., Массель А.Г., Иванов Р.А. Когнитивная графика и семантическое моделирование для геопространственных решений в энергетике // Материалы Международной конференции «ИнтерКарто/ИнтерГИС». 2015. № 1(21). С. 496-503. DOI: 10.24057/2414-9179-2015-1-21-496-503.

30. Визуальная аналитика многомерных динамических данных / Д.Д. Попов [и др.] // Труды XVIII Международной конференции DAMDID/RCDL'2016: Аналитика и управление данными в областях с интенсивным использованием данных. Ершово. 2016. С. 51-57. URL: http://ceur-ws.org/Vol-1752/paper09.pdf (дата обращения: 31.03.2019).

31. Кашницкий Ю.С. Визуальная аналитика в задаче трикластеризации многомерных данных: Труды Московского физико-технического института (МФТИ). 2014. Т. 6. № 3. С. 43-56.

32. Fischer F. Visual Analytics for Situational Awareness in Cyber Security // Konstanzer Online-Publikations-System (KOPS). 2016. 220 p. URL: http://nbn-resolving.de/urn:nbn:de:bsz:352-0-378085 (date of the address 31.03.2017).

33. Hollt T. Visual Workflows for Oil and Gas Exploration: Ph.D. Thesis. Thuwal. 2013. 153 p.

34. Overview + Detail Visualization for Ensembles of Diffusion Tensors. / C. Zhang [et al] // Computer Graphics Forum (Proceedings of EuroVis), 2017. 36(3). P. 121-132.

35. Anomaly detection for visual analytics of power consumption data / H. Janetzko [et al] // Computers & Graphics. 2014. Vol. 38. P. 27-37. DOI: 10.1016/j.cag.2013.10.006.

36. ГОСТ 26387-84. Система «человек-машина». Термины и определения. М.: Изд-во стандартов, 1986. 5 с.

37. Сергеев С.Ф. Введение в инженерную психологию и эргономику иммерсивных сред. Учебное пособие. СПб.: СПбГУ ИТМО, 2011. 258 с.

38. Савиных В.П. Информационные модели в дистанционных исследованиях Земли // Образовательные ресурсы и технологии. 2016. № 1(13). С. 109-121.

39. Матчин В.Т. Информационная модель в человеко-машинной системе // Перспективы науки и образования. 2014. № 6 (12). С. 14-18.

40. Тутушкина М.К. Психологические основы кодирования зрительной информации для человека-оператора: автореферат дис. ... докт. психол. наук. Ленинград. 1982. 33 с.

41. Горюнова Л.Н. Операторская деятельность в человекотехнических системах. Учебное пособие. СПб.: СПбГУ, 2006. 68 с.

42. Emelyanova Yu.G., Khachumov V.M. Cognitive Graphical Additions to the Interfaces of Command Measurement Systems for Aerospace Application // Russian Aeronautics. 2018. Issue 1. P. 112-119.

43. Ломов Б.Ф. Справочник по инженерной психологии. М.: Машиностроение, 1982. 368 с.

44. Сергеев С.Ф. Введение в инженерную психологию и эргономику иммерсивных сред. Учебное пособие. СПб.: СПбГУ ИТМО, 2011. 258 с. URL: http://window.edu.ru/resource/819/72819/files/itmo518.pdf (дата обращения: 10.03.2019).

45. Гвоздев С.М., Садовникова Н.Д. Распознавание образов на основе анализа цветового пространственно-частотного спектра изображения // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2008: Сб. материалов VIII Международной конференции. Курск. 2008. Ч.1. С. 99-101.

46. Шупейко И.Г. Теория и практика инженерно-психологического проектирования экспертизы. Учебно-методическое пособие. Минск: БГУИР, 2010. 120 с. ISBN 978-985-488-511 -7.

47. Ломов Б.Ф. Инженерная психология в военном деле. М.: Воениздат, 1983.

224 с.

48. Стрельченко В.И. Особенности восприятия и понимания пиктограмм: дис. ... канд. психол. наук. Киев. 1980. 220 с.

49. Рябинкина Л.И. Исследование эффективности информационного поиска при различных способах кодирования: автореферат дис. ... канд. психол. наук. Ленинград. 1978. 23 с.

50. Бурдаев М.Н., Емельянова Ю.Г., Хачумов В.М. Когнитивная машинная графика в системах космического и медицинского назначения. М.: Ленанд, 2019. 256 с.

51. Современные человеко-машинные интерфейсы управления авиационными и космическими системами / Ю.Г. Емельянова [и др.] // Авиакосмическое приборостроение. 2019. № 1. С. 38-46. DOI: 10.25791/aviakosmos.01.2019.397.

52. Кочеткова И.А. Способы и алгоритмы обработки информации и принятия решений о сердечно-сосудистой патологии на основе механизмов визуализации и теории нечетких множеств: дис. ... канд. техн. наук. Курск. 2014. 169 с.

53. Soares V.H.A., Santos J.A., Naldi M.C. Visualization in Big Data: A tool for pattern recognition in data stream // Revista de Sistemas de Informa?ao da FSMA. 2015. Vol 1(15). P. 30-39.

54. Янковская А.Е., Ямшанов А.В. Интеллектуальные обучающе-тестирующие системы с применением когнитивных технологий // XII Всероссийское совещание по проблемам управления ВСПУ-2014: Труды. М.: Институт проблем управления им. В.А. Трапезникова РАН, 2014. С. 4183-4191.

55. Ямшанов А.В. Модели и методы параллельных вычислений для построения отказоустойчивых диагностических тестов в интеллектуальных системах с когнитивной компонентой: дис. ...канд. техн. наук. Томск. 2017. 167 с.

56. Александров П.С. Комбинаторная топология. М.: ГИТТЛ, 1947. 672 с.

57. Графические методы анализа данных // Электронный учебник по статистике. URL: http://statsoft.ra/home/textbook/modules/stgraph.html (дата обращения: 30.03.2019).

58. Башлыков А.А. Компьютерные информационные системы для интеллектуальной поддержки операторов АЭС. М.: ОАО «ВНИИОЭНГ», 2016. 520 с.

59. Осадчая И.А., Берестнева О.Г., Немеров Е.В. Анализ многомерных медицинских данных с помощью пиктографиков «лица Чернова» // Бюллетень сибирской медицины. 2014. Т. 13. № 4. С. 89-93

60. Грошев С. В., Пивоварова Н. В. Использование кривых Эндрюса для визуализации многомерных данных в задачах многокритериальной оптимизации // Наука и образование. МГТУ им. Н.Э. Баумана, 2015. № 12. С. 197-214.

61. Лазутин О.Г. Методика доведения информации о техническом состоянии космических средств с использованием алгоритмов сжатия данных и когнитивного графического представления // Труды Военно-космической академии им. А.Ф. Можайского. Выпуск 650. СПб.: ВКА им. А.Ф. Можайского, 2016. С. 11-17. URL: http://trudvka.ru/download/2016/650_march_2016.pdf (дата обращения: 10.03.2019).

62. Горохов В.Л. Возможности когнитивных компьютерных технологий при мониторинге опасных факторов и охране труда в строительстве и других отраслях // Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2013. № 1. 8 с.

63. Зиновьев А. Ю. Визуализация многомерных данных. Красноярск: КГТУ,

2000. 180 с.

64. Kleiberg E., H. van de Wetering, J.J. van Wijk. Botanical Visualization of Huge Hierarchies // Proceedings of the Symposium on Information Visualization (InfoViz'01).

2001. P. 87-94.

65. Generalized Pythagoras Trees for Visualizing Hierarchies / F. Beck [et al] // Proceedings of the 5th International Conference on Information Visualization Theory and Applications. Lisbon. Portugal. 2014. Vol. 1: IVAPP. P. 17-28.

66. Путято М.М. Разработка методов и алгоритмов интеллектуальной поддержки принятия решений на основе нечетких когнитивных карт: автореферат дис. ... канд. техн. наук. Краснодар. 2011. 24 с.

67. Феррейра Опасо Е.В., Терелянский П.В. Представление когнитивных карт в трехмерном пространстве // XII Всероссийское совещание по проблемам управления ВСПУ. М.: ИПУ им. В.А. Трапезникова РАН, 2014. С. 6149-6154.

68. Массель Л.В., Пяткова Е.В. Применение байесовских сетей доверия для интеллектуальной поддержки исследований проблем энергетической безопасности // Вестник ИрГТУ, 2012. № 2 (61). С. 8-13.

69. Бурдаев М.Н. Годографы и уравнение перелета в центральном поле тяготения // Программные системы: теория и приложения. 2012. Т. 3. № 3(12). C. 79-92.

70. Матюшин М.М., Саркисян Х.В. Построение оценочной функции для поддержки принятия оперативных решений при контроле параметров состояния космического аппарата // Наука и образование. МГТУ им. Н.Э. Баумана, 2011. № 4. 15 с.

71. Сакулин С.А. Анализ состояния технологических процессов на основе нечетких экспертных знаний: дис. ... канд. техн. наук. Москва. 2009. 169 с.

72. Жукова Н.А. Методы и модели оперативного контроля состояния сложных динамических объектов на основе измерительной информации с использованием алгоритмов интеллектуального анализа данных: автореферат дис. ... канд. техн. наук. Санкт-Петербург. 2008. 16 с.

73. Comparative Analysis of Multidimensional, Quantitative Data / A. Lex [et al] // IEEE Transactions on Visualization and Computer Graphics. 2010. Vol 16. 9 p.

74. Keim D.A., Krstajic M. Visualization of streaming data // Observing change and context in information visualization techniques: IEEE International Conference on Big Data. 2013. P. 41-47.

75. Полунина Е.В. Методология разработки и создания моделей бортовых вычислительных комплексов для тренажеров пилотируемых космических аппаратов: дис. ... докт. техн. наук. Звездный Городок. 2011. 175 с.

76. Song H., Muelder Chr. W., Kwan-Liu Ma. Crucial Nodes Centric Visual Monitoring and Analysis of Computer Networks // In Proceedings of International Conference on Cyber Security. 2012. P. 16-23. URL: http://vis.cs.ucdavis.edu/papers/cybersec2012-song.pdf (дата обращения: 28.04.2019).

77. Новоселов Ю.В. Методы и программные средства когнитивной графики для интеллектуальных систем поддержки принятия решений: автореферат дис. ... канд. техн. наук. Москва. 2013. 20 с.

78. Тихомиров С.А. Алгоритмы анализа телеметрической информации и поддержки принятия решений в системах автоматизации испытаний космических ракет-носителей: автореферат дис. ... канд. техн. наук. Рязань. 2014. 20 с.

79. Z-Glyph: Visualizing outliers in multivariate data / Nan Cao [et al] // Information Visualization. 2017. Vol 17(3). 19 p.

80. Башлыков А.А. Когнитивная графика как средство образного представления состояния энергоблоков атомных электростанций. Трансэнергострой, 2014. 19 с. URL: http://transenergostroy.ru/publications/src/20140623/Когн_графика_АЭС.pdf (дата обращения: 12.05.2019).

81. Вагин В.Н., Еремеев А.П. Базовые принципы конструирования интеллектуальных систем поддержки принятия решений реального времени для мониторинга и управления сложными техническими объектами // Труды Третьего расширенного семинара Использование методов искусственного интеллекта и высокопроизводительных вычислений в аэрокосмических исследованиях. М.: Физматлит, 2003. с.79-97.

82. Хачумов В.М., Ксенофонтова Е.В. Образный анализ и диагностика сложных процессов // Доклады 11-й Всероссийской конференции Математические методы распознавания образов (ММРО-11). М.: Регион-Холдинг, 2003. С. 201-204.

83. Башлыков А.А. Принципы построения когнитивного образа типа «калейдоскоп» для оперативной интеллектуальной поддержки оперативного диспетчера нефтепроводных систем // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2015. № 5. С. 9-16.

84. Башлыков А.А. «Линия гидроуклона» как когнитивный образ для организации директорного управления магистральными нефтепроводами // Автоматизация, телемеханизация и связь в нефтяной промышленности. М.: ВНИОЭНГ, 2015. № 3. С. 4-11.

85. Pinzger М., Gall Н., Fischer М. Visualizing Multiple Evolution Metrics In Proceedings of the 2005 ACM symposium on Software Visualization of the software development process. P. 67-75.

86. Stoneking Eric T., Shah Neerav, Chai Dean J. Real-time Visualization of Spacecraft Telemetry for the GLAST and LRO Missions // SpaceOps 2010 Conference Delivering on the Dream. Huntsville, Alabama. 2010. 11 p.

87. Virtual spacecraft enhanced monitoring & diagnostics through virtual reality // ESA. 2011. URL: http://www.esa.int/Our_Activities/Operations/Virtual_Spacecraft_br_ Enhanced_Monitoring_Diagnostics_through_Virtual_Reality/(print) (дата обращения: 07.05.2019)

88. Хачумов В.М. Введение в распознавание образов. Учебное пособие. М.: РУДН, 2015. 150 с.

89. Майоров А.А. Пространственное когнитивное моделирование // Перспективы науки и образования. 2014. № 1. С. 33-37.

90. Tsvetkov V.Ya. The Cognitive Modeling with the Use of Spatial Information // European Journal of Technology and Design. 2015. № 4. Vol. 10. Is. 4. P. 149-158. DOI: 10.13187/ejtd.2015.10.149 www.ejournal4.com

91. Цветков В.Я. Когнитивные образовательные модели // Управление образованием, теория и практика. 2014. № 1. С. 32-42.

92. Бойченко Г.Н. Графические органайзеры как средство обучения: дидактические функции и перспективы применения // XXV Ежегодная международная конференция-выставка (ИТ0-2015): Тез. докл. URL: http://ito.su/main.php?pid=26&fid=9278 (дата обращения: 28.02.2019).

93. Пономарев И.А. Разработка моделей и алгоритмов для многокритериальной оценки качества графического пользовательского интерфейса: дис. ... канд. техн. наук. Москва. 2006. 185 с.

94. Автоматизированное управление технологическими процессами. Учебное пособие / Под ред. В.Б. Яковлева. Л.: Ленинградский Университет, 1988. 224 с.

95. Абрамов Н.С., Талалаев А.А., Фраленко В.П. Интеллектуальный анализ телеметрической информации для диагностики оборудования космического аппарата // Информационные технологии и вычислительные системы. 2016. № 1. С. 64-75.

96. Емельянова Ю.Г., Фраленко В.П., Хачумов В.М. Методы комплексного оценивания когнитивных графических образов // Программные системы: теория и приложения. 2018. № 3. С. 49-63. DOI: 10.25209/2079-3316-2018-9-3-49-63.

97. Поллак Г.А. Информатика. Учебное пособие. Челябинск: ЮУрГУ, 2014.

114 с.

98. Душков Б.А. Основы инженерной психологии. Учебник для вузов // Душков Б.А., Королев А.В., Смирнов Б.А. М.: Академический проект, 2002. 576 с. ISBN 5-8291-0159-9. URL: https://studfiles.net/preview/2687887/page:8/ (дата обращения: 01.03.2019).

99. Горячкин Б.С. Оценка выходных экранных форм автоматизированной системы обработки информации и управления // Международный научно-исследовательский журнал. 2016. № 10(52). Ч. 2. С. 24-27.

100. Шишаев М.Г., Ломов П.А., Диковицкий В.В. Формализация задачи построения когнитивных пользовательских интерфейсов мультипредметных информационных ресурсов // Труды Кольского научного центра РАН. Информационные технологии. 2013. № 5 (18). С. 90-97.

101. Лекции по ИП. Критерии качества интерфейса пользователя. URL: http://www.studmed.ru/docs/document1414?view=2 (дата обращения: 01.03.2019).

102. Kieras D.E. A Guide to GOMS Model Usability Evaluation using GOMSL and GLEAN4 // Electrical Engineering and Computer Science Department University of Michigan. 2006. 72 p.

103. Делов В.А., Фащев В.В. Актуальность корректной расстановки весовых коэффициентов в задачах классификации радиолокационных целей // Вестник Концерна ВКО «Алмаз - Антей». 2017. № 2. С. 56-60. ISSN 2542-0542.

104. Завалишин Н.В., Мучник И.Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1975. 344 с.

105. Вичевская Ю.А., Мурынов А.И. Структурный анализ изображений на основе использования функции информативности // Альманах современной науки и образования. Тамбов: Грамота, 2010. № 4 (35). С. 53-55

106. Comber T., Maltby J.R. Investigating Layout Complexity // Design, specification, and verification of interactive systems '96: proceedings of the Eurographics Workshop in Namur. Belgium, Springer, Wien; New York, 1996. 15 p. URL: http://epubs.scu.edu.au/cgi/viewcontent.cgi?article= 1002&context=comm_pubs (дата обращения: 18.05.2019).

107. Stickel С., Ebner M., Holzinger A. The XAOS Metric - Understanding Visual Complexity as measure of usability // Work & Learning, Life & Leisure, Springer, 2010. P. 278-290.

108. Кузнецов Л.А., Бугаков Д.А. Разработка меры оценки информационного расстояния между графическими объектами // Информационно-измерительные системы. 2013. № 1. С. 74-79.

109. Раскин Д. Интерфейс: новые направления в проектировании компьютерных систем. СПб.: Символ-Плюс, 2005. 277 с.

110. Звенигородский, А.С., Коломыйцев, О.А. Оценка визуальной информации в технических системах //Искусственный интеллект. 2011. № 4. С. 1923.

111. Визуальное восприятие и применение принципов гештальта в веб-дизайне. LPgenerator. 2017. URL: http://lpgenerator.ru/blog/2015/01/08/vizualnoe-vospriyatie-i-primenenie-principov-geshtalta-v-veb-dizajne (дата обращения: 15.05.2019).

112. Вертгеймер М. Продуктивное мышление. М.: Прогресс, 1987. 186 с.

113. Состав инструментальных программных средств для моделирования работы и когнитивно-графического представления информации радиотехнических систем на базе суперкомпьютера семейства «СКИФ». Ракетно-космическое приборостроение и информационные технологии / Ю.Г.Емельянова [и др.] // Актуальные проблемы ракетно-космического приборостроения и

информационных технологий: Труды IV Всероссийской научно-технической конференции. М.: Радиотехника, 2012. С. 282-292. ISBN 978-5-88070-023-3.

114. Состав инструментальных программных средств для моделирования работы и когнитивно-графического представления информации радиотехнических систем на базе суперкомпьютера семейства «СКИФ» / Ю.Г.Емельянова [и др.] // Актуальные проблемы ракетно-космического приборостроения и информационных технологий: Тез. докл. IV Всероссийской научно-технической конференции. М.: Радиотехника, 2011. С. 128-130. ISBN 978-5-88070-296-1.

115. Лайнос Р. Цифровая обработка сигналов. 2-е издание. М.: Бином-Пресс, 2006. 656 с.

116. Сергиенко А. Б. Цифровая обработка сигналов. Учебное пособие. 3-е издание. СПб.: БХВ-Петербург, 2011. 768 с.

117. Слока В.К. Вопросы обработки радиолокационных сигналов. М: Сов. радио, 1970. 256 с.

118. Баскаков С.И. Радиотехнические цепи и сигналы. 2-е издание. М.: Высшая школа, 1987. 446 с.

119. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 с. URL: http://sernam.ru/book_zg.php (дата обращения: 29.03.2019).

120. Жвалевский О.В. Отбор информативных признаков: постановка задачи и методика ее решения // Труды СПИИРАН. Вып. 4. СПб.: Наука, 2007. С.416-426.

121. Хачумов М.В. О выборе метрики для решения задач классификации и кластеризации // Материалы Первой Всероссийской научной конференции с международным участием (SASM-2011) «Системный анализ и семиотическое моделирование». Казань: Издательство «Фэн» Академии наук РТ, 2011. С. 255-260.

122. Амелькин С.А., Захаров А.В., Хачумов В.М. Обобщенное расстояние Евклида-Махаланобиса и его свойства // Информационные технологии и вычислительные системы. 2006. № 4. С. 40-44.

123. Derczynski L. Complementarity, F-score, and NLP Evaluation // Proceedings of the Tenth International Conference on Language Resources and Evaluation

(LREC'16). European Language Resources Association (ELRA) (Portoroz, Slovenia, May, 2016), 2016. P. 261-266.

124. Emelyanova J.G. The control of spacecraft orientation management system with cognitive graphics application // Proceedings of Junior research and development conference of Ailamazyan Pereslavl university. Pereslavl. 2009. P. 63-70.

125. Чернов В.Ю. Полетный контроль датчиков угловых скоростей с принудительным вращением // Известия высших учебных заведений. Авиационная техника. 2006. № 1. С. 43-47.

126. Чернов В.Ю. Полетный контроль датчиков системы управления с функциональным тестированием // Известия высших учебных заведений. Авиационная техника. 2005. № 2. С. 52-55.

127. Кузнецов Ю.А, Уханов Е.В. Применение фильтра Калмана в задаче идентификации отказов двигателей стабилизации космического аппарата // Вестник НТУ ХПИ. Харьков. 2004. № 19. С. 121-126.

128. Талалаев А.А., Фраленко В.П. Контроль и диагностика датчиков положения космического аппарата // Искусственный интеллект и принятие решений. 2009. № 3. С. 49-52.

129. Нейросетевая система контроля датчиков углов ориентации и дальности космического аппарата / Ю.Г. Емельянова [и др.] // Программные системы: теория и приложения. 2010. № 1(1) С. 45-59

130. Суханов А.В. Интеллектуальные методы обнаружения и прогнозирования аномальных событий в темпоральных данных: дис. ... канд. техн. наук. Таганрог. 2016. 159 с.

131. Автоматизированное рабочее место «АРМ-Арктика 1.0» для приема-передачи и обработки информации дистанционного зондирования Арктической зоны: с. № 2017617791 / Абрамов Н.С., Емельянова Ю.Г., Талалаев А.А., Фраленко В.П., Хачумов М.В., Хачумов В.М., Шишкин О.Г., Шустова М.В. заявл. 23.05.17; опубл. 12.07.17.

132. Когнитивное дополнение к графическим интерфейсам сложных технических систем: с. № 2018610738 / Емельянова Ю.Г. заявл. 22.11.17; опубл. 16.01.18. Бюл.№1

133. Методы, модели и программные средства обработки данных космического мониторинга Арктической зоны / Ю.Г. Емельянова [и др.] // Авиакосмическое приборостроение. 2017. № 7. С. 38-51.

134. Архитектура системы мониторинга и прогнозирования состояния космического аппарата / Ю.Г. Емельянова [и др.] // Программные системы: теория и приложения. 2015. 6:2(25). C. 85-99.

135. Архитектурные и программные решения для мониторинга состояний подсистем космических аппаратов по телеметрическим данным / Ю.Г. Емельянова [и др.] // Материалы V Национального Суперкомпьютерного Форума (НСКФ-2016). Переславль-Залесский. 2016. - 18 с. URL: http ://2016.nscf.ru/TesisAll/10_Stendovaya/536_KhachumovVM.pdf (дата обращения: 05.06.2019).

136. Емельянова Ю.Г., Шишкин О.Г. Методы интеллектуального контроля и диагностики сложных технических систем космического назначения // Актуальные проблемы ракетно-космического приборостроения и информационных технологий: Труды IX Всероссийской научно-технической конференции. М.: Радиотехника, 2018. 11 с.

137. Старова О.А. Розы Гвидо Гранди // Математика. Всё для учителя. Серия Грани математики. 2015. № 10(58). С. 30-32. URL: http://www.e-osnova.ru/PDF/osnova_3_58_12909.pdf (дата обращения: 15.07.2019).

138. Кольтюков Н.А., Белоусов О.А. Основы эргономики и дизайна РЭС: Учебное пособие по курсовому проектированию. Тамбов: ТГТУ, 2012. 124 с. URL: http://window.edu.ru/resource/104/80104/files/koltukov.pdf (дата обращения: 15.07.2019).

139. Построение интеллектуального графического интерфейса для контроля и диагностики космических подсистем / Ю.Г. Емельянова [и др.] // Актуальные проблемы ракетно-космического приборостроения и информационных

технологий: Труды III Всероссийской научно-технической конференции. М.: Радиотехника, 2011. С. 272-281. ISBN 978-5-88070-299-2.

140. Построение интеллектуального графического интерфейса для контроля и диагностики космических подсистем / Ю.Г. Емельянова [и др.] // Актуальные проблемы ракетно-космического приборостроения и информационных технологий: Тез. докл. III Всероссийской научно-технической конференции. М.: Радиотехника, 2010. 1 с. ISBN 978-5-88070-264-0.

141. Нейросетевая система контроля телеметрической информации, диагностики подсистем космических аппаратов, обработки космических снимков (ПС НСКиД): с. № 2012613261 / Хачумов В.М., Тищенко И.П., Талалаев А.А., Константинов К.А., Фраленко В.П., Емельянова Ю.Г. заявл. 18.11.11; опубл. 06.04.12.

142. Интерфейс для визуального когнитивного контроля радиотехнических сигналов систем космического назначения: с. № 2019660963 / Емельянова Ю.Г. заявл. 06.08.19; опубл. 15.08.19. Бюл. №8

Приложение

П.1. Примеры расчета численных критериев качества

Фрактал Новоселова Ю.В.

1) Ситуационная интерпретируемость аномалии вычисляется программным способом по формуле (2.5). Предварительно подготавливается эталонный образ, являющийся отображением состояния объекта при нормальных показаниях всех параметров (Рисунок П.1 а) и идентифицируемое изображение, являющееся отображением состояния объекта при аномальном состоянии нескольких параметров (Рисунок П.1 б).

а) норма б) аномалия в) критическое состояние

Рисунок П.1. Фрактал Новоселова при штатном и нештатных состояниях Полученная ситуационная интерпретируемость аномалии равна 0.001. 2) Ситуационная интерпретируемость критического состояния, аналогично ситуационной интерпретируемости аномалии, вычисляется по формуле (2.5) программным способом. Идентифицируемым изображением в этом случае является образ объекта при критическом состоянии нескольких параметров (Рисунок П.1 в). Полученная ситуационная интерпретируемость критического состояния равна 0.001.

3) Наглядность вычисляется по формуле (2.2). Число уровней системы образов равно четырем: L = 4. На первом и втором уровнях, в некоторых образах подсистем, при наличии в них аномальных значений параметров, нет визуальных сигналов, указывающих на нештатную ситуацию. На третьем и четвертом уровне аномальное значение параметра отмечено ярким цветом. В подразделе 2.2. указано, что вес атрибута «яркий цвет» равен 0.214. Таким образом получим = l4=1p(l) = £f=i max w(a) = 0 + 0 + 0.214 + 0.214 = 0.428.

аеР1

4) Структурность вычисляется по формуле (2.6). Визуальными элементами являются 256 лучей, 84 соединительных линий и центральное ядро, значит N0 = 256 + 84 + 1 = 341. Причем, все элементы скомпонованы по принципам «близости» и «общей зоны», значит Nb = 341 и Nz = 341. Все 341 объектов графически связан между собой и воспринимаются как организованное целое, значит Nt = 341. Центральное ядро является средством компоновки 340 элементов фрактала по принципу «схожести», значит Ns = 341 - 1 = 340. Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно к1 = 0.4, к2 = 0.3, к3 = 0.2, к4 = 0.1. Подставим полученные значения

341 341 341 340

в формулу (2.6), тогда Wstr = 0.4— + 0.3 — + 0.2 — + 0.1— = 0.999.

т г J J \ ^ sir 341 341 341 341

5) Селективность аномалии вычисляется программным способом по формуле (2.3). Предварительно подготавливается изображение в формате PNG, которое является непрозрачным только в области сигнала об аномалии. Согласно программным вычислениям, селективность аномалии фрактала Новоселова равна 0.954.

6) Селективность критического состояния вычисляется программным способом по формуле (2.3). Предварительно подготавливается изображение в формате PNG, которое является непрозрачным только в области сигнала о критическом состоянии параметров. Согласно программным вычислениям, селективность критического состояния фрактала Новоселова равна 0.991.

7) Математическое ожидание времени целевого зрительного поиска (формула 2.9). Как подсчитано в п. 4, всего в образе 341 элемент, поэтому

п — 341. Возьмем объем зрительного восприятия а — 7. На Рисунке 1.23 выделено цветами, сигнализирующими о нештатных ситуациях, 87 элементов. Значит число объектов, обладающих заданным для поиска признаком М — 87. Возьмем среднюю длительность зрительной фиксации — 200 мс., так как образ состоит из простых геометрических фигур (Таблица 2). Согласно формуле (2.9), ТзеагсН —

п+а

■Тгу —

341+7

200 — 0.113 с.

а-с(1+М) 7-1000-(1+87)

8) Целостность вычисляется по формуле (2.8). Всего в образе 341 элемент. Все элементы скомпонованы по принципам «содержательности», «замкнутости», «симметрии» и «продолжения». Значит, целостность равна 1.

Ядро с лучами

1) Ситуационная интерпретируемость аномалии вычисляется программным способом по формуле (2.5). Предварительно подготавливается эталонный образ, являющийся отображением состояния объекта при нормальных показаниях всех подсистем (Рисунок П.2 а) и идентифицируемое изображение, являющееся отображением состояния объекта при аномальном состоянии одной подсистемы (Рисунок П.2 б).

а) норма б) аномалия в) критическое состояние

Рисунок П.2. Ядро с лучами при штатном и нештатных состояниях Полученная ситуационная интерпретируемость аномалии равна 0.009. 2) Ситуационная интерпретируемость критического состояния, аналогично ситуационной интерпретируемости аномалии, вычисляется по формуле (2.5) программным способом. Идентифицируемым изображением в этом случае является образ объекта при критическом состоянии одной

подсистемы (Рисунок П.2 в). Полученная ситуационная интерпретируемость критического состояния равна 0.104.

3) Наглядность вычисляется по формуле (2.2). Число уровней системы образов равно трем: 1 = 3. Идентифицирующими атрибутами на первом и втором уровне являются цвет отходящего луча, форма отходящего луча и выражение лица на ядре. Из них атрибут «яркий цвет» имеет наибольший приоритет, и его вес равен 0.214 (подраздел 2.2.). На третьем уровне идентифицирующими атрибутами являются форма и размер «узких» секторов. Из них атрибут «форма» имеет наибольший приоритет, и его вес равен 0.176. Тогда Ф0ьу = Та^рО) = Yif=1maxw(a) = 0.214 + 0.214 + 0.176 = 0.604.

аеР1

4) Структурность вычисляется по формуле (2.6). Визуальными элементами на уровне системы и подсистемы являются 8 лучей, одно ядро, и 3 элемента, формирующих «лицо» внутри ядра. На уровне параметров когнитивный образ представляет собой кольцевое изображение, содержащее 25 «крупных» и 10 «узких» секторов (Рисунок 1.31 в), значит Ы0 = 2 (8 + 1 + 3) + 25 + 10 = 59. Все визуальные элементы расположены близко друг к другу и воспринимаются как объекты трех групп, т.е. скомпонованы по принципу «близости» поэтому Иъ = 59. Все объекты расположены в пределах замкнутых областей по принципу «общей зоны», поэтому Иг = 59. Все объекты графически связаны и воспринимаются как три организованных целых фигуры, значит, они организованы по принципу «связи» поэтому N1 = 59. При нормальном состоянии лучи одинаковой формы и цвета. Можно считать, что по принципу схожести на уровне системы и подсистемы организовано по восемь лучей, фигуры, обозначающие глаза внутри ядер, и 25 «крупных» секторов на уровне параметров. Поэтому Ы3 = 8 + 8 + 2 + 2 + 25 = 45.

Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно к1 = 0.4, к2 = 0.3, к3 = 0.2,

59

к4 = 0.1. Подставим полученные значения в формулу (2.6), тогда = 0А — +

59 59 45

0.3 — + 0.2 — + 0.1— = 0.976.

59 59 59

5) Селективность аномалии вычисляется программным способом по формуле (2.3). Предварительно подготавливается изображение в формате PNG, которое является непрозрачным только в области сигнала об аномалии (Рисунок П.3 а).

а) аномалия б) критическое состояние

Рисунок П.3. Сигналы о нештатных состояниях в ядре с лучами

Согласно программным вычислениям, селективность аномалии ядра с лучами равна 0.874.

6) Селективность критического состояния вычисляется программным способом по формуле (2.3). Предварительно подготавливается изображение в формате PNG, которое является непрозрачным только в области сигнала о критическом состоянии параметров (Рисунок П.3 б). Согласно программным вычислениям, селективность критического состояния ядра с лучами равна 0.963.

7) Математическое ожидание времени целевого зрительного поиска (формула 2.9). Как подсчитано в п. 4, всего в образе 59 элементов, поэтому п = 59. Возьмем объем зрительного восприятия а = 7. На Рисунке 1.31 б расположено четыре элемента, сигнализирующих о нештатных ситуациях: желтый «волнистый» луч, красный «волнистый луч», элемент, символизирующий «рот», красное ядро. На Рисунке 1.31 в два «желтых» и один «красный» секторы отображают нештатное состояние трех параметров. Значит число объектов, обладающих заданными для поиска признаками, М = 4 + 2 + 1 = 7. Возьмем среднюю длительность зрительной фиксации 7ух = 200 мс., так как образ состоит из простых геометрических фигур (Таблица 2). Согласно формуле (2.9), Tsearch —

п+а

Tfv —

59 + 7

а-с(1+М) fx 7-1000-(1+7)

200 — 0.236 с.

8) Целостность вычисляется по формуле (2.8). Всего в образе 59 элементов. Все элементы скомпонованы по принципам «содержательности», «симметрии» и «продолжения», значит Ы0 = Ыр = Ы3 = = 59. Образ имеет трехуровневую структуру, и состоит из трех образов, имеющих замкнутый контур. Значит количество индикаторов, скомпонованных в целостный образ, имеющий замкнутый контур Ис = 59; количество целостных образов = 3; количество индикаторов, скомпонованных в сложный целостный образ = 59. Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно к1 = 0.4, к2 = 0.3, к3 = 0.2, к4 = 0.1.

59

Подставим полученные значения в формулу (2.8), тогда №ыНо1 = 0А— +

59 59 59

0.3-^-^ + 0.2 — + 0.1— = 0.985.

(3 + 59) 59 59

Многомерный образ сердечно-сосудистой системы

1) Ситуационная интерпретируемость аномалии (формула 2.5). Образ не предназначен для отображения аномальных ситуаций, поэтому ситуационная интерпретируемость аномалии равна нулю.

2) Ситуационная интерпретируемость критического состояния (формула 2.5). Образ не предназначен для отображения критических ситуаций, поэтому ситуационная интерпретируемость критического состояния равна нулю.

3) Наглядность. Вычисляется по формуле (2.2). Число уровней навигационной структуры образа 1 = 1. Классифицируемая точка (текущее состояние пациента) выделена ярким красным цветом, значит идентифицирующим атрибутом является яркий цвет. В подразделе 2.2. указано, что вес идентифицирующего атрибута «яркий цвет» равен 0.214. Тогда по формуле (2.2) Ф0ьУ = р(1) = ш(яркий_цвет) = 0.21А.

4) Структурность (формула 2.6). Всего изображено 128 точек, пять цветных областей и один отрезок, поэтому общее количество элементов, составляющих образ, Ы0 = 128 + 5 + 1 = 134. Все точки, кроме одной, и отрезка расположены группами внутри цветных областей, поэтому Иъ = 134 - 1 - 1 = 132. Все объекты, кроме одной точки и отрезка расположены в пределах замкнутых областей,

поэтому Иг = 134 - 1 - 1 = 132. Все точки графически связаны либо цветным фоном, либо линиями, поэтому N1 = 134. Одна точка красного цвета и не похожа на все остальные; один отрезок не похож на остальные объекты; поэтому Ы5 = 134 - 1 - 1 = 132. Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно = 0.4, к2 = 0.3, к3 = 0.2,

132

к4 = 0.1. Подставим полученные значения в формулу (2.6), тогда = 0.4--+

134

0.3 — + 0.2 — + 0.1— = 0.988.

134 134 134

5) Селективность аномалии (формула 2.3). Образ не предназначен для отображения аномальных ситуаций, поэтому селективность аномалии равна нулю.

6) Селективность критического состояния (формула 2.3). Образ на предназначен для отображения критического состояния, поэтому селективность критического состояния равна нулю.

7) Математическое ожидание времени целевого зрительного поиска (формула 2.9). Как подсчитано в п. 4, всего в образе 134 объекта, поэтому п = 134. Возьмем объем зрительного восприятия а = 7. Только одна точка, обозначающая текущее состояние пациента, выделена красным цветом, поэтому число объектов, обладающих заданным для поиска признаком М = 1. Возьмем среднюю длительность зрительной фиксации 7ух = 640 мс так как надо рассматривать, к какой области изучаемый объект находится ближе всего (Таблица 2), т.е. ознакамливаться с ситуацией, обозначенной условными

знаками. Согласно формуле (2.9Х Г5еагсй = 7}х = ^^ +17+1) • 640 =

6.445 с.

8) Целостность вычисляется по формуле (2.8). Всего изображено 134 элемента, т.е. = 134. В сложные замкнутые формы заключены все точки, кроме одной и отрезка, поэтому количество индикаторов, заключенных в сложную замкнутую форму, = 134 - 1 - 1 = 132 и количество индикаторов, скомпонованных в целостный образ, имеющий замкнутый контур, = 134 - 1 - 1 = 132. Всего 5 замкнутых целостных областей, в которых расположены точки, поэтому ^ = 5. Только одна точка и отрезок находятся вне замкнутых целостных

фигур, поэтому количество индикаторов, скомпонованных в сложный целостный образ, Ыа = 134 - 1 - 1 = 132. Образ полностью несимметричен, поэтому Ы3 = 0. На замкнутых линиях расположено 52 точки, значит они скомпонованы по принципу «продолжения» и = 52. Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно к1 = 0.4, к2 = 0.3, к3 = 0.2, к4 = 0.1. Подставим полученные значения в

132 132 52

формулу (2.8), тогда = 0.4— + 0.3 + 0.2 • 0 + 0.1— = 0.722.

Образы для НС КИС

1) Ситуационная интерпретируемость аномалии вычисляется программным способом по формуле (2.5). Предварительно подготавливается эталонный образ, являющийся отображением состояния НС КИС при нормальных показаниях всех параметров (Рисунок П.4 а) и идентифицируемое изображение, являющееся отображением состояния объекта при аномальном состоянии одного из параметров (точность наведения АС по азимуту) (Рисунок П.4 б).

а) норма

б) аномалия

Рисунок П.4. Образ НС КИС при штатном и нештатных состояниях

Полученная ситуационная интерпретируемость аномалии равна 0.049.

2) Ситуационная интерпретируемость критического состояния, аналогично ситуационной интерпретируемости аномалии, вычисляется по формуле (2.5) программным способом. Идентифицируемым изображением в этом случае является образ НС КИС при критическом показании параметра «уровень сигнала» (Рисунок П.5).

Рисунок П.5. Образ НС КИС при критическом состоянии одного из параметров Полученная ситуационная интерпретируемость критического состояния равна 0.135.

3) Наглядность вычисляется по формуле (2.2). Число уровней системы образов равно двум: I = 2. Идентифицирующим атрибутом на первом уровне является ярко-красный цвет сектора овала; а на втором: положение стрелки в розовом секторе и ярко-красный цвет нижнего сектора. В подразделе 2.2. указано, что атрибут «яркий цвет» имеет приоритет больший, чем «позиция», и равен 0.214. Тогда по формуле (2.2) ФоЬу = £2=^(0 = Е2=1 тахш(а) = 0.214 + 0.214 = 0.428.

4) Структурность вычисляется по формуле (2.6). Визуальными элементами на уровне системы являются восемь секторов, два прямоугольника, элементы «зеленая волна» и «желтая волна». Образ второго уровня состоит из двух стрелочных индикаторов, включающих по одной стрелке, пять светлых и один яркий сектор. В образе второго уровня имеются два прямоугольника, отображающих номер работающего блока аппаратуры. Значит = 8 + 2 + 1 + 1 + 2*(1 + 5 + 1) + 2 = 28. Желтая «волна» на первом уровне образа не несет смысловую нагрузку и выполняет роль лишь декоративного элемента. По принципу

аеРг

«близости» сгруппированы все объекты, кроме прямоугольников, обозначающих рабочий комплект аппаратуры. Значит Nb = 28 - 2 = 26. Все объекты расположены в пределах трех замкнутых областей, значит Nz = 28. Все объекты, кроме двух прямоугольников, отображающих комплект аппаратуры, графически связаны и воспринимаются как три организованных целых фигуры. Значит Nt = 28 - 2 = 26. По принципу «схожести» на первом уровне организованы восемь секторов и два прямоугольника, на втором - по пять малых секторов в каждом стрелочном индикаторе. Значит, Ns = 8 + 2 + 5 + 5 = 20. Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно kt = 0.4, к2 = 0.3, к3 = 0.2, к4 = 0.1. Подставим полученные значения

в формулу (2.6), тогда Wstr = 0.4— + 0.3 — + 0.2 — + 0.1— = 0.928.

28 28 28 28

5) Селективность аномалии вычисляется программным способом по формуле (2.3). Предварительно подготавливается изображение в формате PNG, которое является непрозрачным только в области сигнала об аномалии (Рисунок П.6 ).

Рисунок П.6. Сигнал об аномальном состоянии параметра НС КИС Согласно программным вычислениям, селективность аномалии в образе НС КИС равна 0.848.

6) Селективность критического состояния вычисляется программным способом по формуле (2.3). Предварительно подготавливается изображение в

формате PNG, которое является непрозрачным только в области сигнала о критическом состоянии параметров (Рисунок П. 7).

Рисунок П.7. Сигнал о критическом состоянии параметра НС КИС Согласно программным вычислениям, селективность критического состояния ядра с лучами равна 0.845.

7) Математическое ожидание времени целевого зрительного поиска (формула 2.9). Как подсчитано в п. 4, всего в образе 28 элементов, поэтому п =28. Возьмем объем зрительного восприятия а = 7. На Рисунке 4.5 расположено четыре элемента, сигнализирующих о нештатных ситуациях: красный сектор со знаком «антенная система», надпись «Подготовка» красного цвета на элементе «волна», красный сектор в образе второго уровня и надпись красного цвета «Поправка автомат». Значит число объектов, обладающих заданными для поиска признаками, М = 4. Возьмем среднюю длительность зрительной фиксации 7ух = 200 мс., так как образ состоит из простых геометрических фигур (Таблица 2).

Согласно формуле (2.9), Tsearch =

n+a

~TfV —

28 + 7

200 — 0.2 с.

а-с(1+М) 7-1000-(1+4)

8) Целостность вычисляется по формуле (2.8). Всего в образе 28 элементов, значит = 28. Образ состоит из трех изображений, представляющих собой комбинации простейших фигур. Два прямоугольника не входят в состав этих трех изображений, значит = 28 - 2 = 26. Два прямоугольника, символизирующих комплекты аппаратуры, не входят в состав трех сложных замкнутых форм, значит = 28 - 2 = 26 , Л/^ = 3 + 2 =5, количество индикаторов, скомпонованных в сложный целостный образ, ^ = 28 - 2 = 26. По принципу «симметрии» скомпонованы два прямоугольника на образе первого уровня, и все элементы в образе второго уровня, значит М; = 2 + 2*7 + 2 = 18. По принципу «продолжения» скомпонованы восемь

секторов в образе первого уровня и «светлые» сектора в образе второго уровня. Значит = 8 + 2*5 = 18. Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно к1 = 0.4, к2 = 0.3, к3 = 0.2, к4 = 0.1. Подставим полученные значения в

формулу (2.8), тогда = 0.4^ + 0.3^ + 0.2 ±8 + 0.1 ±8 = 0.816.

Циклоидальный образ

1) Ситуационная интерпретируемость аномалии вычисляется программным способом по формуле (2.5). Предварительно подготавливается эталонный образ, являющийся отображением состояния подсистем КА при нормальных показаниях всех параметров (Рисунок П. 8) и идентифицируемое изображение, являющееся отображением состояния подсистемы при аномальном состоянии одного из параметров (Рисунок П. 9).

Рисунок П. 8. Циклоидальный образ при номальном состоянии всех параметров

Platl = 17 С Plat2 = 60 С

Rez = 0 A Tab = -1С

Рисунок П. 9. Циклоидальный образ при аномальном состоянии одного из

параметров

Полученная ситуационная интерпретируемость аномалии равна 0.622.

2) Ситуационная интерпретируемость критического состояния, аналогично ситуационной интерпретируемости аномалии, вычисляется по формуле (2.5) программным способом. Идентифицируемым изображением в этом случае является циклоидальный образ при критическом показании одного из параметров (Рисунок П. 10).

Полученная ситуационная интерпретируемость критического состояния равна 0.183.

Platl = 15 С PLai2 = -20 С

Rez = 0 A Tab = -1С

Рисунок П. 10. Циклоидальный образ при критическом состоянии одного из

параметров

3) Наглядность вычисляется по формуле (2.2). Число уровней системы образов равно трем: L = 3. Идентифицирующими атрибутами критической ситуации на всех трех уровнях являются цвет, форма и размер фигур, символизирующих значения параметров. В подразделе 2.2. указано, что наибольший вес имеет атрибут «яркий цвет» и равен 0.214. Тогда по формуле (2.2) &obv = E?=iP(0 = £?=1 max w(a) = 0.214 + 0.214+ 0.214 = 0.642.

аеР1

4) Структурность вычисляется по формуле (2.6). Визуальными элементами являются фигуры, ограниченные дугой окружности и кривой. На образе группировки космических аппаратов находится 14 фигур, на образе КА «Юбилейный» - 12 фигур. Возьмем в качестве образца образа уровня параметров образ параметров подсистемы электроснабжения. Этот образ содержит 12 индикаторов. Значит N0 = 14 + 12 + 12 = 38.

Все индикаторные фигуры расположены в области замкнутого кольца и скомпонованы по принципам «близости», «общей зоны», «связи» и «схожести». Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно kt = 0.4, к2 = 0.3, к3 = 0.2,

оо оо оо оо

к4 = 0.1. Значит Wstr = 0.4—+0.3 —+0.2 —+ 0.1—= 1.

4 slr 38 38 38 38

5) Селективность аномалии вычисляется программным способом по формуле (2.3). Предварительно подготавливается изображение в формате PNG, которое является непрозрачным только в области сигнала об аномалии (Рисунок П. 11 а).

Согласно программным вычислениям, селективность аномалии циклоидального образа равна 0.843.

6) Селективность критического состояния вычисляется программным способом по формуле (2.3). Предварительно подготавливается изображение в формате PNG, которое является непрозрачным только в области сигнала о критическом состоянии параметра (Рисунок П. 11 б). Согласно программным вычислениям, селективность критического состояния циклоидального образа равна 0.851.

f

а) аномалия б) критическое состояние

Рисунок П.11. Сигналы о нештатных состояниях в циклоидальных образах 7) Математическое ожидание времени целевого зрительного поиска (формула 2.9). Как подсчитано в п. 4, всего в образе 38 элементов, поэтому п = 38. Возьмем объем зрительного восприятия а = 7. Рассмотрим ситуацию, при которой сила тока на одной из панелей солнечной батареи превышает заданное максимальное допустимое значение. В этом случае на всех уровнях циклоидального образа будет находиться по одной фигуре ярко-красного цвета.

Так как система циклоидальных образов трехуровневая, то число объектов, обладающих заданными для поиска признаками, М = 3. Возьмем среднюю длительность зрительной фиксации 7ух = 200 мс., так как образ состоит из простых геометрических фигур (Таблица 2). Согласно формуле (2.9), ТзеагсН = п+а ТГх = —38 + 7 , • 200 = 0.321 с.

8) Целостность вычисляется по формуле (2.8). Всего в образе 38 элементов, т.е. = 38. Трехуровневая система когнитивных образов представляет собой три сложных изображения, представляющих собой комбинации простейших форм, значит все 38 элементов скомпонованы по принципу «содержательности» и = 38. Все индикаторы скомпонованы в целостные образы, имеющие замкнутый контур, т.е. = 38. Количество целостных образов равно количеству уровней в системе когнитивного образа, т.е. ^ = 3. Все индикаторы скомпонованы в три сложных целостных образа, т.е. ^ = 38. Все индикаторы расположены по принципу «симметрии» и «продолжения» значит = 38 и = 38. Четыре весовых коэффициента, определяющих приоритетность принципов, вычисляются по формуле (2.7) и равны соответственно = 0.4, = 0.3, = 0.2, = 0.1.

38

Подставим полученные значения в формулу (2.8), тогда = 0.4—+

38

0.3 + 0.2- + 0.1- = 0.978.

(3 + 38) 38 38

УТВЕРЖДАЮ ¡вый заместитель директора

КС имени A.A. Максимова» -У£й«ГКНПЦ им. М.В. Хруничева»-

А.Н. Королев

2017 г.

об использовании (внедрении) результатов диссертационной работы Емельяновой Юлии Геннадиевны

на тему «Алгоритмическое и программное обеспечение человеко-машинных интерфейсов с когнитивно-графическим отображением информации для систем космического назначении», представленной на соискание ученой степени кандидата технических наук по специальности 05.13.11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей.

Комиссия «НИИ КС имени A.A. Максимова» - филиала ФГУП «ГКНПЦ им. М.В. Хруничева» в составе Коровина Г.В. (председатель), Рыжовой Е.В., Пака A.A., рассмотрев автореферат диссертационной работы Емельяновой Ю.Г., инженера-исследователя (программиста) Исследовательского центра мультипроцессорных систем Федерального государственного бюджетного учреждения науки Института программных систем им. А.К. Айламазяна Российской академии наук, пришла к заключению, что результаты работы Емельяновой Ю.Г. были использованы при выполнении СЧ НИР «Исследования и разработка архитектурных и программных технических решений и создание экспериментального образца нейросетевой системы мониторинга состояния и поведения подсистем космических аппаратов по телеметрическим данным в условиях натурной отработки с полнотой и точностью распознавания ситуации при использовании нейросетевого классификатора в задачах диагностики не менее 85 процентов» (шифр СЧ НИР «Мониторинг-СГ-1.2.5.1») по Программе Союзного государства «Разработка космических и наземных средств обеспечения потребителей России и Беларуси информацией дистанционного зондирования Земли» (2014-2017 гг.).

В указанной СЧ НИР были использованы следующие разработки Емельяновой Ю.Г.:

• метод визуализации информации о состоянии подсистем космических аппаратов в виде динамических двухуровневых когнитивных образов, обеспечивающих повышение скорости восприятия и понимания текущей ситуации;

• когнитивное программное дополнение к графическому интерфейсу экспериментального образца нейросетевой системы мониторинга состояния и поведения подсистем космических аппаратов, отвечающее требованиям эргономичности и режима реального времени.

Председатель комиссии: Директор программ, кандидат военных наук

Члены комиссии:

1. Заместитель директора программ, кандидат технических наук

2. Ведущий научный сотрудник, кандидат технических наук

Е.В. Рыжова

A.A. Пак

Акт

об использовании (внедрении) результатов диссертационной работы Кмельнновон Юлии Геннадиевны

на тему «Алгоритмическое и программное обеспечение человеко-машинных интерфейсов с когнитивно-графическим отображением информации для систем космического назначения»

Комиссия АО «Российские космические системы» в составе председателя комиссии Круглова A.B. и членов комиссии Смирнова C.B. и Завалишина Д.А., рассмотрев материалы диссертационной работы (автореферата) Емельяновой Ю.Г.. инженера-исследователя (программиста) Исследовательского центра мультипроцессорных систем Федерального государственного бюджетного учреждения науки Института программных систем им. А.К. Айдамазяна Российской академии наук, пришла к заключению, что результаты работы Емельяновой Ю.Г. были получены и использованы при выполнении НИОКР «Создание прикладной интеллектуальной системы информационной поддержки НС КИС», этап 2: «Разработка и экспериментальная реализация интеллектуального интерфейса для информационной поддержки НС КИС» по договору №07-15/2007 с ИПС им. А.К. Айламазяна РАН.

В указанной НИОКР были использованы следующие результаты работы Емельяновой Ю.Г.:

- методы когнитивной визуализации состояний наземной станции командно-измерительной системы (НС КИС) и ее подсистем;

- программное обеспечение в виде когнитивного дополнения к экспериментальному интеллектуальному интерфейсу для информационной поддержки НС КИС.

Разработки Емельяновой Ю.Г. повышают наглядность и скорость понимания и интерпретации текущей динамической ситуации в процессе анализа информации, включая метеоинформацию, состояние антенной системы. состояние передатчика, командную информацию.

Председатель комиссии:

Члены комиссии:

Круглов A.B., зам. директора проектов, д.т.н

Смирнов C.B., зам. начальника отделения, к.

Завалишин Д.А., ведущий научный сотрудник, к.т.н.

--- 'é1/

Авторы: Абрамов Николай Сергеевич (ЯП), Емельянова Юлия Геннадиевна (ЯII), Талалаев Александр Анатольевич (ЯП), Фроленко Виталий Петрович (IIII), Хачумов Михаил Вячеславович (ЯП), Хачумов Вячеслав Михайлович (IIV), Шишкин Олег Гарриевич (Ли), Шустова Мария Вениаминовна (7IV)

РОССИЙСКАЯ ФЕДЕРАЦИЯ

RU 2017617791

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): 2017617791

Дата регистрации: 12,07.2017

Номер и дата поступления заявки: 2017614743 23.05.2017

Дата публикации: 12.07.2017

Контактные реквизиты: нет

Авторы:

Абрамов Николай Сергеевич (1Ш), Емельянова Юлия Геннадиевна (1Ш), Талалаев Александр Анатольевич (КЩ Фраленко Виталий Петрович (1Ш), Хачумов Михаил Вячеславович (1Ш), Ха чумов Вячеслав Михайлович (ЕШ), Шишкин Олег Гарриевич (КИ), Шустова Мария Вениаминовна (ЯЩ

П ра вообл адател ь: Федеральное государственное бюджетное учреждение науки Институт программных систем им. А.К. Айламаэяна Российской академии наук (ИПС им. А,К. Айламазяна РАН)

Название программы для ЭВМ:

Автомат тированное рабочее место «АРМ-Арктика 1.0» для приема-передачи и обработки информации дистанционного зондирования Арктической зоны

Реферат:

Программа представляет собой автоматизированное рабочее место для обработки информации дистанционного зондирования поверхности Земли (ДЗЗ) в Арктической зоне. Обеспечивает решение проблемы организации эффективной работы операторов мониторинга при решении народно-хозяйственных задач Арктики и основывается на методах: дистанционного получения, передачи и обработки информации, необходимой для решения региональных ресурсно-экологии сек их задач; оптимизации сжатия потоков пакетов данных ДЗЗ, передаваемых на наземные станции; повышения скорости обработки информации ДЭЗ на основе многопроцессорных вычислительных систем; интеллектуальной обработки данных дистанционного зондирования; построения специальных графических интерфейсов операторов с элементами когнитивной визуализации данных.

Тин реализующей ЭВМ;

IBM РС-совмест. ПК

Язык программирования: С++, СМ

Вид и версия операционной системы: Linux, Windows 7/8/8.1/10

Объем программы для ЭВМ: 134 Кб

Стр.: 1

РОССИЙСКАЯ ФЕДЕРАЦИЯ

1?и 2018610738

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): 2018610738

Автор* ы):

Емельянова Юлия Геннадиевна (ИЦ)

Дата регистрации: 16.01.2018 Номер и дата поступления заявки:

Правообладатель(и): Федеральное государственное бюджетное учреждение науки Институт программных систем им. А.К. Айламазяна Российской академии наук (ИПС им. А.К. Айламазяна РАН) ДОЦ)

2017661988 22.11.2017

Дата публикации и номер бюллетеня: 16.01.2018 Бюл. № 1

Название программы для ЭВМ:

Когнитивное дополнение к графическим интерфейсам сложных технических систем Реферат:

Программа предназначена для когнитивно-графической визуализации информации и поддержки принятия решений в наземных станциях командно-измерительных систем. Принцип действия заключается в преобразовании в визуальные образы радиотехнических сигналов, данных телеметрии и показаний датчиков сложных технических систем. Генерируемые программой когнитивные образы позволяют ускорить процессы распознавания ситуаций и принятия оперативных решений, одновременно с этим улучшаются эргономические качества пользовательских интерфейсов и повышается эффективность работы лиц. принимающих решения.

Язык программирования: С#

Объем программы для ЭВМ: 157 Кб

Стр.. 1

РОССИЙСКАЯ ФЕДЕРАЦИЯ

1Н12019660963

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): Автор(ы):

2019660963 Емельянова Юлия Геннадиевна (К.и)

Дата регистрации: 15.08.2019 П равообладател ь(и):

Номер и дата поступления заявки: Федеральное государственное бюджетное

2019619690 06.08.2019 учреждение науки Институт программных

Дата публикации и номер бюллетеня: систем им, А,К. Айламазяна Российской

15.08.2019 Бюл. № 8 академии наук (15.и)

Контактные реквизиты:

нет

Название программы для ЭВМ:

Интерфейс для визуального когнитивного контроля радиотехнических сигналов систем космического назначения

Реферат:

Программа предназначена для когнитивного графического представления временных носледовательностей, позволяющего визуально классифицировать радиотехнические сигналы и оценивать степень их зашумленности. Генерируемые программой когнитивные образы позволяют улучшить эргономические качества интерфейсов станций командно-управляющих систем и повысить эффективность работы операторов. Функциональные возможности программы: отображение исходного сигнала, выявление типа сигнала методом Евклида-Махаланобиса, когнитивная визуализация сигнала, вычисление расстояний Евклида и Евклида-Махаланобиса между сигналами в пределах признакового пространства. Область применения программы: моделирование работы радиотехнических систем в режимах радио мониторинга.

Язык программирования: Объем программы для ЭВМ:

С#

85,3 Кб

Стр.: 1