Подсистема оценки
Одновременно с адаптацией индивидуальной модели объекта происходит обучение нейронных сетей подсистемы оценок: классификатора динамических моделей и нейросети выявления нарушений.
Нейросетевые алгоритмы основываются на оптимальном Байесовском обнаружителе [83] для минимизации суммы условных вероятностей ошибок, накопленной информационной базе данных предыдущих объектов данного типа, образе (модели) объекта контроля (тех.паспорт здания или сооружения, пределы угловых колебаний, история болезни пациента) и статистической информации о нарушениях и отклоненияхнорм параметров объектов контроля данного класса.
Рисунок 17- Модель обработки информации. Подсистема оценки
Основой определения образа модели объекта гониометрического контроля является ряд параметров:
- расстояния между точками отсчета (плечи кинематических звеньев);
- допустимые углы наклона и их ограничения;
- особенности объекта контроля (технический паспорт модели здания, история болезни пациента).
58 дополнительных параметров и факторов) объект совершает в текущий момент времени t.Тем самым прогнозируется характер двигательной активности в момент времени t+Δ,где Δзависит от точности оценки движения и скорости движения объекта. В случае контроля многоэтажных зданий и сооружений, под движением понимается отклонение осей здания от вертикали. В случае контроля сложных объектов и систем (человек, мехатронная установка) под движением следует понимать определенное шаблонное двигательное действие, характерное конкретному звену или цепи последовательно соединенных звеньев (сгибание руки, ротация кисти и т.д. ).
Далее на основании имеющихся данных, включая базу данных нарушений
, производится постановка возможного диагноза (нарушения
где Ff- функция выявления нарушений.
59
2.2