Научная статья на тему 'ЗАСТОСУВАННЯ МОДЕЛЕЙ НЕЙРОННИХ МЕРЕЖ ШТУЧНОГО іНТЕЛЕКТУ ПРИ ПіДГОТОВЦі АВіАЦіЙНИХ ФАХіВЦіВ'

ЗАСТОСУВАННЯ МОДЕЛЕЙ НЕЙРОННИХ МЕРЕЖ ШТУЧНОГО іНТЕЛЕКТУ ПРИ ПіДГОТОВЦі АВіАЦіЙНИХ ФАХіВЦіВ Текст научной статьи по специальности «Науки об образовании»

CC BY
70
8
i Надоели баннеры? Вы всегда можете отключить рекламу.
Журнал
ScienceRise
Область наук
Ключевые слова
ПіДГОТОВКA АВіАЦіЙНИХ ФАХіВЦіВ / СУБ'єКТИ НАВЧАННЯ / МОДЕЛЬ НЕЙРОННИХ МЕРЕЖ ШТУЧНОГО іНТЕЛЕКТУ / іНДИВіДУАЛЬНі ЗДіБНОСТі / AVIATION SPECIALIST TRAINING / SUBJECT OF STUDY / ARTIFICIAL NEURAL NETWORK MODEL / INDIVIDUAL ABILITIES

Аннотация научной статьи по наукам об образовании, автор научной работы — Казак В.М., Шевчук Д.О., Тимошенко Н.А., Прохоренко І.В.

Розглядається можливість використання моделі нейронних мереж штучного інтелекту при підготовці авіаційних спеціалістів. Нейромережева модель базується на залежності залишкових знань суб’єктів навчання від їх індивідуальних здібностей. Залишкові знання це вміння, набуті об’єктом, з якими вони виходять на ринок праці. Нейромережева модель дає можливість з достатньо високою точністю прогнозувати рівень професійної підготовки фахівців

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по наукам об образовании , автор научной работы — Казак В.М., Шевчук Д.О., Тимошенко Н.А., Прохоренко І.В.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

This paper reviews the application of artificial neural network (ANN) model in aviation specialist training. The ANN model is based on the dependence of residual knowledge of subjects of study on their individual abilities. The residual knowledge is the skills acquired by the subject before he is going for an occupation. The presented ANN model gives the possibility to predict the level of professional training of the specialists with high accuracy

Текст научной работы на тему «ЗАСТОСУВАННЯ МОДЕЛЕЙ НЕЙРОННИХ МЕРЕЖ ШТУЧНОГО іНТЕЛЕКТУ ПРИ ПіДГОТОВЦі АВіАЦіЙНИХ ФАХіВЦіВ»

УДК 004.032.26; 658.336 (045) DOI: 10.15587/2313-8416.2016.61064

ЗАСТОСУВАННЯ МОДЕЛЕЙ НЕЙРОННИХ МЕРЕЖ ШТУЧНОГО 1НТЕЛЕКТУ ПРИ П1ДГОТОВЩ АВ1АЦ1ЙНИХ ФАХ1ВЦ1В

© В. М. Казак, Д. О. Шевчук, Н. А. Тимошенко, I. В. Прохоренко

Розглядаеться можливкть використання модел1 нейронних мереж штучного ттелекту при тдготовц авгацшних спещал1ст1в. Нейромережева модель базуеться на залежност1 залишкових знань суб'ектгв навчання eid Их iндивгдуальних здгбностей. Залишковi знання - це вмтня, набутг об 'ектом, з якими вони виходять на ринок працi. Нейромережева модель дае можливкть з достатньо високою точтстю про-гнозувати рiвень профестноi тдготовки фахiвцiв

Ключовi слова: тдготовш авiацiйних фахiвцiв, суб 'екти навчання, модель нейронних мереж штучного ттелекту, iндивiдуальнi здiбностi

This paper reviews the application of artificial neural network (ANN) model in aviation specialist training. The ANN model is based on the dependence of residual knowledge of subjects of study on their individual abilities. The residual knowledge is the skills acquired by the subject before he is going for an occupation. The presented ANN model gives the possibility to predict the level ofprofessional training of the specialists with high accuracy Keywords: aviation specialist training, subject of study, artificial neural network model, individual abilities

1. Вступ

В умовах подолання кризо-вих явищ в економщ питання якос-Ti тдготовки техтчних кадр1в збь льшуе актуальтсть. Основною причиною цього е невщповвдтсть якос-п подготовки випускнишв навчаль-них закладiв вимогам з боку робо-тодавщв, вщсуттсть необхщно! компетенцп та шновацшних знань, яких потребують сучаст технологи. Осшльки процес тдготовки фахiв-щв техтчного профшю вимагае залучення значно бшьших ресурав нiж в iнших галу-зях знань, то для досягнення необхщно! якостi !х подготовки потрiбний високий рiвень матерiально-техтчного забезпечення та оптимальне використання вах наявних ресурсiв: матерiальних, фiнансових, кад-рових, часових.

Вирiшення тако! складно! задачi вимагае впровадження методiв пiдтримки прийняття управ-лiнських рiшень щодо формування оптимальних стратегш та вчасного корегування поточних мето-дiв навчання вiдповiдно до змши внутрiшнiх та зо-вшшшх умов.

Основними iнструментами при цьому е ште-лектуальнi методи моделювання та оптимiзацi!, як1 дозволяють прогнозувати розвиток подiй, наслiдки тих чи шших управлiнських рiшень, а головне, дозволяють знайти найкращi оптимальш рiшення щодо якостi пiдготовки аыацшних кадрiв. В данiй роботи оптимiзацiя та iнтелектуальнi методи моделювання процедури пiдготовки розглянутi на прикладi тдготовки льотного складу. Тому, що питання вщповвд-ностi рiвня професшно! пiдготовки льотного складу е найбшьш актуальним в умовах еволюцiйних змш в теорп забезпечення безпеки польопв (БП). Аналiз стану БП (рис. 1) спонукае до необхiдностi реформу-вання юнуючо! системи пiдготовки аыацшного персоналу (АП).

Рис. 1. Аналiз авiацiйних пригод повiтряних суден

З аналiзу даних (рис. 1) робимо висновок, що бшя 80 % авiацiйних подiй обумовлено дiями льотного складу. Тому питання професшно! пiдготовки льотного складу е найбiльш актуальним. Аналiз стану БП спонукае до висновку про необхщтсть реформування юнуючо! системи тдготовки АП. Проаналiзуемо ос-новнi фактори, яш стали причиною помилок льотного складу[1-4]:

- професiйний (прийняття невiрного рiшення, неадекватного ситуаци; помилковi дп при реалiзацi! рiшення);

- психолопчний (низька здатнiсть прогнозу-вання подш; прийняття рiшень, яш не вщповвдають можливостям; недостатня професiональна дисципль новатсть);

- психофiзiологiчний (недостатне урахування фiзiологiчних особливостей оператора);

- ергономiчний (недостатне врахування характеристик оператора при конструювант повiтряно-го судна);

- вiдсутнiсть оптимально! системи взаемодп членiв екшажу [5].

Виршення цих завдань вимагае удосконалення процесу пiдготовки авiацiйних фахiвцiв з метою про-ектування навчального середовища для особистюно-орiентованого пiдходу до суб'екпв навчання i впровадження нових технологш навчання, в цен^ яких

знаходиться суб'екти навчання. Розвиток системи освгга на етат становления шформацшного сустльс-тва нерозривно пов'язане з використанням штелекту-альних технологш.

Однак, практика використання автоматизова-них систем навчального призначення показуе, що технология наповнення програмних оболонок дидактич-ним процесом е недостатньо вщпрацьованою. Перс-пективним е шлях проектування дидактичного проце-су в1д схеми управлшня до створення програмних оболонок.

2. Аналiз лiтературних даних та постановка проблеми

Анал1з стану безпеки польопв спонукае до не-обхадносп автоматизаци процесу щдготовки аиацш-ного персоналу [1—4]. 1де! та методи системно! опти-м1зацИ були запропоноваш академжом В. М. Глушко-вим, розвинеш академжом В. С. М1халевичем, про-фесором В. Л. Волковичем, професором К. Д. Жуком. Значним внеском у цю галузь е пращ Т. П. Под-часово!, А. А. Тимченка, Ю. Г. Леги, А. А. Златкша, С. М. Первуншського, Ю. М. Теслт Щдвищення ефе-ктивносл управлшня шдготовкою фах1вц1в за раху-нок автоматизаци тдтримки прийняття ршень, у тому числ1 1 на основ! метод1в 1 засоб1в штучного ште-лекту розглянуто в працях Д. А. Поспелова, В. А. Ге-ловаш, В. М. Глушкова, I. Ю. Юсупова, Т. А. Гаври-лово!, Е. А. Трахтенгерц, А. I. Галушшна, а також за-руб1жних вчених А. Ньюелла, Н. А. Саймона, Б. Алена, Т. Бернерс-Л1, Р. Бергмана та ш. У той же час недостатньо дослвдженим е питання розробки штелек-туально! системи тдтримки прийняття ршень при управлшш процесом пвдготовки ав!ацшних кадр1в.

3. ЦШ та задачi дослiдження

Цшлю дослщження е розробка нейромережево! модел (НМ) яка могла б дозволяла оцшювати отри-маш суб'ектами навчання знання та вмшня в залеж-носп ввд !х 1ндив1дуальних зд1бностей. Для досягнен-ня дано! цш вир1шувались наступш задача

- визначити зовшшш та внутршш фактори, що впливають на як1сть засвоювання знань 1 надбання навичок;

- розробити тести для визначення шдиввдуаль-них зд1бностей суб'екпв навчання;

- розробити алгоритм синтезу НМ;

- розробити структуру НМ;

- розробити процедура навчання НМ;

- дослщити трудомютшсть настроювання НМ 1 адекватшсть !! процесу.

4. Синтез архггектур нейронних мереж для мо-делювання процесу тдготовки ¡ишшшних кадр1в

Процес навчання, як об'ект дослщження, е ди-нашчним 1 характеризуеться суттевою шерцшшстю. Наслщки змши одного з фактор1в можна виявити тшьки тсля закшчення навчання. Тому актуальною як в економ1чному, так 1 в сощальному плат, е розробка моделей, що дозволяють оптим1зувати витрати на освиу 1 прогнозувати результати шновацшних перет-ворень в пвдготовщ кадр1в. Для контролю процесу

пвдготовки фах1вц1в необхвдно застосовувати сучасш системи опрацювання шформаци, як1 засноваш на теори штучного штелекту. Результати контролю на-вчально! д!яльносп представляють собою наб1р в1д-повщей, яш залежать в1д багаточисельних параметр1в, багато з яких складно формал1зуються. Для того, щоб враховувати !х необхвдш гнучк1 математичш шстру-менти, одним з яких можуть бути нейронш мережа Нейронш мереж! незважаючи на те, що не мають уш-версально! структури, яка б пвдходила до вах областей застосування, являються шструментом для ефек-тивного виршення широкого кола задач. На ланий момент р1вень розвитку шформацшних технологш дозволяе застосовувати НМ, в тому числ при ощнщ якосп знань та надбаних умшь.

При синтез! арх!тектур НМ для моделювання процесу п!дготовки ав!ацшних кадр!в було взято за основу багатошарову мережу прямого розповсю-дження. Навчання НМ проводилось по методу «навчання з вчителем» по алгоритму зворотнього розпо-всюдження похибок, анал!з якого буде зд!йснений у наступному розд!л!. Розроблений алгоритм синтезу НМ залежносп залишкових знань суб'екпв навчання в!д !х !ндив!дуальних зд!бностей наведено на (рис. 2).

залишкових знань суб'екпв навчання вiд ix iндивiдуальних здiбностей: етч - помилка навчання НМ

Нейромережеву модель залежносл залишкових знань суб'ектiв навчання вщ ix iндивiдуальниx здiб-ностей пропонуемо синтезувати з використанням таких етатв:

1) формування множини статистичних даних;

2) структурний синтез НМ залежносп залиш-кових знань суб'eктiв навчання вщ 1х iндивiдуальних здiбностей:

- вибiр параметрiв структури нейронно! ме-режi НМ;

- тип функци активацп нейронiв;

- к1льк1сть прихованих шарiв;

- визначення кiлькостi нейрошв у шарах.

3) параметричний синтез моделi процесу професшно! подготовки з навчанням НМ на сформованих ознаках за допомогою навчального алгоритму;

4) перевОрка якосп навчання НМ залежносп залишкових знань суб'екпв навчання вод !х шдиводу-альних здОбностей.

Яшсть навчання суттево залежить вод достовОр-носп отриманих статистичних даних у процеа тесту-вання. Тобто, якщо помилка навчання бшьше вста-новленого значення, то навчання продовжуеться до тих шр поки результат навчання не досягне потрОбно-го значення. У випадку викори-стання штелектуаль-них технологОй для оцОнки якостО функцОонування системи зменшення помилки поточного стану можна за рахунок: змОни алгоритму навчання або вибору Он-шо! структури НМ.

4. Нейромережева модель ощнки залишкових знань суб'екпв навчання в1д 1х iмдивiдуальмих здiбностей

Розглядаеться задача побудови НМ процесу професОйного навчання авОацОйних кадрОв для моделю-вання ринку працО, яка дозволить аналОзувати рОвень пОдготовки молодих фахОвцОв по закОнченню навчання.

Для побудови НМ подготовки фахОвщв необ-хщно врахувати фактори, яш впливають на суб'екпв навчання а також визначити стушнь !х впливу. Так як

кожний окремий суб'ект е, насамперед особистiстю то необх1дно перш зав се аналiзувати його особистюш характеристики.

В роботi були проаналiзованi фактори, що впливають на суб'екпв навчання при !х пiдготовцi, для цього використаш вiдомi психологiчнi методи !х аналiзу [6].

В результат для аналiзу особистостi визначенi наступи типи факторiв: мотивацiя суб'ектiв навчання до навчання, штелектуальш здiбностi суб'екпв навчання, психологiчнi особливостi суб'екпв навчання, фiзичнi фактори, що впливають на навчання (рис. 3). Кожен з цих титв розбиваеться на к1лька показникiв, як1 можна визначити за результатами теспв, опиту-вання [7].

Фактори, що впливають на засвоення навчального матерiалу систематизовувались так, як це показано на (рис. 3). Аналiз цих факторiв дозволяе вивчати особистiсть суб'екпв навчання з рiзних напрямк1в, виявляти найбiльш вагомi iндивiдуальнi особливостi, що впливають на усшшшсть суб'ектiв навчання [8]. Результата оцшки кожного iз перерахованих вище параметрiв систематизованi та стандартизовано Данi параметри створюють систему, яка визначае менталь-ний портрет суб'екпв навчання (табл. 1).

Усшшшсть навчання фжсуеться в екзамена-цiйнiй вщомосп. НМ процесу навчання повинна фор-мувати на виходi залишковi знання суб'ектiв навчання по окремим дисциплшам, з якими вони виходить на ринок пращ [9], а роботодавщ вирiшують питання про працевлаштування кандидатiв на вакантнi посади. Структура НМ, яка реалiзуе дану задачу наведена на (рис. 4). НМ формування залишкових знань суб'екпв навчання з урахуванням !х шдиводуальних здiбностей будуеться на базi багатошарового персептрона з нел1-нОйною функцiею активаци.

Фактори, як1 впливають на засвоення навчального матерОалу навчаемими

МотивацОя

1нтелектуальш здОбностО

ПсихологОчнО особливостО

ФОзичнО фактори

- до навчання

- до науки

- до саморозвитку

- до кар'ери

- р1вень IQ

- спещальш зд1бност1

- соц1альний 1нтелект

- р1вень креативноси

- вм1ння працювати в

команд1

■ стан здоров я

Рис. 3. Фактори, як1 впливають на р1вень запам'ятовування навчального матер1алу суб'ектами навчання

Таблиця 1

Систематизац1я характеристик суб'ект1в навчання_

Характеристика ментальностг Спос1б визначення Орипнальна градацоя

Ровень онтеллекта Тест на IQ Айзенка в1д 0 до 25 балов

Ровень спец1альних зд1бностей (в даному випадку фундаментальних) Самостшно розроблений тест в1д 0 до 100 бал1в

Вм1ння працювати в команд1 Самостшно розроблений тест в1д 0 до 100 бал1в

Етична оц1нка Самостшно розроблений тест в1д 0 до 100 бал1в

Перспектива поасти позицою л1дера колективу Самостшно розроблений тест в1д 0 до 100 бал1в

1нтегральний рейтинг Самостшно розроблений тест в1д 0 до 100 бал1в

Рис. 4. Структура нейронно! мережi

Для навчання НМ е в розпорядженш наступна об'ективна шформащя:

- психолопчний портрет 1ндив1дуальних зд1б-ностей, що характеризуе ментальшсть суб'екпв на-вчання;

- навчальна програма дисциплши;

- критерп ощнки знань;

- екзаменацшна в1дотсть, яка ввдображае ус-шшшсть суб'екпв навчання.

Прогноз залишкових знань по однш конкретно взятш дисциплш для одного суб'екта навчання здш-снюеться у два етапи. На першому етат прогнозуеть-ся екзаменацшна ощнка на пвдстав! !ндивщуальних зд1бностей суб'екпв навчання.

На другому етат, виходячи з прогнозовано! ощнки, формуеться усереднений наб1р залишкових знань 1 вмшь, що вщповвдае данш ощнщ.

Перша НМ буде навчатися на пвдстав1 !ндивь дуальних зд1бностей групи суб'екпв навчання 1 екза-

менацшно! ввдомосп [10]. Вхвдт параметри для першо! НМ наведет в (табл. 2). Вхвдт парметри друго! НМ являють собою екзаменац1йну ощнку, отри-ману з виходу першо! НМ. Вих1дш сигнали друго! НМ утворюють вектор, компоненти якого ф1ксують наявшсть або в1дсутн1сть в1дпов1дного залишкового знання або вм1ння. Навчальну множину для друго! НМ формуе викладач-професюнал (експерт) з! свое! дисципл!ни, використовуючи затверджеш критер!!' оц!нки та навчальну програму дисципл!ни, яка м!с-тить перелж знань ! вм!нь (табл.3). Розм!р вектора визначаеться сумарною кшьшстю знань ! ум!нь, пе-редбачених навчальною программою дисципл!ни. Вони представлен! вектором:

г = у2...., уп), (1)

де у- шльшсть знань ! умшь; у1е[0,1]. Вих!дн! сигнали знань та вмшь для друго! НМ показан! в (табл.3).

Таблиця 2

Вхвдт параметри першо! нейромереж_

Тип ментально! характеристики Вхщний сигнал нейромережi Код

1нтелектуальш здiбностi Р1вень IQ х1

Рiвень спецiальниx здiбностей (в даному випадку фундаментальних) х2

Психолопчш здiбностi Вмгння працювати в командi х3

Етична оцiнка х4

Перспектива поисти лiдера колективу х5

1нтегральний рейтинг навчаемого х6

Таблиця 3

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Вилучення знань та вмшь для навчання НМ_

Знання Вмшня

У1 У 2 Уз У 4 У 5 Уб У 7 У8 У 9 У10 У11

1 0 0 0 0 1 0 0 0 0 0

Знання Вмшня

х2 У1 У 2 Уз У 4 У 5 Уб У 7 У8 У 9 У10 У11

1 0 1 0 0 1 0 0 1 0 0

Знання Вмшня

Хз У1 У 2 Уз У 4 У 5 Уб У 7 У8 У 9 У10 У11

1 0 1 0 1 1 0 1 1 1 0

Знання Вмшня

У1 У 2 Уз У 4 У 5 Уб У 7 У8 У 9 У10 У11

1 1 1 0 1 1 1 1 1 1 1

Навчання НМ проводилося з стратепею «навчання з учителем» за алгоритмом зворотного поши-рення помилки.

На (рис. 5) схематично представлено процедуру навчання багатошарово! НМ. Навчання НМ проводилось наступним чином, база даних мютить наб1р навчаючих пар, як1 д1ляться на дв1 нер1вн1 частини.

Велику частину використовують як навчаючу, а ме-ншу, як тестуючи. Навчаюча база вводиться в НМ а вона дае вщповщь, якщо вщповвдь сшвпадае з експе-ртною оцшкою то НМ навчена. Якщо помилка велика, то процес навчання повторюеться до тих тр поки не будуть отримаш результати, як1 задовольняють користувача.

Рис. 5. Процедура навчання багатошарово! НМ

5. Результати дослiдження

В якосп середовища моделювання штучних нейронних мереж використовувався пакет Neural Network Toolbox, який входить в стандартну поставку MATLAB [10]. Пакет Neural Network Toolbox забез-печуе всеб1чну шдтримку типових нейромережевих парадигм i мае вщкриту модульну архитектуру. Пакет мютить функцй' командного рядка i графiчний iнтер-фейс користувача для швидкого покрокового створення рiзних програмних моделей нейромереж [11]. При по-будовi навчально! множини для першо! нейромережi були обранi 10 навчаемих (табл. 4), як1 прослухали на-вчальний курс «Автоматика та автоматизащя на транспорт!» i вже отримали екзаменацiйнi оцiнки.

Для навчаючо! множини були взяп данi перших

9 суб'екпв навчання. Результати суб'екта под номером

10 використовувавались для перевiрки навчаено! НМ. Як видно Оз (рис. 6), для навчання двухшарово! НМ дос-татньо було 5 епох при нульовш похибщ.

На (рис. 6) представлено тестування та пстог-рама помилок для 10 суб'екта, значення якого вико-ристовувались для перевОрки НМ.

На (рис. 7) представлено результати моделювання першо! НМ.

Представлений результат сшвпадае з пею оцшкою яку дшсно отримав 10 суб'ект з дисциплши

(табл. 4). В таблиц представлено вихщш даш з пер-шо! НМ (табл. 5). По аналоги з попередньою НМ була побудована модель друго! трьохшарово! НМ. Вхщш сигнали НМ - це вектор оцшок, а вихщш -вектор усереднених знань та вмшь, яш готував ви-кладач, який викладае суб'ектам навчання дану ди-сциплОну.

З начально! програми по данш дисциплш були взят знання та вмшня якими суб'екти навчання повинш володгти шсля вивчення дано! дисциплши, i для цього викладачем була сформована (табл. 3), яка показуе за яш знання i вмшня ставиться певна оцшка. Сумюна робота двух навчаемих НМ оцшювалась на характеристиках ментальносп суб'екпв навчання з номером 10 (табл. 4), який не приймав учасп в на-вчанш. АналОз роботи першого каскаду показав, що значення компонент вихщного сигналу наближеш до коду (11101111111). Це кодування вщповщае екзаме-нацшнш оцшщ «ввдмшно», яку дшсно отримав да-ний суб'ект на екзамеш (табл. 4).

Розглянемо як змшилась похибка при моделю-ванш друго! НМ (рис. 8).

Прогнозована оцшка виходу першо! НМ (табл. 5) подавалась на вхОд друго! НМ, яка форму-вала результативш вектори Y шнцевих знань та вмшь даних суб'екпв (табл. 6).

Таблиця 4

Результати тестування суб'екпв навчання

Характеристика Студенти

1 2 3 4 5 6 7 8 9 10

Ршень штелекту 18 23 16 15 19 15 14 18 21 24

Ршень спещальних здОбнос-тей (в даному випадку фундаментальних) 40 75 30 40 40 20 75 70 95 90

Вмшня працювати в командО 15 80 30 50 40 40 40 40 70 50

Етична оцшка 10 90 70 50 40 40 70 50 70 60

Перспектива посгсти лвдера колективу 10 85 10 10 10 10 30 30 50 40

1нтегральний рейтинг 15 90 90 70 30 15 50 100 100 95

Стать ч ж ч ч ч ч ч ж ч ж

Отримана ощнка 3 5 4 3 3 2 5 3 5 5

PHC. 6. TecTyBaHHa Ta ricTorpaMa MMHTOK

Neural Fitting [nftool]

Tools Desktop Window Help

; ^ . Evaluate Error Histogram with 20 Bins

uptionally tes

Iterate for improved pe 1 -Zero Error |

Try training again if a firs 0.8 T - ...

or you require marginal i ST - ...

0) c 0.6 ons ®M '.' oL" rows

(A rta: 1 simple of?

Increase network size if re - 0.4

D 0.2 '1- 1 sampl e of 1

Not working? You mayn 0

1 r- r-. N m m m n m m -t ^

" ® CO o o p Errors = Targets - Outputs cn 4,41331 e-1 D.DDODDe-D

! ot Regression

ci ink an improvement button, plot, or (lick [next] neural network stmt n4 welcome

»Back | | »Nat Q Cancel ]

PHC. 7. HcTorpaMa noMHnoK TecTyronoi MHOMHH

Phc. 7. Pe3ymTam Mogenro®aHHa nepmoi HM BnxiflHi jami 3 nepmoi HM

Тa6flнцн 5

CrygeHT 1 2 3 4 5 6 7 8 9 10

Оцiнкa 3 5 3 3 3 2 5 3 5 4,78

Performance is 7 67637»4X36. Goal te 0

to' ---------------

in**_I_■ *_* '_■ ■_i_I_

0 10 20 30 <0 50 60 70 80 90 100 riawng | 100 Epochs

Рис. 8. Змша похибки при моделюванш друго! НМ

Таблиця 6

Результат моделювання друго! НМ_

y1 у2 у3 у4 у5 уб у7 у8 у9 у10 у11

1 0 1 0 0 1 0 0 1 0 0

1 1 1 0 1 1 1 1 1 1 1

1 0 1 0 0 1 0 0 1 0 0

1 0 1 0 0 1 0 0 1 0 0

1 0 1 0 0 1 0 0 1 0 0

1 0 0 0 1 0 0 1 0 0

1 1 1 0 1 1 1 1 1 1 1

1 0 1 0 0 1 0 0 1 0 0

1 1 1 0 1 1 1 1 1 1 1

1 1 1 0 1 1 1 1 1 1 1

Де складову вектора Y можна трактувати, як стутнь упевненосп в тому що, у даного суб'екта навчання збер1гаються в його панят1 вщповОдш знання та вмшня. Якщо ств ставити отриманий результат з критер1ями оцшки по данш дисциплши, то сукуп-шсть з прогнозованих знань та вмшь вОдпов1дае оцшщ «ввдмшно» (табл. 6). Що шдтверджуе правильность запропонованих 1дей по вир1шенню поставлено! задач1.

6. Висновки

Запропонований шдхОд до НМ моделювання слабоформал1зованого процесу тдготовки ав1ацшних фах1вц1в, заснований на передач! професшних нави-чок та набутих знань в залежносп в1д ОндивОдуальних зд1бностей суб'ект1в навчання. П1сля отримання ментального портрету суб'екпв навчання, який в1добра-жае !х шдивОдуальш зд1бност1 був розроблений алгоритм синтезу двухкаскадно! НМ 1мпуючо1 результат профес1йного навчання шляхом виявлення кОнцевих знань та вм1нь суб'екпв навчання з якими вони буде виходити на ринок пращ.

На основ1 дано! НМ можуть бути розроблеш програмн1 продукти для автоматизованих систем ке-рування навчанням та контролю знань при шдготовщ ав1ацшних кадр1в.

Лiтература

1. Жулев, В. И. Безопасность полетов летательных аппаратов [Текст] / В. И. Жулев, В. С. Иванов. - М.: Транспорт, 1986. - 224 с.

2. Овчаров, В. Е. Человеческий фактор в авиационных происшествиях [Текст] / В. Е. Овчаров. - М.: МАК, 2005. - 80 с.

3. Морозов, А. Н. Состояние безопасности полетов в гражданской авиации государств - участников «Соглашения о гражданской авиации и об использовании воздушного транспорта» в 2008 году [Текст] / А. Н. Морозов // Труды общества независимых расследований авиационных происшествий. - 2009. - № 21. - С. 7-28.

4. Казак, В. М. Системно методи вщновлення живу-чоста лггальних апарапв в особливих ситуацшх у польот [Текст] / В. М. Казак. - К.: НАУ, 2010. - 284 с.

5. Савонов, О. М. Моделювання та управлоння яюс-тю подготовки авОацшних фах1вщв[Текст|: монографш / О. М. Савонов. - К.: Вид-во Нац. авОац. ун-ту «НАУ-друк», 2010. - 172 с.

6. Ильин, Е. П. Психология творчества, креативности одаренности [Текст] / Е. П. Ильин. - СПб.: Питер, 2004. - 537 с.

7. Айзенк, Г. Новые тесты ^ [Текст] / Г. Айзенк. -М.: Изд-во «Эскмо», 2003. - 189 с.

8. Дейнека, А. В. Современные тенденции в управлении персоналом [Текст]: уч. пос. / А. В. Дейнека. - М.: Изд-во «Академия естествознания», 2009. - 294 с.

i Надоели баннеры? Вы всегда можете отключить рекламу.