Page 50 - 《橡塑技术与装备》2024年5期
P. 50

橡塑技术与装备                                          CHINA RUBBER/PLASTICS  TECHNOLOGY  AND EQUIPMENT

             行模型计算和分析。在监督学习模型中,我们有位置                           的值的形式表示,我们将相关数据存储在数据集中,
             输入数据和相应的位置标签,通过观察位置输入数据                           形成数据集,包含特征和标签的各个数据示例。示例
             和位置标签之间的关系来学习如何进行预测,并通过                           可以看作电子表格中的某一行,特征是受监督模型用
             调整各项参数或权重来优化模型,使得模型的预测结                           于预测标签的值 ;标签是 “ 答案 ”,即我们希望模型
             果与标签之间的误差最小化。                                     预测的值。在预测人员位置的人员定位模型中,特征
                (1)建立数据集                                       可以是定位类型、纬度、经度、企业、装置 / 罐区 / 辅
                 数据是机器学习的驱动力,数据以存储在表中的                         助装置等 ;标签是位置信息。示例如表 1。
             字词、数字、图片或者音频文件中捕获的像素和波形

                                                        表 1 数据集
                                                       特征                                   标签
                          数据    定位方式      经度      纬度     企业     装置 / 罐区   辅助装备     其他       位置
                         数据 _01   北斗    经度 _01  纬度 _01  企业 _01     D        Y     屏蔽装置    位置 _01
                         数据 _02   北斗    经度 _02  纬度 _02  企业 _02     D        N        /    位置 _02
                         数据 _03   北斗    经度 _03  纬度 _03  企业 _01     T        N        /    位置 _03


                (2)模型训练                                            如图 2 示例演示了将机器学习定位模型的预测与
                 模型训练即机器学习,在定位监督式学习中,人                         实际值比较来评估机器学习模型的过程即模型评估过
             员定位模型中的数字集合定义了从特定输入定位特征                           程:
             模式到特定输出标签值的数学关系,人员定位受监管
             模型必须先训练,然后才能进行预测。首先为定位模
             型提供一个带定位标签示例的数据集。然后,在建立
             预测模型的过程中,将定位预测值与定位标签的实际
             值进行比较,根据两者之间的差异(定义为损失),不
             断的调整预测模型,逐步更新其解决方案,直到定位
             模型的预测结果达到一个预期的准确率,以便对不可
                                                                            图 2 定位模型评估过程
             见的定位数据做出最佳预测。
                                                                   例如,如果定位模型预测的人员位置为(L01,D
                 如下示例演示了机器学习定位模型为训练数据集
             中的每个已有标签样本更新预测结果(多次重复此过                           01),但实际人员位置值为(L02,D02),则模型会修
             程)的过程即模型训练过程 :                                    改其解决方案,使其预测结果更接近(L02,D02)。在
                                                               模型查看数据集中的每个样本(在某些情况下多次)
                                                               后,它会得出针对每个样本平均最佳预测的人员位置。


                                                               3 应用展望
                                                                   基于人工智能的人员定位应用是一种重要的技术
                                                               手段,这种定位方法具有高精度、抗干扰能力强、可
                                                               扩展性强和智能化管理等优势,与传统的定位技术相
                          图 1 定位模型训练过程
                                                               比,人工智能定位方法能够更加准确地获取人员的位
                (3)模型评估                                        置信息,并且不易受到环境干扰的影响。可以帮助我
                 模型评估主要关注模型对于已知输入和输出数据                         们更准确地监控现场施工作业人员的位置,有效地解
             的学习效果,并通过一系列的评估指标和方法来衡量                           决定位精度不够、受环境影响严重的问题,从而提高
             模型的性能。在进行模型评估时,根据具体的问题和                           施工安全和效率。同时,随着数据的不断增加和模型
             数据集选择合适的评估指标和方法,并通过调整模型                           的持续优化,人工智能定位功能的性能和精度也会不
             的参数和结构来优化模型的性能。                                   断提高,提高管理效率。



                                                                                                         5
             ·2·                                                                               第 50 卷  第 期
   45   46   47   48   49   50   51   52   53   54   55