精华内容
下载资源
问答
  • 预测飞行员注意分配情况,为人机交互界面设计提供依据 背景: 多因素条件(multi-factor condition),即信息重要度V, 信息发生概率P, 信息突显性Sa, 及努力E 四个影响因素条件下 方法 在混合熵最大化模型的...



    [1]吴旭,完颜笑如,庄达民. 多因素条件下注意力分配建模[J/OL]. 北京航空航天大学学报,2013,39(08):1086-1090. (2012-11-26)[2017-08-30]. http://kns.cnki.net/kcms/detail/11.2625.V.20121126.1140.038.htmlDOI:10.13700/j.bh.1001-5965.2013.08.009


    问题:

    预测飞行员注意力分配情况,为人机交互界面设计提供依据


    背景:

    多因素条件(multi-factor condition),即信息重要度V, 信息发生概率P, 信息突显性Sa, 努力E四个影响因素条件下


    方法

    混合熵最大化模型的基础上,从信息加工的两条通路入手,应用主观期望效能理论及 SEEV( Salient-Expectancy-Effort-Value) 模型思想,提出了一个基于信息重要度、发生概率、突显性及努力的预测模型. 为验证模型的效度,采用16 名被试在不同任务权重及信息呈现方式下开展仪表监视实验,记录注视点分布作为注意力分配的评价指标. 


    结论

    本研究在文献[8]的基础上,从信息加工的两条通路入手,根据认知决策的主观期望效能理论引入信息发生概率,同时借鉴了 SEEV 模型的思想,将信息检出效率引申扩展为信息突显性和努力,对它们进行重新梳理并给出可量化的依据,最终提出一个多因素条件下的注意力分配模型.通过设定目标信息的数量及刷新频率[9]在较为适中的脑力负荷下开展工效学实验,并对模型的效度进行验证. 

    优点:通过计算影响因素在各信息间的相对比例从而最终确定分配注意力的比例. 这一点简化了 SEEV 模型中对影响因素权重的求解

    局限性:本研究局限于脑力负荷较为适中水平下通过眼动追踪数据验证模型,在脑力负荷过载或唤醒程度不足的条件下对模型的失效性会在后期研究中考虑. 另外,眼动数据仅反映了注视点的分布规律,更多的行为学数据及心理生理参数则可以更加完整地表征认知过程. 


    主要创新点:

    本模型提出的影响注意力分配因素分别对应了信息加工的两种方式. 在注意的早期阶段,以自动的平行方式对信息基本特征进行加工,这是自下而上的通路,在模型中体现为对信息突显性的加工及努力因素的抑制作用. 在后期的特征整合阶段,通过人对信息重要度和发生概率的认知集中注意对某个信息特征进行整合并形成暂时客体表征,属于自上而下的控制加工,这与注意的特征整合理论是相一致的[14]


    建模过程:

    本研究在文献[8]的基础上,从信息加工的两条通路入手,根据认知决策的主观期望效能理论引入信息发生概率P,同时借鉴了 SEEV 模型的思想,将信息检出效率引申扩展为信息突显性Sa,努力E,对它们进行重新梳理并给出可量化的依据,最终提出一个多因素条件下的注意力分配模型.通过设定目标信息的数量及刷新频率[9]在较为适中的脑力负荷下开展工效学实验,并对模型的效度进行验证. 结合眼动仪的测量,将注视点分布与模型预测的注意力分配值进行比较,探讨模型提出的多个因素对注意力分配的影响.

    通常,飞行员通过座舱显示界面同时监视到n个视觉信息,假设这 n 个视觉信息所获得的注意力资源


    1只考虑自上而下的关注方式

    根据主观效能理论


    Pi为信息发生概率,V为信息重要度

    基于混合熵的分配模型


    pi为信息潜在认知状态产生概率,ui为信息隶属重要度

    求得pi后,将pi代入最开始得两个式子可得Ai=Pi*Vi


    以下计算pi的方法:

    由于人对于信息重要度的主观评价具有一定的模糊性,同时每个信息在一次注视中能否被注意到存在一定的概率性[8]

    由Jaynes的最大熵原理:

    pi应满足的约束条件为

    通过模糊熵Si来反映作业人员的心理(越大越容易引起人的注意):


    根据Shannon的信息可加性原理,n个信息的平均模糊熵为:



    由Jaynes的最大熵原理,pi的取值要使熵值S(n)达到最大,构造构造拉格朗日函数求条件极值得pi:



    2 考虑到另一种自下而上的信息加工方式,依据 SEEV 模型引入信息突显性 Sa及努力 E 两个影响注意力分配的因素,则式( 2) 扩展为


    信息突显性模型最早由文献[5]提出,后经文献[6]引入 SEEV 模型中,突显的信息更易于注意力的捕捉. 本研究沿用该模型的定义方式[5],并基于飞行信息的多维视觉编码方式,针对颜色c、尺寸 s 和字符种类 t 将信息突显性 Sa表示为这三者的加权平均:


    采用基于混合熵的模型中对注意力分配比例的定义,则分配到第 i 个信息的注意力占总资源的比例为


    其他关键词:

    努力effort:努力是指作业人员在加工处理视觉信息时需要依靠眼动或头动来获取信息所付出的努力,它在一定程度上抑制了注意力资源的分配. 其属性值是通过各视觉信息间的相对距离来衡量的,相对距离越近的信息就越容易发生注意力转移.

    注意attention:信息加工过程中一项重要的心理调节机制,能够对有限的信息加工资源分配,使感知具备选择能力。  文献3

    信息带宽:建立仪表监督行为的量化模型。文献4

    信息突显性:文献5

    SEEV(salient-expectancy-effort-value )模型:影响注意力分配的因素,文献6



    [1]郭小朝,刘宝善,马雪松,伊丽,熊端琴. 歼击机座舱通用显示信息及其优先级的确定[J]. 中华航空航天医学杂志,2006,(04):260-263. [2017-08-30]. 

    [2]柳忠起,袁修干,刘伟,康卫勇. 飞行员注意力分配的定量测量方法[J]. 北京航空航天大学学报,2006,(05):518-520+539. [2017-08-30]. DOI:10.13700/j.bh.1001-5965.2006.05.005

    [3]丁锦红,张钦,郭春彦,等. 认知心理学[M]. 中国人民大学出版社,2010: 41-62

    [4] Senders J W. The human operator as a monitor and controller of multidegree of freedom systems[J]. Human Factors in Electron-ics,1964,5( 1) : 2 -5

    [5] Itti L,Koch C. Computational modeling of visual attention[J].Nature Reviews Neuroscience,2001,2( 3) : 194 -203

    [6] Wickens C D,Alexander A L.Attentional tunneling and taskmanagement in synthetic vision displays[J]. The InternationalJournal of Aviation Psychology,2009,19( 2) : 182 -199

    [7] Nobuyuki Matsui,Eiichi Bamba. Consideration of the attentionallocation problem on the basis of fuzzy entropy[J]. Association Symposium of Measurement and Automatic Control 1996,22( 12) : 27 -32

    [8] Wanyan Xiaoru,Zhuang Damin,Wei Hengyang,et al. Pilot atten-tion allocation model based on fuzzy theory[J]。Computers &Mathematics with Plications,2011,62( 7) : 2727 -2735

    [9] 曾庆新,庄达民,马银香. 人机界面中目标编码设计[J]. 北京航空航天大学学报,2007,33( 6) : 631-634

    [10] Edi Karni. Subjective expected utility theory without states ofthe world [ J ]. Journal of Mathematical Economics,2006,42( 3) : 325 -342

    [12] GJB 189—86 飞机平视显示器通用规范[S]GJB189—86 Aircraft head-up display general specification[S]( in Chinese)

    [13] Wu Xu,Wanyan Xiaoru,Zhuang Damin,et al. Ergonomics studyof information coding of cockpit display under certain ambientillumination[C]/ / Chen Qianbin. The 4th International Con-gress on Image and Signal Processing. Chongqing: IEEE,2012:305 -308


    [14] Treisman A,Gelade G A. A feature integration theory of atten-tion[J]. Cognitive Psychology,1980,12( 1) : 97 -136[15] Kim M S,Cave R C. Perceptual group via spatial selection in a focused attention task[J]. Vision Research,2001,41( 5) : 611 -624

    展开全文
  • 淘宝流量的分配主要是依据权重。而权重又分为店铺权重、单品权重以及关键词权重。对于商家来说,权重当然是越高越好。那么,权重的影响因素有哪些呢? 一、店铺层级 店铺层级是流量的天花板,决定了你店铺能够获取到...

    淘宝流量的分配主要是依据权重。而权重又分为店铺权重、单品权重以及关键词权重。对于商家来说,权重当然是越高越好。那么,权重的影响因素有哪些呢?

    一、店铺层级
    店铺层级是流量的天花板,决定了你店铺能够获取到的自然搜索流量的上限。店铺层级主要是由过去三十天的成交额决定的,并且不同的类目有不同的额度分界。
    店铺层级不同,所要注意的点也不同。
    1、第一层级
    第一层级一般都是刚刚开店或者老店新开的时候,这时候我们要做好基础,想办法给消费者信任感,促进下单。
    2、第二层级
    第二层级时我们要争取比同行高的转化率,通过高转化率去获取官方的流量。
    3、第三层级
    第三层级我们可以开始做爆款,利用爆款引流,提高店铺动销率。
    4、第四层级
    第四层级时你可以开始提升自然搜索流量,自然搜索太低是会掉层级的。流量提升工具V兔可以了解一下。
    5、第五层级
    第五层级时可以参加官方活动,如直通车、钻展、淘抢购等,积累销量。
    6、第六层级
    第六层级时可以针对老客户或粉丝做内容化营销。
    7、第七层级
    当你达到第七层级时,你的店铺已经发展到一定规模了,这时候要注重整个店铺的战略布局,不要再局限在单品上。

    二、动销率
    有些商家只想着上架新品,以为不断上新就能获得流量。这就是忽视了动销率,店铺动销率对权重有着很大的影响,动销率代表商品的销售状态,决定宝贝销售层面的价值,如果一个店铺动销率过低,店铺权重相应的也会低。

    三、DSR评分
    DSR评分主要是衡量店铺服务的指标,主要有描述、服务、发货这三个方面,并且DSR评分在自然搜索所占的权重也不断提升。如果店铺各项指标都没做好,DSR飘绿,那店铺权重会比较低。但也有些类目有特殊情况,不过我们不能看同行也是飘绿偏多就不去管了。提升DSR评分我们可以利用V兔工具根据DSR计算补单数,从而达到自己想要的DSR评分。

    四、精准人群提高转化
    很多时候因为引流不精准,导致进店客户需求与店铺不符,造成转化率低的结果。所以前期我们在做好主图详情以及产品定位的同时,也要做好前期的人群标签,也就是为产品打标。

    淘宝权重受许多方面的影响,商家只有把握好运营中的细节,店铺才能越做越好。

    展开全文
  • 注意:单击此处https://urlify.cn/3iAzUr下载完整的示例代码,或通过Binder在浏览器中运行此示例下图说明了聚类数量和样本数量对各种聚类性能评估度量指标的影响。未调整的度量指标(例如V度量)显示了聚类的数量与...

    注意:单击此处https://urlify.cn/3iAzUr下载完整的示例代码,或通过Binder在浏览器中运行此示例

    说明了聚类数量和样本数量对各种聚类性能评估度量指标的影响。未调整的度量指标(例如V度量)显示了聚类的数量与样本数之间的依赖关系:随机标记的平均V度量随着聚类的数量越接近用于计算的样本总数而显着增加。针对ARI等偶然性度量指标进行调整后,对于任意数量的样本和聚类,一些随机方差(variations)均以0.0的平均得分为中心。因此,只有调整后的度量指标才能安全地用作共识指数(consensus index),才能用来评估数据集中在各种重叠子样本上给定k值时,聚类算法的平均稳定性。

    b9c26addd472544874687372eea5663c.pngce019f734ff77d9bebc1ed1c36bbd5a8.png

    输出:
    Computing adjusted_rand_score for 10 values of n_clusters and n_samples=100done in 0.050sComputing v_measure_score for 10 values of n_clusters and n_samples=100done in 0.068sComputing ami_score for 10 values of n_clusters and n_samples=100done in 0.356sComputing mutual_info_score for 10 values of n_clusters and n_samples=100done in 0.044sComputing adjusted_rand_score for 10 values of n_clusters and n_samples=1000done in 0.051sComputing v_measure_score for 10 values of n_clusters and n_samples=1000done in 0.064sComputing ami_score for 10 values of n_clusters and n_samples=1000done in 0.208sComputing mutual_info_score for 10 values of n_clusters and n_samples=1000done in 0.048s
    print(__doc__)# 作者: Olivier Grisel # 许可证: BSD 3 clauseimport numpy as npimport matplotlib.pyplot as pltfrom time import timefrom sklearn import metricsdef uniform_labelings_scores(score_func, n_samples, n_clusters_range,                             fixed_n_classes=None, n_runs=5, seed=42):    """计算2个随机均一聚类标签的得分。     两个随机标签中每个在n_clusters_range中的可能值都具有相同数量的聚类。         当fixed_n_classes不为None时,第一个标签被认为是具有固定类数量的真实类(ground truth class)。    """    random_labels = np.random.RandomState(seed).randint    scores = np.zeros((len(n_clusters_range), n_runs))    if fixed_n_classes is not None:        labels_a = random_labels(low=0, high=fixed_n_classes, size=n_samples)    for i, k in enumerate(n_clusters_range):        for j in range(n_runs):            if fixed_n_classes is None:                labels_a = random_labels(low=0, high=k, size=n_samples)            labels_b = random_labels(low=0, high=k, size=n_samples)            scores[i, j] = score_func(labels_a, labels_b)    return scoresdef ami_score(U, V):    return metrics.adjusted_mutual_info_score(U, V)score_funcs = [    metrics.adjusted_rand_score,    metrics.v_measure_score,    ami_score,    metrics.mutual_info_score,]# 2个独立的随机聚类,具有相同的聚类数n_samples = 100n_clusters_range = np.linspace(2, n_samples, 10).astype(np.int)plt.figure(1)plots = []names = []for score_func in score_funcs:    print("Computing %s for %d values of n_clusters and n_samples=%d"          % (score_func.__name__, len(n_clusters_range), n_samples))    t0 = time()    scores = uniform_labelings_scores(score_func, n_samples, n_clusters_range)    print("done in %0.3fs" % (time() - t0))    plots.append(plt.errorbar(        n_clusters_range, np.median(scores, axis=1), scores.std(axis=1))[0])    names.append(score_func.__name__)plt.title("Clustering measures for 2 random uniform labelings\n"          "with equal number of clusters")plt.xlabel('Number of clusters (Number of samples is fixed to %d)' % n_samples)plt.ylabel('Score value')plt.legend(plots, names)plt.ylim(bottom=-0.05, top=1.05)# 根据真实类标签使用不同的n_clusters随机标签# 聚类数量固定n_samples = 1000n_clusters_range = np.linspace(2, 100, 10).astype(np.int)n_classes = 10plt.figure(2)plots = []names = []for score_func in score_funcs:    print("Computing %s for %d values of n_clusters and n_samples=%d"          % (score_func.__name__, len(n_clusters_range), n_samples))    t0 = time()    scores = uniform_labelings_scores(score_func, n_samples, n_clusters_range,                                      fixed_n_classes=n_classes)    print("done in %0.3fs" % (time() - t0))    plots.append(plt.errorbar(        n_clusters_range, scores.mean(axis=1), scores.std(axis=1))[0])    names.append(score_func.__name__)plt.title("Clustering measures for random uniform labeling\n"          "against reference assignment with %d classes" % n_classes)plt.xlabel('Number of clusters (Number of samples is fixed to %d)' % n_samples)plt.ylabel('Score value')plt.ylim(bottom=-0.05, top=1.05)plt.legend(plots, names)plt.show()
    脚本的总运行时间:(0分钟1.225秒)估计的内存使用量: 8 MBcae44525c43510e97d63ca1a4636a0d5.png下载Python源代码: plot_adjusted_for_chance_measures.py下载Jupyter notebook源代码: plot_adjusted_for_chance_measures.ipynb由Sphinx-Gallery生成的画廊

    文壹由“伴编辑器”提供技术支持

    ☆☆☆为方便大家查阅,小编已将scikit-learn学习路线专栏文章统一整理到公众号底部菜单栏,同步更新中,关注公众号,点击左下方“系列文章”,如图:

    b2404c361bb150bf6c4292b98cff04ab.png

    欢迎大家和我一起沿着scikit-learn文档这条路线,一起巩固机器学习算法基础。(添加微信:mthler备注:sklearn学习,一起进【sklearn机器学习进步群】开启打怪升级的学习之旅。)

    e8c47dc5304a98d0bf3d8127b054f0b1.png

    展开全文
  • 1、分配内存空间。 2、检查内存分配成功与否。成功返回内存首地址,失败返回NULL。 3、清空分配好的内存空间。 4、使用内存。 5、使用完之后需要释放内存。 6、对指针置空。如果释放之后不置空的话,之后万一继续...

    malloc 使用基本流程:

    #include <stdio.h>
    #include <string.h>
    #include <stdlib.h>
    #define MAX_SIZE   sizeof(char) *100
    
    int main()
    {
            char *ptr =(char *)malloc(MAX_SIZE); /*申请堆内存*/
            if(ptr == NULL)              /*判断是否申请成功*/
            {
                    printf("内存分配失败");
                    exit(1);
            }
    
            memset(ptr, 0, MAX_SIZE);  /*清空申请内存*/
    
            strcpy(ptr,"可以使用了!!");	/*内存使用*/
            printf("mem is %s\n", ptr);
    
            free(ptr);             /*释放内存*/
            ptr = NULL;        /*指针赋空*/
            return 0;
    }

    注:使用六步走如下

    1、分配内存空间。

    2、检查内存分配成功与否。成功返回内存首地址,失败返回NULL。

    3、清空分配好的内存空间。

    4、使用内存。

    5、使用完之后需要释放内存。

    6、对指针置空。如果释放之后不置空的话,之后万一继续用到会成为野指针。

    展开全文
  • 1,分配器是给容器用的,分配器的效率好不好就会影响到容器的效率好不好。即使可以使用分配器,也不建议使用分配器,因为使用分配器进行空间释放时,会要求程序员确定需要释放多少内存。分配器基本上最后都需要调用...
  • 影响Hive效率的几乎从不是数据量过大,而是数据倾斜、数据冗余、job或I/O过多、MapReduce分配不合理等等。对Hive的调优既包含对HiveSQL语句本身的优化,也包含Hive配置项和MR方面的调整。 列裁剪和分区裁剪 最基本...
  • 在一个vector的尾部之外的任何位置添加元素,都需要重新移动元素。而且,向一个vector添加元素可能引起整个对象存储空间的重新分配...重新分配一个对象的存储空间需要分配新的内存,并将元素从旧的空间移到新的空间...
  • c语言中的动态内存分配

    千次阅读 2011-09-11 11:16:14
    “动态”(Dynamic)内存分配的意思是:程序运行...注意用过后要及时释放所分配的空间,否则剩余内存空间就会越来越小,影响系统运行。  C语言中常用malloc()和calloc()函数来动态地取得内存空间。 一、malloc()和fr
  • 公司有一个项目,数据库升级到64位,内存有8G。前一段时间我检查了一下内存的分配情况:SQL> show parameter sgaNAME TYPE...
  • C++几种内存分配方法的效率测试与比较 这几天做的一个项目要频繁new许多对象,对于...(注意事项:vs下x86和x64、debug、release配置下运行效果不一样,gcc编译时,一些二外的debug编译参数也会影响速度) #includ
  • 堆的分配参数

    2016-05-09 11:05:00
    注意:此处的大小是(eden+ 2 survivor space).与jmap -heap中显示的New gen是不同的。整个堆大小=年轻代大小 + 年老代大小 + 持久代大小.增大年轻代后,将会减小年老代大小.此值对系统性能影响较大,Sun官方推荐配置...
  • 如果基类使用动态内存分配,并重新定义赋值和复制构造函数,这将怎样影响派生类的实现?这个问题的答案取决于派生类的属性。如果派生类也使用动态内存分配,那就需要注意学习新的小技巧。 派生类不适用new //Base ...
  • 在这项研究中,我们测量了药剂师和SPD的视线,并检查了影响分配错误的因素。 此外,我们研究了防止人为错误的方法。 在眼动追踪的结果中,与药剂师相比,对于每种药物,SPD成员倾向于在“药物”和“领料单”上花费...
  • 已经进入暑假了,2021年招生简章也快要公布,我们分享一下联合培养项目复习准备过程的时间分配经验(可查看博主个人中心材料)。 目前,在不考虑疫情影响的情况下,预计还是11月份网上报名,12月中旬提交申请材料,1...
  • 这一点,造成了现在对于程序扩展起来有些捉襟见肘,这里以后要注意。 同时,函数参数也尽量使用结构体,这样避免函数接口的改动。 现在慢慢明白了,为什么数据结构在C语言中这么重要。一个数据结构的合适与否,...
  • 好久没有写C语言了,用了malloc动态分配数组但是却忘了到如malloc.h的头文件,报了错都不到为什么,还是太大意了,时间长了,C语言都忘得差不多了! 而且多个输入函数scanf()连着使用的时候一定要注意回车换行符!...
  • 在Go语言中,Go scheduler的P数量非常重要,因为它会极大地影响Go在运行时的表现。在目前的Go语言中,P的数量默认是系统的CPU核数。在容器化的环境中,Go程序所获取的CPU核数是错误的,它所获取的是宿主机的CPU核数...
  • 影响Hive效率的几乎从不是数据量过大,而是数据倾斜、数据冗余、job或I/O过多、MapReduce分配不合理等等。对Hive的调优既包含对HiveSQL语句本身的优化,也包含Hive配置项和MR方面的调整。列裁剪和分区裁剪最基本的...
  • 系统调优注意事项

    2012-09-23 10:55:00
    注意三件事:磁盘io,网络io,内存换页率 可以为不同的进程分配不同的cpu ...注意吞吐量和延迟,吞吐量不稳定会影响延迟 转载于:https://www.cnblogs.com/anjianliang/archive/2012/09/23/2698764.html...
  • 因此,对进行检查的医院和社区药剂师进行了眼动追踪,结果揭示了影响分配错误的因素。 因素之一是分配空间的大小,特别是在空间很小且所需物品不容易拿到的情况下。 另外,假定药剂师之间检查程序的差异会由于疏忽...
  • C++基础-指针使用注意

    2020-05-30 23:41:20
    手动分配手动回收 ...如果是编写大型的持续运行的程序,不注意内存释放,会导致内存占用越来越高,影响系统性能或导致进程崩溃。 下面一个测试程序演示内存占用情况: #include <iostream> using name
  • 影响Hive效率的几乎从不是数据量过大,而是数据倾斜、数据冗余、job或I/O过多、MapReduce分配不合理等等。对Hive的调优既包含对HiveSQL语句本身的优化,也包含Hive配置项和MR方面的调整。列裁剪和分区裁剪最基本的...
  • 需要超级管理员权限才能跑正常的VS项目部署至iis后,由于iis默认权限很小,故需要开放对应权限以满足项目需求 ...4、注意配置后的安全性问题,权限越大,通过程序漏洞进行攻击所受的影响最大 ...
  • mysql注意

    2017-09-26 20:33:51
    8. 【强制】varchar 是可变长字符串,不预先分配存储空间,长度不要超过 5000,如果存储长度大于此值,定义字段类型为 text,独立出来一张表,用主键来对应,避免影响其它字段索引效率。 【推荐】单表行数超过 500...
  • 在实际的使用中要注意分析VC的分配变量的分配策略,这样的话可以避免一些错误。 下面使用例程测试函数对结构体struce或者class大小的影响。 例程: 普通结构体 struct xxx0 { double y;//8 ...
  • 注意影响苹果果形的因素!你知道吗?找农资?找化肥?买农药?信息都在这里面!招募联络员!果农都在抢着报名!富士苹果着色状况是衡量果实质量的一个重要指标,着色程度直接影响果品的销售价格,而苹果着色好坏与...
  • 2、使用varchar,代替char,这是因为varchar会动态分配长度,char指定为20,即时你存储字符“1”,它依然是20的长度 3、给表建立主键,看到好多表没主键,这在查询和索引定义上将有一定的影响 4、避免表字段运行为...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 563
精华内容 225
关键字:

影响注意分配