工作行為感測-問題模型

問題模型:

在本系統中，該如何透過所讀取到設置於工作物件上的RFID標籤來判讀學員工作完成與否。是項艱鉅的任務。在此，我們以煮玉米濃湯為例。將本問題分為順序性與次數性兩個面向來加以分析。在情境中，我們將煮玉米濃湯這項工作的流程分割為:
1. 拿湯鍋煮水。
2. 將碗放置於電子秤上，並慢慢倒入湯粉量出一定重量。
3. 待水滾後，將湯粉倒入湯鍋，並使用勺子加以攪拌。

接著，透過流程的釐清，我們將RFID標籤分別設置於湯鍋、碗、電子秤、湯粉及勺子等五個工作物件上。視為準備工作完成。
其實，在一個工作流程的分割中，就已經隱含著一種順序上的趨勢了。假設我們已經針對這項工作的”順序次”進行了多次實驗並加以統計分析。得到了一組最佳的標籤順序為:

得到一個被定為標準的順序次後，往後針對學員所測得的實際標籤順序次，都將透過與此標準的比較來判斷工作完成與否。以機率的角度來看，即順序越接近標準，工作被完成的機率越大。以上，即為工作辨識問題順序性的描述。
在一次工作中，對於單一工作物件所讀取到的標籤次數。也是對於辨識判讀具有極大影響力的一個要素。因為在工作環境中，即有可能發生誤讀以及漏讀等狀況。再者，我們也需要透過讀取次數的多寡來做為辨識的依據並藉以提升辨識的正確度。因此再度假設我們已經針對這項工作的”讀取次數”進行了多項實驗並加以統計分析。得到了一組最佳的次數標準為:

湯鍋×1 電子秤×2 碗×1 湯粉×3 勺子×5

我們將此定為標準的”讀取次數”，往後學員進行實際工作時所產生的數據都將偷過與此標準的比較來判斷工作完成與否。以機率來看，越接近標準，工作被完成的機率越大。以上，即為工作辨識問題次數性的描述。
將順序性與次數性兩大要素融合在一起進行判讀，即本系統在辨識比對方面的問題模型。欲解決此問題，我們必須透過設計良好的演算法來加以分析。而以下的章節我們將提出動態時間扭曲(Dynamic Time Wrapping, DTW )，類神經網路，隱藏式馬可夫模型(Hidden Markov Model，HMM)，此三種常見的辨識用演算法來進行比較整理。