基于混合EHMM模型的数据流预测

首先提出一种改进的算法NONEPI++,用于挖掘事件序列上非重叠发生的频繁情节;然后将每个频繁情节表示为相应的情节隐马尔可夫模型EHMM,并通过最大期望算法计算模型的混合系数,从而生成一个基于历史数据流的混合模型;最后,基于该混合模型预测目标事件类型出现的概率。实验表明,混合EHMM模型能有效地预测数据流。     

基于HMM的人工心理建模方法研究

提出一种基于HMM的人工情感模型。该模型将人类的情感过程视为两层随机过程,通过调整模型的初始参数,能够构建具有不同性格特征的心理模型;同时它作为情感引擎,能以概率的形式预测情感过程的最终结果。系统运行结果表明由该模型产生的情感反应真实、自然。     

基于EHMM的地面飞机识别

提出一种EHMM外部和内部状态敷自动估计的算法,优化估计了模型的结构.算法应用于对地面飞机的识别,通过对多种EHMM的结构模型进行了对比实验,证明了由该算法得到的EHMM结构比其他结构有更高的识别率(最高达到100%),同时系统资源和运算时间都有所减少(大约减少30%).     

基于模糊认知图的情感Agent模型研究

人工情感是人工心理的一个主要研究内容。从研究人工情感出发,提出一种基于模糊认知图的情感Agent建模的方法。模糊认知图模型通过在传统认知图模型中引入模糊测度来量化概念间因果关系的影响程度。Agent的知识由内部组元的状态以及组元之间的关系权值进行描述,用简单数值运算代替了复杂的符号逻辑来实现Agent的智能推理和决策。通过实验表明,该模型设计简单、易于扩展、适用性好。     

基于情感建模的教学辅助系统的研究*

设计了一个以情感交互为核心的人性化的教学辅助系统.该系统综合了情感计算、计算机图形图像技术和移动Agent技术.系统以心理学和人工心理理论为基础构建了情感认知模型,定义了情绪空间、基本情绪和基本学习心理状态,并建立了基本情绪和基本学习心理状态与情绪空间的映射关系.通过情感认知模型对识别表情的处理,得到学生的学习心理状态及状态评价值.采用基于图像处理的人脸检测、表情识别和姿态识别方法编程实现了教学辅助系统.     

基于心理能量思想的人工情感模型

从人工情感建模的需要出发,根据动力心理学关于心理能量的理论,提出了情感能量的概念以及基于情感能量的情感状态的数学描述方法,建立了情感状态的能量分布描述空间和情感状态的概率描述空间。在此基础上,进一步分析了情绪状态的变化过程,并提出了情绪状态自发转移过程的马尔可夫链模型以及情绪状态刺激转移过程的隐马尔可夫模型。     

基于奇异值的具有年龄变化的人脸识别

为了增强现有人脸识别算法对年龄变化的鲁棒性,提出了一种新的基于奇异值分解(SVD)和嵌入式隐马尔可夫模型(EHMM)的人脸识别方法.先选取整幅人脸图像的奇异值作为基本特征向量,然后建立年龄函数,对奇异值特征进行修正,再根据得到的年龄函数,对人脸图像进行重建,提取改进后的奇异值特征作为观察序列,送入EHMM中进行分类识别,实验结果表明这种方法能够提高具有年龄变化的人脸识别效率.     

人工心理与人工情感

介绍了人工心理与人工情感的定义、研究意义、关键支撑技术和主要研究内容与应用领域,分析了国内外相关研究的进展.人工情感主要是情感计算方面的研究,人工心理包括人工情感、人工意识以及认知与情绪的人工数字化技术.人工情感是人工心理的一个主要研究内容.最后提出了该研究领域未来需要解决的若干科学问题及几点建议.指出了研究情感形式化方法和开发人类心理数字化技术并实现重大应用,是人工心理和人工情感研究者未来的主要任务.     

基于人工心理偏好表示的多方—多属性谈判支持系统

为了解决多方—多属性谈判支持系统中谈判人偏好表示的难点问题,设计了一种基于人工心理偏好表示的多方—多属性谈判支持系统。首先建立了基于云模型的人工心理描述模型,模型充分表达了人工心理的模糊性和随机性。并分析了基于云模型人工心理偏好表示的多方—多属性谈判过程,同时给出通过中介方式基于云模型人工心理偏好表示的谈判建议解求解方法。最后以系统雏形与谈判实验为案例,结果表明该方法能较好地表达谈判支持系统中谈判人的偏好。     

人工心理情感模型的个人机器人

以心理动力学中心理能量概念为基础,根据情感能量守恒定律,建立了情感状态能量分布描述空间和情感状态的概率描述空间,分析情绪状态的变化过程,提出情绪状态自发转移过程的隐马尔可夫链及其模型算法.利用MATLAB建立相关情感状态变化的仿真研究平台,研究情感状态的变化规律.根据以上人工心理情感模型及其变化规律构建出个人机器人综合研究平台软、硬件体系结构,并通过该系统的实际运行实验验证了其有效性.     

情感计算数学模型的研究初探

针对计算机如何进行情感计算，提出一种情感空间的概率模型并对其进行了计算机仿真。通过构造状态的概率转移矩阵，得到每个情感状态的概率分布，从而计算出情感的熵值。情感的熵值，表达出所构造的情感的细腻程度。通过计算机仿真，验证了情感模型是符合人类情感规律的——不确定性同时又具有统计规律。最后通过不同参数的仿真，说明此模型可以产生不同的情感活动，为情感机器人数学模型的建立与情感决策支持系统提供了一种新的方法。     

从知识表示到表示:人工智能认识论上的进步

知识表示是对智能进行模拟的一个数学模型,然而它可以不是一个对智能本质的描述,特别是传统的符号主义知识表示离揭示人的智能行为发生的内在过程还有很大的差距,在神经科学和心理学的指导下,通过对智能行为的生理基础和心理过程的研究,遵循“解释智能”的思想,可以得到对知识的心智表示的新认识,这种表示观的不同,预示着人工智能方法论上的进步。     

Face recognition using the embedded HMM with second-order block-specific observations

The paper is concerned with face recognition using the embedded hidden Markov model (EHMM) with second-order block-specific observations. The proposed method partitions a face image into a 2-D lattice type, composed of many blocks. Each block is represented by the second-order block-specific observation that consists of a combination of first- and second-order feature vectors. The first-order (or second-order) feature vector is obtained by projecting the original (or residual) block image onto the first (or second) basis vector that is obtained block-specifically by applying the PCA to a set of original (or residual) block images. A sequence of feature vectors obtained from the top-to-bottom and the left-to-right scanned blocks are used as an observation sequence to train EHMM. The EHMM models the face image in a hierarchical manner as follows. Several super states are used to model the vertical facial features such as the forehead, eyes, nose, mouth, and chin, and several states in the super state are used to model the localized features in a vertical face feature. Recognition is performed by identifying the person of the model that provides the highest value of observation probability. Experimental results show that the proposed recognition method outperforms many existing methods, such as the second-order eigenface method, the EHMM with DCT observations, and the second-order eigenface method using a confidence factor in terms of average of the normalized modified retrieval rank and false identification rate.     

Facial expression recognition using ASM-based post-processing technique

Facial expression recognition is a challenging field in numerous researches, and impacts important applications in many areas such as human-computer interaction and data-driven animation, etc. Therefore, this paper proposes a facial expression recognition system using active shape model (ASM) landmark information and appearance-based classification algorithm, i.e., embedded hidden Markov model (EHMM). First, we use ASM landmark information for facial image normalization and weight factors of probability resulted from EHMM. The weight factor is calculated through investigating Kullback-Leibler (KL) divergence of best feature with high discrimination power. Next, we introduce the appearance-based recognition algorithm for classification of emotion states. Here, appearance-based recognition means the EHMM algorithm using two-dimensional discrete cosine transform (2D-DCT) feature vector. The performance evaluation of proposed method was performed with the CK facial expression database and the JAFFE database. As a result, the method using ASM information showed performance improvements of 6.5 and 2.5% compared to previous method using ASM-based face alignment for CK database and JAFFE database, respectively.     

基于自定义空间和OCC模型的情绪建模研究

人类不仅具有逻辑推理的能力,而且具有情感控制、表达的能力。通常使用计算机对人类的能力进行模拟,在人工智能赋予计算机逻辑推理能力之后,如何赋予计算机情绪成为一个重要的研究问题。该文就是以人工心理和基本的情绪理论为基础,在三维情绪空间中将个性和OCC模型相结合,建立了一个情绪模型。并将此模型作为情感核心,尝试实现了一个虚拟软件人。这个情感虚拟软件人不仅具有学习、记忆能力,而且具有情感交互能力。