Elicitation of subjective probabilities for economic risk analysis: An investigation

This paper investigates three major issues regarding the elicitation of expert knowledge for economic risk analysis: (1) recognition of some of the implicit assumptions and beliefs; (2) development of an approach to elicit expert knowledge as accurate, calibrated and coherent subjective probabilities; and (3)a study to explore human ability to predict future events and the validity of the implicit assumptions and beliefs in the context of the expert judgements. The proposed elicitation approach combines the theoretical requirements for valid subjective probabilities with a practical process. The recognition that some of the implicit assumptions and beliefs in engineering risk analysis should be explored when dealing with the human ability to predict future events, and the inherent difficulties in developing experiments and methods to test such beliefs arc some of the benefits of the study. Directions for future work are suggested.     

ARTIFICIAL NEURAL NETWORKS FOR CONSTRUCTION BID DECISIONS

An Artificial Neural Network (ANN) approach was explored for supporting construction bid decisions, since such decisions are heavily dependent on practitioner expertise, which in turn is generally encapsulated in case histories. One of the ANNs described here was trained on knowledge from a sample of the entire Sri Lankan construction industry, and was used to predict the preferred job sizes for firms of differing characteristics; such information could help firms in their bid/no-bid decisions. The other ANN was trained on case histories elicited from a single contractor, and was used to predict the percentage mark-up. The network outputs were obtained in both binary output and continuous valued output formats. The former format had some distinct advantages over the latter, as it provided greater information for decision making instead of being a “black box” output. The influences of the middle layer size, output format and allowable error during training, on the training duration and accuracy of prediction were studied.     

情感型对话机器人技术的研究综述

对话机器人技术一直是人机交互领域的研究热点,基于文本或者语音的对话机器人已经广泛应用于生活当中.然而,构建能够与人类进行自然的、流畅的对话的机器人仍然充满挑战.情感作为拟人性的重要方面能够提高人机交互的自然性和流畅性.因此,为了推进对话机器人技术的发展,本文对情感型对话机器人的相关概念、发展历史、情感生成方式、设计思路...     

深度编码网络下的英语点餐机器人交互系统设计

目的：研究点餐机器人情感交互的设计思路与理念,设计以人为本的智能情感交互方法点餐机器人。方法：采用BLSTM网络构建英语语义参量的编码网络,进而提出主旨型注意力模式,该模式可通过赋权值的方式提取相应数据,然后设计约束型SeqGAN网络架构完成解码,从而调整生成装置参量,缩小生成点餐语言与真人英语情感交互回复间的差距。结果：与Du-Model法和HRED-Model法相比,BLSTM-SeqGAN法的困惑指标更小且精准度更高,并随迭代数目增加而稳定程度更高。结论：该方法能够获得更加自然、真实与友好的情感交互反应。     

基于生理特征映射的驾驶员情绪在线识别模型构建方法

高精度驾驶员情绪识别模型是智能车辆安全辅助驾驶系统构建的关键问题之一。针对该问题,提出一种基于生理特征映射的驾驶员情绪在线识别模型构建方法。对不同情绪下驾驶员心电、脉搏生理信号进行时域特征提取,建立生理信号-情绪关联样本库,给出改进式自编码(Improved stacked autoencoder, I-SAE)神经网络架构,构建基于I-SAE神经网络的人员情绪生理表征和离线辨识模型;同步采集行驶过程中不同情绪下驾驶员生理信号和车辆状态数据,利用主成分分析法选取车辆状态特征参数向量,通过I-SAE模型识别处理生理信号数据,将驾驶员情绪的生理表征映射为车辆状态表征,构建车辆状态-驾驶员情绪关联样本库;在此基础上,建立基于学习矢量量化(Learning vector quantization, LVQ)的驾驶员情绪在线识别模型。试验数据表明,该方法构建的驾驶员情绪在线识别模型正确识别率达84%以上,可满足安全距离预警等车辆智能系统需要。     

消逝中的城市记忆与情感——谈当前重庆旧城改造与更新

本文以重庆大规模、快速的旧城改造与更新为背景,探讨了城市记忆与情感消逝的原因,阐释了城市记忆与情感对于一座城市及其居民的重要意义,引发人们对于当前重庆旧城改造与更新中城市记忆与情感问题的思考。     

公共空间的大众情结

公共空间的引入,为建立人类情感的交流的平台提供了一个卓有实效的媒材。当代人类丰硕的物质文明,为营造人类的情感空间提供了保证和必须。在鳞次栉比的广厦之间,在通达烦杂的道路之间,人与人的交流在公共空间艺术作品的作用下成为可能,越来越多的人希望这种饱含情感的空间参入到大众的生活。公共的凝结了大众情感的空间是公共艺术人文关怀的延续,建设性的公共空间艺术实现了对人类情感的真正皈依。     

一种基于情感和个性的Agent注意控制模型

对注意资源的合理管理,以及在适当的时机进行注意切换是Agent的一项重要机能。现有的注意控制方法侧重于强调智能的认知方面,较少考虑智能的情感方面。该文提出一种基于情感和个性的注意控制模型,对情感机制和认知系统进行有机集成,以管理Agent的注意资源和切换注意等。仿真结果验证了模型的有效性,同时在情感机制有效调节下,Agent的行为表现出了不同的个性。     

基于情绪体验的ASD儿童干预机器人造型研究

目的 为提升ASD儿童干预机器人的训练效果,为教辅人员、设计师等提供参考,提出以ASD儿童情绪体验特点为基础的干预机器人拟人化造型特征评价方法。方法 对市场上的机器人造型样本进行拟人度评分,并从中选取代表性样本;从20余项HRV指标中筛选出8项代表性指标,通过HRV实验收集数据;使用改进的PAD情绪量表获取ASD儿童情绪体验主观得分;通过逐步回归法筛选出对情绪体验得分影响较大的HRV指标;以HRV指标为自变量、情绪体验得分为因变量,建立回归关系,为ASD儿童干预机器人造型的设计和方案评价提供理论依据。结果 研究表明,几何型机器人往往带来“放松的”情绪体验,类人型机器人会带来“高兴的”情绪体验,而真人型机器人则可能带来“焦虑的”情绪体验。同时,ASD儿童的愉悦度、唤醒度、优势度与HRV指标之间存在一定的相关性。结论 将改进的PAD情绪量表应用于ASD儿童干预机器人的造型评价中,建立情绪体验和HRV指标之间的回归模型,为设计和评估适合ASD儿童的机器人提供了理论依据,更好地促进了ASD儿童干预机器人的发展。     

基于SVM的汉语语音情感识别研究

随着信息技术的发展,对人机交互能力的要求不断提高,情感信息处理已成为提高人机交互能力的一个重要课题.本文提出了一种汉语语音情感分类方法,主要研究了4种基本的人类情感:高兴、愤怒、恐惧、悲伤.从汉语语音信号中提取了能量、基频、语速等特征,利用支持向量机方法识别,取得了43.7%的平均识别率.