基于Agent的信任的情感劝说决策模型

基于智能体(Agent)的信任的情感劝说能更好地发挥Agent的各项人工智能优势。针对其中决策模型建立不够的现状,首先基于Agent的自身性格、情感衰减及外界刺激,运用大五性格、OCC情感模型及情感强度第一定律等,构建了相应的情感强度算法;其次考虑交易质量对信任的反馈,综合运用语言评价法、三角模糊数及将模糊数转换为具体分数(CFCS)算法,对Agent的交易质量进行模糊化和去模糊化处理,构建了相应的交易质量算法;再次对已有的信任更新因子进行改进后,构建了Agent的信任更新算法;最后在构建以上算法的基础上,采用交互式多准则决策(TODIM)法建立了基于Agent的信任的情感劝说决策模型,并采用熵权法对模型中的属性权重进行设定。为验证以上研究的合理性和有效性,设计了相应算例进行阐述,分析了不同参数取不同值得到的决策结果,并与相关研究进行了比较分析,得出了相应结论和管理启示,进一步归纳了不足之处和未来研究方向。     

基于Agent的情感映射的劝说模型及系统

基于Agent的情感劝说处于商务智能前沿研究领域,针对其中对Agent的情感劝说等动态变化因素研究不够的现状,首先利用情感理论中典型的OCEAN-PAD-OCC层次映射模型,建立了Agent的性格、心情和情绪与情感的转换矩阵及相应的映射关系,构建了基于Agent的情感映射模型;其次,对Ekman情感分类进行改进,提出了新的Agent情感分类和基于Agent的情感映射的劝说产生模型,并对Agent的劝说策略、主导情感和情感阈值进行定义,提出了劝说策略模型;再次,根据情感强度第三定律,对Agent的情感强度进行了定义,研究得出其关键影响因素为劝说策略和情感衰减,在对后者定义的基础上,利用马尔可夫无后效应,适用于随机过程的优势,提出了相应的评价模型,并通过对让步步长算法的构建,提出了相应的让步模型;最后,综合以上模型,构建了相应的框架流程图,并以煤炭行业供应链管理中采购商和销售商的自动谈判为例,通过算例和系统实现验证了以上研究的合理性和有效性,得出了相应的管理启示。     

基于Agent的映射的情感劝说行为产生模型

针对既有研究中对基于Agent的情感劝说过程中的动态变化因素量化不足的现状,将情感引入基于Agent的劝说行为产生模型.首先定义基于Agent的情感映射,结合层次分析法和Agent个性参数,建立基于个性化高斯混合模型(P-GMM)的Agent"个性—心情"映射模型;利用三维心情空间(PAD)和OCC模型,通过距离归一化获得修正矩阵,构建基于修正矩阵的Agent"心情—情绪"映射模型;然后结合上述两个情感映射模型,并根据Ekman情感分类,构建基于Agent的映射的情感产生模型;继而划分基于Agent的情感劝说行为,考虑Agent的心情更新和情绪衰减,构建基于Agent的映射的情感劝说行为产生模型;最后采用相应的算例,通过对比实验和灵敏度分析,检验了模型的效果,并讨论了蕴含的管理启示.     

大脑多模态成像技术定量研究进展

现代医学成像技术是脑科学研究和脑疾病诊断的利器,不同模态的成像技术提供不同的信息可协同表征脑部结构和功能。其中定量成像技术着眼于和生理、物理相关的内在参量,旨在提供更精准的信息。本文以正电子发射扫描成像(positron emission tomography,PET)和磁共振成像(magnetic resonance imaging,MRI)两种生物医学成像模态为例,针对性地讨论它们在定量刻画大脑微观结构和功能领域的发展状况,目前尚存的关键技术问题和未来的可能发展方向。围绕定量MRI,从表观参数定量开始,介绍其中的单参数定量的现状和不足,以及目前多参数同时定量的发展动态;围绕微观参数定量,介绍针对髓鞘成像的两大方法,包括多组分T2定量和基于超短回波时间髓鞘直接成像,介绍磁共振定量成像特别是磁共振扩散成像的可比较性和可重复性研究。围绕定量PET,从最广泛的代谢动力学模型——房室模型开始介绍,对生理参数与示踪剂摄取量的关系进行了详细描述,展开到定量的误差来源包括模型选择、图像质量以及输入函数测量误差3个方面进行分析,介绍最新进展包括硬件设备、图像重建方法以及定量分析方法。最后对MRI定量、PET定量以及PET/MRI定量领域进行了展望。     

定量磁共振图像的深度学习重建方法进展

磁共振成像是一种应用广泛的无创医学成像方法,因其丰富的软组织对比度可以成像人体几乎所有内部结构,包括器官、骨骼、肌肉和血管,已成为临床医学影像诊断的利器。然而磁共振成像存在两大公认的瓶颈：成像速度慢、扫描操作烦琐。深度学习给磁共振成像带来莫大的契机,给传统磁共振加速成像带来新的可能。鉴于该领域的快速发展性质,本文旨在总结文献中报道的大量深度学习和磁共振图像重建相结合的方法,以更好地了解该领域。本文简单介绍磁共振成像在多通道线圈接收的并行加速和压缩感知加速下的深度学习重建方法,其中单对比度图像可通过多通道接收线圈提供的冗余度用于加速,多对比度图像可额外使用不同对比度图像这一维度用于加速,动态图像与多对比度图像类似可额外使用时间维度用于加速,本文也将介绍深度学习在这些方面的发展。随着磁共振成像近年来由定性多对比度成像向定量多参数成像的发展,其中定量成像的图像中可内含多对比度图像,如何借用深度学习提供的能力将定性多对比度图像映射到参数图也是一个难点,近年来这一方向也获得了较快的发展,文中也将针对这方面内容进行调研并介绍。针对上述内容,分别介绍国际研究现状和国内研究现状,拟更好地总结国内外研究的发展的异同和趋势。最后对深度学习助力定量磁共振成像方面进行了展望。