文摘

我们讨论建立科学意识的重要性和展示的想法使用交互式进化计算(IEC)作为分析工具意识机制,使意识模型。首先,我们描述中人为因素的重要性计算智能和IEC是所谓的人性化的计算智能方法之一。第二,我们展示的例子,IEC作为人文科学的分析工具。分析人类感知机制是在这样的人类特征和功能分析,IEC可以被用于这一目的。基于这种期望,我们表达一个想法分析感知机制。这个想法是使一个等效模型的IEC用户使用一个学习模型并寻找潜在的变量连接输入和输出的用户模型,有助于理解或解释inputs-outputs关系。虽然必须有几个意识的定义,这种想法是基于感知的一个定义是找出未知变量,帮助我们理解。如果我们建立一个自动方法寻找潜在的变量,我们可以实现一个意识在计算机模型。

1。介绍

的论文数量使用关键字的上下文感知、权力意识、位置识别,和情境感知的SciVerse爱思唯尔的斯高帕斯数据库,分别是6383年、1749年、1688年和257年的2012年2月。这些领域工程的兴趣增加了。

这些工程方法调用获取未知知识或事实意识。然而,这些工程方法如何不同于数据挖掘或知识获取?虽然这些类型的应用程序是有用的和重要的,我们需要其他科学方法不仅支持意识还扩展意识的工程应用科学和工程。

这样一个科学的方法是分析人类或动物的感知机制和构建感知模型基于这些机制。一旦我们建立自己的核心技术,我们可以做一个电脑使用这样一个模型注意一些东西。作为结果,我们可以期望不仅开发数据mining-like应用程序已经完成直到现在也进步人机通讯、社交网络的监测和新领域。

分析感知机制和建模研究是重要的第一步执行在这个方向。集成思想和配合是很重要的动物行为学、心理学、数学建模、工程分析方法和其他跨学科领域。合作与人类科学尤其重要合作意识计算和人类科学没有那么活跃。

本文有两个目标;一是表明,IEC可以是人文科学的一个分析工具,另一个是,讨论我们应该如何利用IEC意识机制和意识的分析建模。对于第一个目标,我们介绍一些研究人类使用IEC作为分析工具部分3并显示IEC的潜在意识科学的工具。第二个目标,我们在初步试验显示应用程序的想法进一步讨论部分4,虽然还没有提出具体的方法。IEC是本文的核心技术,我们也画一个图来解释为什么IEC和简要介绍IEC部分是必要的2在这些主要部分。

2。计算智能和人性化IEC

在本节中,我们想强调如何利用计算智能人为因素变得越来越重要。我们将参考人为因素为计算智能的集成人性化的计算智能。一个工程解决方案的目的是优化一些任务,和传统的工程师会根据他们的知识,创建设计经验,甚至偏好。这种设计方法有一些相似性,艺术家或工匠采用的方法。我们可以叫这种设计,根据工程师的能力,第一代工程设计。工程设计的第二代,人类的工程师被替换为优化技术使用autodesign方法或计算智能算法。澄清一下,计算机辅助设计(CAD)不是一个autodesign方法而是一个工具使用的工程师将他们的设计输入电脑;使用CAD设计属于第一代。在工程设计的第三代,人类存在合作工程师和autodesign方法。如果完美autodesign方法存在,第二代是最优的。不幸的是,不存在这样的方法。 Since autodesign methods and human experts have different strong points, the best choice is to combine them and blend their strengths. Figure1说明了这第三代设计的一些示例。在传统机器人和控制应用程序针对自然环境,设计从传感器获取信息和做出决策的行为。最近,消费者机器人技术取得了巨大的成功和情绪反应等可爱的,友好的,或安全已经成为最重要的因素在确定这种产品的销售。传统的方法不能为这样的情绪反应设计在设计过程中没有人类的主观评价。数据挖掘从数据库中获得知识和实用技术在这一领域已经建立。然而,电脑不能评估获得的知识是很重要的,因此不能获得合格的知识没有领域专家的评估。过滤器的声音或图像可以通过数学信号处理过程实现算法在计算机上。虽然规格,如信噪比或误差信号与目标信号处理,可用于设计过滤器对于一个给定的目标和优化技术可以在设计使用,真的,最好的处理信号经常决定根据人类的视觉或听觉检验而不是数值规范。

这些例子表明,人为因素已经成为重要的工程设计和计算智能如何受益于这些人为因素的嵌入。也就是说,我们所需要的人性化的计算智能。从历史上说,工程方法在人工智能处理只有人类逻辑或知识,而人类有两个方面:处理逻辑或知识方面推理、知识表达、知识获取、联想学习、联想记忆,等等处理直觉和主观方面,偏好,主观评价、感知、认知、等等。的人性化的计算智能应该处理后者。

交互式进化计算(IEC)是一个非常适合实现的工具人性化的计算智能。IEC是一种优化基于IEC用户的主观评价,而不是一个适应度函数或测量健身(见图2)。有许多任务困难或无法定量的评价;例如,没有办法衡量的声音从一个助听器用户是好,但我们必须优化其拟合即使我们必须适应它基于一个试错的策略。IEC可以解决这些类型的优化任务。

自从1986年首次应用IEC道金斯(1),许多IEC论文已经提出。IEC的研究大致分为两种:寻找新的IEC应用程序和减少IEC用户疲劳。IEC应用程序大致可以分为三个方面:艺术应用,工程应用等。这些应用程序包括艺术应用,如图形、音乐、工业设计、和面部设计,工程应用,如音响、图像信号处理、数据挖掘、机器人控制、地质、教育等和其他应用程序和游戏。更多细节,请参见IEC教程和大IEC调查(2]。

最近,新类型的IEC应用提出了虽然大多数IEC应用程序仍然是目标系统的优化。IEC研究的新方法是使用人类IEC作为分析工具。如前所述,进化计算优化目标系统基于人类在IEC评估系统。我们可以理解人类的评价指标或机制通过分析目标系统优化的评估。这种方法有一个相似的逆向工程估计输入与输出。我们在部分描述这种方法3,方法是本文提出的主要观点的背景描述的部分4。

3所示。IEC对人类科学

3.1。测量人类心灵的情感动态范围

某些医生提出,通过他们的经验,情感表达的范围在精神分裂症患者的脸是小比精神健康的人。然而,有无法证实这一点经验。这是一个使用IEC间接地测量它们的动机。尽管很难测量动态情感范围从面部图像,可以测量病人的决定为情感素质。在这里,我们可以使用IEC。

精神分裂症患者和精神健康大学生使用IEC创建快乐和悲伤的照明的根据他们的主观印象度快乐和悲伤的印象。我们进行了一项人类主观测试和33个受试者相比创建照明印象由用户和那些精神分裂症患者精神健康的用户,我们应用统计检验对人类主观测试结果(图3)。如果有两个用户组之间无显著差异,我们可能会说他们的动态范围快乐悲伤几乎是相同的。我们测量情感动态范围从这相对的比较。

一个IEC-based三维计算机图形学(3 d CG)照明设计支持系统3,4)是用于实验。该系统是用来设计CG印象匹配给定的设计理念通过优化3 d空间的坐标的灯,灯的开关,照明强度,和类型的光源。照明的颜色进行了优化,对颜色的照明设计。

遗传算法(GA)作为EC和9个3维计算机图像生成。IEC用户给健身价值观五个层次为每个图像,和GA优化基于健身提到的参数。IEC用户包括三个精神分裂症患者和5个精神健康受试者。实验系统如图4。

在获得3 + 5 CG图像/设计理念,33个科目使用五级量表比较28 ()对每个人快乐和悲伤的印象使用菸害的成对比较的方法,是一种统计方法,方差分析(方差分析),从成对比较数据。

获得心理尺度图所示5。心理的标准快乐建设规模为0.19和0.16 ()和(),分别和那些悲伤的建设规模为0.24和0.21 ()和(),分别。这些实验结果显示统计学意义PT, NH, PT < <纽约< NK,下午和NN < NS快乐建设规模和NY, PK, NH < NK, NS < NN、点和PT悲伤的构建规模。

IEC演示了这一方法的适用性通过其具体实现在一个实验中测量动态范围的情感表达能力在精神分裂症患者和精神健康的主题。没有这种精神动态范围测量技术到目前为止,但IEC有潜力成为技术。这一点是我们的期望,IEC的基础可以用作一个工具分析人类的认知机制。

IEC也有潜在的精神病学。到目前为止,精神分裂症患者的症状和日常功能诊断和测量使用数值(5),LASMI和其他病人的行为检查表。这些实验结果表明IEC的潜力成为一个新的诊断工具除了或代替这些检查列表。

3.2。发现未知的听觉的事实

是不可能衡量用户的助听器和人工耳蜗真的听到声音,但他们可以报告是否听起来是好还是坏。这通常提供了一个足够的场景与IEC应用程序,和IEC应用于助听器配件(6和人工耳蜗装置7]。由于IEC-based配件是完全不同与传统的拟合方法,我们能够获得新的audio-psychophysiological事实与这些新方法。

有两个假设传统耳蜗植入设备配件。一个是“电通道,越多越好”来提高频率分辨率。沿着基膜电通道设置,相当于沿频率轴设置。这就是为什么邻居电渠道之间的时间间隔对应于最低频率不同,audio-nerve系统可以区分。另一个是“更大的动态范围的电刺激,更好”听到声音从最低强度(阈值:T值)最大的一个(舒适值:C值)。这两个假设看起来自然,所有现有的基于他们目前的耳蜗植入设备配件。

法国团队应用IEC耳蜗植入装置,取得了相当奇怪的结果(7),如图6。虚线显示C值和T值为15电通道通过传统的拟合方法,和C-T范围最大化。然而,IEC-based获得的拟合特性拟合方法与传统的方法有很大的不同,实线所示。

只有3或4在15电渠道工作及其动态范围比他们C-T范围有点窄。尽管这些可怜的拟合特征的角度来看传统的拟合,IEC-based拟合特征显示更高的词识别率;而获得50%左右的速度与常规配件,与IEC配件达到90%以上。这是一个令人惊讶的结果。人工耳蜗植入装置的两个假设无法解释这些实验结果。

这一事实意味着必须有未知audio-psychophysiological事实。发现了IEC, IEC也许能够找到其他未知的事实在一些地区的人类科学作为一种分析工具。这就是为什么我们会使用IEC作为分析工具意识机制。

我们应用IEC助听器选配和显示IEC-based拟合实现几乎等效性能的装置由一个钳工的顶级6]。这个工程的方法后,我们分析的特点,不同的声音环境中安装的助听器。

一些事实,我们发现由于IEC方法有:(1)传统的拟合方法获得的响度特征使用乐队的声音或IEC配件使用获得的纯色调不同于那些声音(2)差异IEC拟合得到的拟合特性使用几种不同的演讲有/没有噪音很小,而与IEC获得的拟合特性拟合不同使用音乐有/没有噪音。这些事实都不知道直到一个IEC拟合方法应用。

3.3。IEC与生理反应

IEC是一个优化的系统在一个IEC用户评估目标系统的输出基于先验知识,经验,和/或偏好,使电子商务优化目标系统。自用户评价是一个主观的评价,我们可以说IEC EC系统应用心理反馈。

扩展IEC是另一个IEC框架,扩展了从心理数据反馈的IEC用户他/她的生理数据8]。让我们使用图中的例子解释它7。让目标或理想的放松或兴奋的生理反应,例如,监督数据。IEC用户的生理反应是看电影,和电子商务优化图像滤波器的系数之间的差异降到最低监管数据和测量的生理反应。多亏了这个框架,我们可以扩展IEC处理人类的生理数据。

扩展IEC是一个优化框架,而不是一个分析工具中提到的部分3.1和3.2。然而,请注意,我们意识到独立选举委员会的潜力作为分析工具人类意识机制通过改变我们的观点从IEC作为优化工具的IEC心理反馈作为人文科学的分析工具。同样,我们认为IEC成为意识的工具扩展IEC科学通过扩展它。

4所示。IEC方法建模人类感知机制

4.1。人类认知机制的分析

心理意识由三层组成:感知层,感知层,以及认知层。的声音,声音响度或频率在感知层处理;旋律或词的声音区分和识别在感知层;认出声音的意义在认知层处理。因此,我们可以打开一条路救护车来当我们听到它的紧急警报。

除了这三个心理层次,人类有一个KANSEI层处理的值输入刺激,它不是由心理学。虽然有几个这个概念的定义领域的信息科学、心理学、语言学、设计、和其他人,我们定义它的功能或功能处理输入一个人的主观价值。例如,“我喜欢这种轻松的旋律”是一个过程造成这个KANSEI层。使用这一层有很多IEC应用程序,我们考虑的功能在我们的分析层感知机制。

我们有不同级别的意识在不同的层,如图8。与KANSEI层作为一个例子,假设你是一锅所吸引,最好的感觉是第一,但它可能很难让你立即解释其原因。一段时间后,你可能会变得意识到的原因,例如,颜色和形状的平衡或其相似一个玩具在你的童年,你打得很好,因此你能解释你偏好的原因。

我们应该考虑提到心理层意识机制和建设意识的分析模型。

我们可以用分析的方法之一意识机制将为人类构建一个投入产出的关系。继续上述例子中评估一锅,任何人都可以回答他们如何像锅(),当他们看到它。然而,它是非常难以解释的视觉形象之间的关系(输入(输出)和评价)。思考一段时间后,他们可能会意识到的对立比锅()和曲率的设计模式()的点支撑他们的评价,成为能够解释他们的偏好的原因。

换句话说,我们可能说他们都知道的对立的两个隐藏变量配给罐和曲率的设计模式。也就是说,我们可以说“在太复杂,主体无法解释乍看之下的输入-输出关系。之后,他们发现潜在变量和和可以解释它们从而解释了他们的评价,,使用一个简单的关系有关和。”

4.2。建模人类意识的机制

我们描述我们提出了如何实现计算机感知机制。我们还没有达到的阶段报告实验结果,而是在讨论我们的想法的阶段。

步骤1。第一步是让一个IEC的用户的评价模型。IEC用户输入的图形,电影,声音,和其他人从他或她的评估目标系统和输出。我们可以做一个IEC用户模型使用一个模型系统,机器学习算法优化系统,和他/她作为训练数据的输入和输出(参见图9)。学习算法优化模型系统使用训练数据。模型系统包括神经网络(NN),模糊或清晰的基于规则的系统,neurofuzzy系统,和其他人;机器学习算法学习神经网络的函数,包括一个和进化计算。

获得的用户模型可以分析和用于创建一个感知模型。当输入和输出之间的关系从IEC的评价模型获得的用户很简单,一台计算机可以轻松地解释为什么IEC用户评估获得的输出从目标系统从基于规则的系统或neurofuzzy系统。获得规则本身的解释。然而,当输入-输出关系是复杂的,我们需要把第二个步骤中,我们将描述。

步骤2。解决一个复杂的系统分成几个简单的系统是降低复杂度的方法之一。我们假设这里有隐藏变量或潜在变量之间的输入和输出,如图10。然后,我们可以解读,分析一个感知机制是找到潜在的变量。

例如,当我们想象的类型学生的考试成绩在数学,语言,和物理,从他们的高度和重量,也许我们可以获得一个印象的学生关于学习能力或身体构建。

电脑可以提取一次未知的潜在变量之间的输入一个IEC用户,也就是说,从目标系统输出,从IEC和输出用户,也就是说,他/她的主观评价,电脑可以来解释为什么IEC用户评估目标系统的输出使用提取的潜变量与主观评估。这是一个例子的方法构建感知机制。

关键是我们如何获得这些潜在变量。可能的方法包括(a)结构化NN-FS模型的结构分析,(b)介绍统计方法寻找潜在变量,(c)做一个学习模型的数学方程使用遗传编程和分析获得的方程,和(d)其他人。

当输入和输出之间的关系从一个IEC /用户是复杂的,例如,强烈的非线性,必须很难找到潜在变量与提到的学术能力和身体建立在上面的。作为构建感知模型的第一阶段,我们应该开始讨论的简单的例子中使用的方法,然后开发新方法寻找潜在的变量。

5。结论

我们强调IEC意识科学的适用性,尤其是对人类意识机制分析,通过展示其适用性为人类科学与一些具体的方法。在这个时候,我们开始时线的过程中使用该方法分析的目标,必须制定具体的路线向感知机制,为工程应用提供一个感知机模型。我们希望在本文中引入电子商务的适用性增加的利益意识的研究人员计算为不仅工程方面的意识计算,而且其科学方面,帮助他们在他们的研究中。

确认

本文是基于作者的主旨演讲第二国际研讨会上了解计算)在2010年直接督导下的台南,台湾。作者要感谢赵Qiangfu Aizu大学的教授和其他委员会成员给作者给他的意见的机会认识科学方法在2010年直接督导下的。这项工作是支持的科研补助金(23500279)。