Математические модели эмоциональных роботов, способных забывать информацию тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат физико-математических наук Шарапов, Юрий Альбертович

  • Шарапов, Юрий Альбертович
  • кандидат физико-математических науккандидат физико-математических наук
  • 2018, ПермьПермь
  • Специальность ВАК РФ05.13.18
  • Количество страниц 187
Шарапов, Юрий Альбертович. Математические модели эмоциональных роботов, способных забывать информацию: дис. кандидат физико-математических наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. Пермь. 2018. 187 с.

Оглавление диссертации кандидат физико-математических наук Шарапов, Юрий Альбертович

Содержание

Введение

Глава 1. Общие свойства памяти робота

1.1. Коэффициенты псевдоэмоциональной памяти робота

1.2. Коэффициенты информационной памяти робота

1.3. Алгоритм накопления информации роботом

1.4. Решение задачи идентификации параметров равномерного многоуровневого процесса накопления информации роботом

1.4.1. Решение оптимизационной задачи идентификации параметров равномерного многоуровневого процесса накопления информации роботом

1.4.2. Решение задачи генерации всех возможных последовательностей уровней накопления информации и тактов

1.4.3. Исследование решения задачи идентификации параметров на устойчивость

1.5. Программа для решения задачи идентификации параметров равномерного многоуровневого процесса накопления информации роботом

1.5.1. Архитектура программы для решения задачи идентификации параметров

1.5.2. Основные возможности программы для решения задачи идентификации параметров

1.5.3. Визуальный интерфейс программы для решения задачи идентификации параметров

Глава 2. Математические модели обобщения алгоритма Д.Н. Узнадзе

2.1. Математическая модель долговременной памяти робота, зависимой от кратковременной памяти

2.2. Математическая модель информационной памяти робота

2.3. Математическое моделирование процесса накопления логического опыта роботом с учетом смены знака информационной псевдоустановки

2.4. Математическое моделирование процесса эмоционального псевдовоспитания робота с учетом смены знака эмоциональной псевдоустановки

2.5. Математическая модель принятия решений роботом в зависимости от его эмоционального псевдовоспитания и логического опыта

Глава 3. Исследование соответствия математической теории роботов психологии человека

3.1. Измерение коэффициентов кратковременной памяти человека

3.1.1. Математическая интерпретация метода Джекобса

3.1.2. Измерение коэффициентов кратковременной памяти человека с помощью программы «СМетогу»

3.1.2.1. Алгоритм работы программы «СМетогу»

3.1.2.2. Архитектура программы «СМетогу»

3.1.2.3. Основные возможности программы «СМетогу»

3.1.2.4. Принципы функционирования программы «СМетогу»

3.1.2.5. Визуальный интерфейс программы «СМетогу»

3.2. Исследование зависимости относительной восприимчивости робота к накоплению информации от кратковременной и долговременной памяти142

3.2.1. Способы определения количественного значения кратковременной и долговременной памяти и внимания

3.2.2. Результаты проведения исследования

Заключение

Библиографический список

Приложение 1. Свидетельства о государственной регистрации программ для

ЭВМ

Приложение 2. Психологические методики измерения объема

кратковременной и долговременной памяти человека

Приложение 3. Психологические методики измерения количественных характеристик внимания человека

Приложение 4. Попарное сравнение результатов психологических исследований видов памяти и внимания человека

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «Математические модели эмоциональных роботов, способных забывать информацию»

Введение

В середине 20-го века появились научные работы, посвященные искусственному синтезированию разных аспектов психологии человека. Основоположниками такого направления стали не психологи, а кибернетики, биокибернетики и математики. Одним из основателей синтетической психологии является В. Брайтенберг, профессор Института биологической кибернетики им. Макса Планка в Тюбингене. Его подход заключается в том, что биологическое поведение легче синтезировать, чем анализировать. Используя элементарные механизмы с датчиками и электрические устройства, управляемые простейшими микросхемами, по его мнению, можно имитировать такие чувства, как любовь, агрессия, страх и др. [82, 89]. Технические микросхемы и описание подобных устройств можно найти в статьях [10, 17, 19, 90].

В 1960-х и 70-х годах ученые считали, что создание мыслящих и исполнительных роботов - дело самого ближайшего будущего. Однако скоро стало ясно, что даже самые простые физические действия, такие как взять со стола кружку, ощутить препятствие в пространстве, спланировать маршрут и переместиться по нему, оказались для роботов весьма сложными задачами.

Один из известных исследователей Р. Брукс из Массачусетского технологического института предложил в области робототехники подход [81], радикально отличавшийся от остальных. Его вдохновили насекомые и другие существа с маленьким мозгом. Он решил создать архитектуру робота, выполняющего свои действия не на построении сложной внутренней модели окружающего пространства, а как непосредственную реакцию на возникающие внешние раздражители. Насекомоподобные типы роботов могли сделать почти все, на что были способны роботы, моделирующие внутреннюю модель окружающего пространства. При этом они обладали намного меньшими вычислительными мощностями.

В конце 80-х годов сформировалось направление кибернетических исследований - Искусственная жизнь (Artificial Life). Основной мотивацией исследований искусственной жизни стало желание понять и смоделировать формальные принципы организации биологической жизни. Основное предположение Искусственной Жизни состоит в том, что «логическая форма» организма может быть отделена от материальной основы его конструкции» [10, 48, 59, 61, 91, 125, 126].

Параллельно развивалось такое научное направление, как эволюционная нейрокибернетика. Одной из ее целей является понимание того, как зародилась логика на нашей планете. Исследования используют анализ эволюции наиболее нетривиальных «интеллектуальных»

биокибернетических свойств «интеллектуальных изобретений» биологической эволюции (безусловных рефлексов, привыкания, условных рефлексов, цепей условных рефлексов). Исследователи пришли к выводу, что в результате такой эволюции возникла человеческая логика, обеспечивающая научное познание природы [10, 48, 59, 61, 91, 125, 126].

Моделирование человекоподобной памяти всегда притягивало исследователей в области искусственного интеллекта. Однако до конца не известно и возникает много споров о том, как именно функционирует человеческая память [90, 110, 140]. Это привело к множеству моделей, который внесли свой вклад в понимание сознания человека [95].

Ученые отмечают, что память является необходимым условием для любой формы обучения. Это утверждение основано на точке зрения P. Baxter и W. Browne [80]: в основе познания лежит память.

У биологических существ даже простое приобретение знаний это уже форма обучения, т.к. достаточно сложно, если вообще возможно, определить, где заканчивается процесс запоминания, и начинается процесс обучения [106].

Существует много разнообразных эвристических моделей психики и мышления человека, созданных зарубежными и отечественными

учеными [3, 4, 29, 34, 50]. На их основе созданы такие программы, как «композитор» Рейтмана и Санчера [127] воспроизводящая в упрощенном виде творчество композитора; программа Гелентера [99], способная доказывать геометрические теоремы, и др. Однако все вышеперечисленные модели являются узкоспециализированными.

Нейробиологи предлагают множество теорий и моделей, которые, по крайней мере, могут за счет технических средств моделировать познавательные возможности памяти. Например, исследование человеческой памяти может быть разделено на несколько составляющих: строение нервных связей, скорость запоминания, объем запоминаемой информации [114].

В последнее десятилетие под влиянием кибернетики во многих отраслях знания, в том числе и в психологии, получил широкое распространение такой метод научного исследования, как математическое моделирование памяти робота. Для этого математики, кибернетики и робототехники обратились исследованиям психологов в области памяти человека.

Человеческая память работает благодаря трем процессам [135]:

1. Декодирование информации, которая получена от рецепторов.

2. Сохранение информации в кратковременной или долговременной памяти.

3. Поиск и извлечение (воспоминание) информации из памяти (если она не забыта).

Необходимо отметить, что информация в кратковременной или долговременной памяти человека в общем случае подвержена процессу забывания.

На основе обзора статей, приведенных ниже, можно выделить два типа роботов, в которых применяется моделирование человеческой памяти: робот-навигатор и робот-компаньон. Рассмотрим эти типы подробнее.

Робот-навигатор предназначен для того, чтобы ориентироваться и перемещаться в изменяющемся пространстве. Однако если робот будет

запоминать каждую деталь, со временем произойдет переполнение его памяти. Другой проблемой является адаптация новой информации к уже имеющейся [101], т.е. каким образом система будет хранить старую информацию, в условиях поступления новой. В этом случае возникают проблемы предсказания будущего события на основе прошлого опыта и адаптации поведения робота к новым условиям.

В 2004 году Ь. Соггега и А. ЛЬгеы в статье [87] описали механизмы ориентации робота в изменяющемся пространстве за счет использования модели, которая имитирует утомление (пресыщение) и забывание.

Перемещаясь по пространству, робот сохраняет в своей памяти путь, по которому он проехал, как последовательность кусочков «карт». Если в каком-то месте робот уже был, то этот кусочек «карты» обновляется, если долго не был, то - забывается. Авторы статьи вводят понятие стимул, который может действовать на робота. Под таким стимулом понимается наличие мест на карте, где робот еще не был или тех, которые нужно актуализировать. Таким образом, стимул «заставляет» робота-навигатора исследовать карту. Место на карте, которое робот знает перед началом работы и никогда не забывает, авторы работы назвали «Домом» робота.

Поведение робота определяют три параметра: коэффициент забывания, время процесса реагирования на стимул (время утомления), время отдыха. Функция реакции на стимул может принимать два значения: «1 » - робот реагирует на стимул, «0» - робот не реагирует на стимул. Рисунок 1 иллюстрирует зависимость реакции робота на стимул от времени.

Реакция робота на стимул

1 ■

к

1 к к к ^ Ь. J к * г

Время утомления робота Время отдыха робота

Появление Исчезновение Появление

стимула стимула стимула

Рисунок 1 - График реакции робота на стимул

Когда функция реакции принимает значение «1», авторы считают, что начинается фаза процесса утомления робота, которая длится некоторое заданное время. В это время робот исследует карту.

Когда функция принимает значение «0», робот едет «Домой». Это происходит в двух случаях: если исчезает стимул (все места на карте исследованы или все места на карте находятся в актуальном состоянии в памяти робота), либо заканчивается процесс утомления, и робот «устал» настолько, что отправляется «Домой» отдыхать.

Для моделирования забывания авторы вводят сигмоидальную функцию, которая рассчитывается для каждого куска карты ¡.

w,

[г +1] = ^ [г ]--Ц- ,

I ] Л] 1 + еа.

где ? - номер такта, а - коэффициент забывания. Новому для робота куску карты присваивается вес wi [^] = 1.

В статье не объясняется, с какой целью в модели робота реализуется свойство утомления (пресыщения). Автор говорит о том, что такой особенностью обладает поведение животных, и поэтому, по его мнению, это будет «полезно» для робота. Утомление моделируется в отрыве от механизма памяти (забывания). Эти две составляющие функционируют независимо друг от друга. Реакция робота на стимул является константой в течение времени утомления, что не совсем верно для живых систем.

0

В конце XX века моделирование основных характеристик памяти человека позволило создать компьютерные программы (системы), объединяющие в себе хранение, забывание информации и механизм рассуждения на основе прецедентов. Такие системы в зарубежных источниках называют системами рассуждения на основе прецедентов (СРП)1. СРП способны запоминать информацию о событиях, извлекать из нее некоторые закономерности и правила, сохранять результаты «рассуждений» в базу данных [109].

СРП, применяемая в робототехнике, хранит прецеденты, т.е. произошедшие ситуации, в которые уже попадал робот, вместе с решением или действием, которое было выполнено роботом. Когда робот сталкивается с похожей ситуацией снова, он ищет прецедент в СРП и, если нашел, может приспособить для решения текущей проблемы действие, которое связано с прецедентом и выполнялось в прошлый раз.

Один из примеров реализации такого подхода для ориентации робота в пространстве был представлен в статье 2. Шга и R. Aгkin в 2004 году [107]. На вход СРП подается информация, полученная с сенсоров робота. Такие сенсоры фиксируют пространственно-временные параметры. После анализа входных данных и поиска прецедента определяется дальнейшее поведение робота.

В работе описывается проблема переполнения памяти (базы данных прецедентов). Таким образом, когда необходимо создать новый прецедент и база прецедентов заполнена, приходится решать проблему «забывания» некоторых прецедентов. Для этого случая описывается несколько стратегий определения прецедента, который необходимо удалить, чтобы на его место записать новый.

Рассматриваются такие стратегии как, случайный выбор прецедента, выбор с помощью определенных метрик (успешность прецедента для

1 В оригинале Case-Based Reasoning system.

решения проблемы в прошлом, на сколько недавно был добавлен прецедент (его новизна), востребованность прецедента (частота обращения к нему). Еще одной стратегией определения прецедента для удаления является вычисление его активационного уровня. Активационный уровень прецедента повышается каждый раз, когда прецедент востребован для решения некоторой ситуации. Если активационный уровень низкий, то такой прецедент можно удалить из памяти. Однако в отличие от метрики частоты обращения активационный уровень повышается не только у востребованного прецедента, но и у прецедентов, которые похожи на востребованный.

Исследователи считают, что организация человеческой памяти имеет иерархическую структуру. Большое число деталей событий, происходящих с человеком, сохраняются в эти иерархические структуры [119, 142].

Один из примеров робота, обладающего памятью с иерархической структурой, приведен в 2009 году в статье F. Alnajjar, I. Zin и K. Murase [77]. Авторы провели исследования по созданию робота-навигатора, который ориентируется в изменяющемся пространстве. Ситуации, в которые попадает робот, описываются тройками чисел, которые соответствуют цвету, яркости и уровню шума. Авторы предлагают модель, которая состоит из двух уровней: нижнего и верхнего. Нижний уровень представляет собой набор импульсных нейронных сетей (ИмНС) с динамической памятью, которые могут «накапливать» опыт с течением времени. Каждая из таких ИмНС обучается, чтобы стать экспертом в своей конкретной ситуации. Все ИмНС сохраняются в концевых вершинах древовидной памяти, которая образует верхний уровень. Таким образом, каждая из таких ИмНС становится «экспертом» для выполнения действия роботом в изменяющемся пространстве, а древовидная структура верхнего уровня позволяет увеличить скорость поиска такого «эксперта» на нижнем уровне. Робот строит верхний уровень модели динамически во время перемещения в пространстве в процессе возникновения различных ситуаций. Если робот сталкивается с новой ситуацией, которой еще нет в его памяти, создается новая концевая

вершина в древовидной структуре верхнего уровня, связанная с соответствующей ИмНС. Каждая такая вершина соответствует группе близких ситуаций, с которыми сталкивался робот.

Древовидная система имеет ограничения - не более 32 концевых вершин, не более 64 вершин во всей древовидной структуре. Если какая-то ситуация долго не повторяется, то робот помечает соответствующую ей вершину, как возможную для удаления в случае переполнения памяти. Таким образом реализован механизм забывания в роботе.

В статье не приводится объяснение, может ли быть увеличено количество вершин на верхнем уровне для того, чтобы робот мог расширить количество обрабатываемых ситуаций. Также не затрагивается вопрос, как разрешать коллизии, если ситуация, с которой столкнулся робот, может быть привязана сразу к нескольким концевым вершинам.

В 2011 году S. Freedman и J. Adams в работах [96, 97] аргументируют реализацию механизма забывания в роботе тем, что современные роботы получают информацию с большого количества датчиков и эта информация быстро становится устаревшей, неточной и ошибочной. Удаление «ненужной» для робота информации позволит осуществлять более эффективный поиск в большом количестве оставшихся данных и увеличить производительность робота, что позволит ему решать задачи в реальном времени. Таким образом, забывание - это фильтр, который помогает уменьшить количество данных, которое обрабатывает механизм поиска информации. Такой подход по мнению S. Freedman и J. Adams может использоваться в системах, где скорость обработки информации важнее, чем точность.

Для моделирования забывания роботом предлагается взять за основу особенности памяти человека такие как:

1. стирание информации с течением времени;

2. стирание информации в результате объединения похожих данных (интерференция памяти).

Авторы предлагают алгоритм забывания ActSimple, который с некоторыми модификациями объединяет в себе алгоритм ACT-R [78], имитирующий стирание информации с течением времени, и алгоритм SIMPLE [83], имитирующий интерференцию памяти человека.

1. Алгоритм ACT-R

Вводится дискретизация памяти посредством разбиения ее на отдельные области. С помощью таких областей создается модель иерархического устройства памяти. Области в качестве элементов могут содержать подобласти, которые также являются областями. Такие области используются для кодирования объектов реального мира, либо абстрактных образов, созданных в памяти на основе объектов реального мира. Забыванию подлежат те области памяти, которые имеют низкое значение активационного уровня. Такой уровень определяется следующей формулой:

г j \

аг= р + ln

Z

V J=

где a - значение активационного уровня области памяти i, в - начальный

активационный уровень некоторой области памяти, ri d - промежуток

времени от ^го обращения робота к ¿-й области памяти до текущего момента, й - коэффициент, определяющий, насколько быстро будет уменьшаться значение активационного уровня.

Будет ли робот обращаться к области памяти или нет решается на основе вероятностного подхода, который в основе использует следующую сигмоидальную функцию:

р=_!_

1+е ' '

где р - вероятность того, что значение активационного уровня а области памяти г превысит порог т. Коэффициент д привносит в расчет вероятности некоторый шум.

2. Алгоритм SIMPLE

Алгоритм SIMPLE используется для моделирования человеческой памяти, которая помещает запоминаемые роботом данные (объекты) в многомерное психологическое пространство, а также учитывает, как со временем изменяется положение этих данных в этом пространстве.

Временная ось отсчитывает время от момента получения роботом запоминаемых данных. Могут существовать и другие оси, которые сохраняют дополнительные свойства, такие как цвет, вес, температура и др. параметры запоминаемого объекта. Важным свойством объектов в таком психологическом пространстве является «отличимость». Она определяется степенью, с которой один объект памяти изолирован от других. Со временем некоторые объекты в памяти становятся очень похожими и их сложно отличить друг от друга. Это создает эффект интерференции человеческой памяти.

Расстояние между объектами по каждой оси к рассчитывается, как

K

Аг,j - mjjt

k=1

к

где = 1, вк - весовой коэффициент, определяющий степень важности

к=1

оси к для расчета расстояния между объектами.

Сходство между объектами рассчитывается по формуле

- ci A, j

Ч „, = *

где X и с настроечные коэффициенты.

Отличимость одного объекта I от других J объектов определяется по формуле

1

D =

£ Jj=Л ,J

На практике авторы на компьютере эмулировали передвижения робота-навигатора. Робот перемещался по карте (клеточному полю 25х25) по

некоторым заданным путям (последовательностям клеток). Задача робота была определить уровень Wi-Fi сигнала, который генерировали базовые станции Wi-Fi, смоделированные в некоторых клетках поля. Wi-Fi сигнал ослабевал по мере удаления от базовой станции. Перемещение робота в следующую клетку поля и определение в ней уровня Wi-Fi сигнала определялось на каждом такте работы. Через заданный интервал тактов робот воспроизводил карту Wi-Fi сигналов. Рассчитывалась абсолютная погрешность в каждой клетке поля между оригинальной картой и картой, которую сгенерировал робот. Таким образом, считалась эффективность воспроизведения карты роботом и его соответствующих алгоритмов.

Наряду с роботом-навигатором, еще одним типом роботов, который рассматривается в приведенном обзоре литературы, является робот-компаньон, который в течение длительного времени может взаимодействовать с человеком и запоминать события, происходящие в окружающем мире [85]. Роботам-компаньонам, в отличие от роботов-навигаторов, приходится запоминать более широкий спектр данных. Так робот-навигатор зачастую единственное действующее лицо в окружающей его среде. Робот-компаньон может участвовать в более сложных взаимоотношениях с миром. Среди запоминаемой им информации появляются такие данные как, субъект и объект некоторого действия, причем сам робот в этом случае может быть сторонним наблюдателем. Роботы-компаньоны могут быть, как механическими конструкциями с железными руками и ногами, так и виртуальными изображениями, например, на экране смартфона.

Согласно исследованиям [86, 120, 135], одним из подвидов долговременной памяти человека является эпизодическая память. Она содержит информацию о событиях, которые произошли с человеком в течение его жизни. Этот вид памяти и его особенности стали одним из источников идей исследователей по созданию моделей памяти роботов-компаньонов.

В работе C. Gurrin, H. Lee и J. Hayes [102] для решения проблем переполнения памяти и устаревания данных в память робота-компаньона (так же как и в память робота-навигатора) были «добавлены» элементы забывания информации. Исследователи предлагают постоянно собирать информацию, попадающую на рецепторы робота (камеры, микрофоны и пр.), оцифровывать ее и сохранять в специальный архив опыта робота.

Архив опыта робота математически представляет собой мультиграф: вершины - опыт (полученная и обработанная информация), связи - степень «близости» между полученной информацией. «Близость» информации может определяться временем или местом получения информации, объектами или людьми, при взаимодействии с которыми она была получена, всем, что может быть общим для порций информации, полученных от рецепторов робота.

Если робот из внешней среды получает информацию, которая близка по какому-либо параметру к опыту, который хранится в его архиве, то полученная информация сохраняется в архив, а между этими опытами создается связь. С каждым новым появлением «близких» опытов в архиве опытов робота между опытами протягивается очередная связь, т.е. увеличивается ее, так называемая, кратность.

Технически забывание опыта определяется такой величиной, как вероятность воспоминания подобно тому, как определяется вероятность в алгоритме ACT-R [78], приведенного выше в обзоре статей S. Freedman и J. Adam [96, 97].

Однако при расчете вероятности учитывается не только механизм стирания информации во времени, но и такие стратегии, как новизна опыта и частота обращения к нему аналогично тому, как представлено выше в обзоре работы Z. Kira и R. Arkin [107].

Как и в статье Z. Kira и R. Arkin [107] в работе C. Gurrin, H. Lee и J. Hayes [102] используется архив опытов (прецедентов) работа. В архиве выстраивается система приоритетов в соответствие с вероятностью

воспоминания. Наименее приоритетные «опыты» затираются в случае переполнения памяти по мере поступления новой информации.

Однако в отличие от работы Z. Kira и R. Arkin [107] в архиве опыта в работе C. Gurrin, H. Lee и J. Hayes [102] используется еще и механизм интерференции памяти («обобщения» прецедентов), упомянутого выше в обзоре работ S. Freedman и J. Adam [96, 97]. Таким образом, записи об опытах робота в архиве могут быть объединены в одну обобщающую. «Близкие» опыты могут объединяться, и в памяти остается только усредненное упоминание.

Ученые говорят о том, что способность робота обобщать опыт, полученный в результате нескольких идентичных ситуаций, поможет ему выработать определенную модель поведения относительно подобных ситуаций. Следствием создания роботом множества моделей поведения для разных типов ситуаций является появление «манеры поведения» конкретного робота. Это ведет к появлению особенностей, присущих только данному роботу, а, следовательно, становлению его «личности» [88].

По словам авторов C. Gurrin, H. Lee и J. Hayes работы [102] их модель не включает интеллектуальную обработку архива опытов робота, не учитывает эмоциональную составляющую при получении роботом информации и накоплении его опыта. В работе [102] отражена попытка применить для робота алгоритм того, как человек воспринимает информацию и сохраняет ее в памяти.

В работах [104, 111, 137] в отличие от статьи [102] моделируется процесс забывания информации на основе методов классификации DataMining. Эти методы помогают также создать механизм обобщения информации (интерференции).

В работе P. Vargas и др. [137] в отличие от работ [104, 111] предлагается использовать иерархические структуры данных для хранения информации в памяти робота.

Выше в статье F. Alnajjar, I. Zin и K. Murase [77] также применялась иерархическая структура памяти. Однако такая структура использовалась для быстрого поиска, изменения и добавления вершины-ситуации. В работе P. Vargas и др. [137] иерархия используется не только для быстрого поиска, но и для моделирования механизма забывания за счет обобщения вершин-ситуаций (в случае переполнения памяти удаляются некоторые концевые вершины иерархии, соответствующие частным ситуациям по сравнению с вершиной-родителем).

В работе P. Vargas и др. [137] описываются правила предобработки данных в памяти робота, целью выполнения которых является заполнение данными внутренней иерархической структуры. В частности, для этого применяются методы из области иерархической классификации [98, 133].

В такой модели память робота представляет собой линейный список записей о событиях, которые зафиксировали рецепторы робота. Каждая запись о событии представляет собой набор атрибутов, которые являются абстракцией большого количества низкоуровневых данных, полученных рецепторами робота. Для создания записи о событии в памяти робота выделяются следующие атрибуты:

1. Who - субъект (кто совершает действие).

2. Whom - объект (на который направлено действие).

3. What - самое действие.

4. When - время действия (может иметь разную степень детализации и представляет собой иерархическую структуру).

5. Where - место, где произошло действие (может иметь разную степень детализации и представляет собой иерархическую структуру).

6. Internal State - внутреннее состояние робота, связанное с событием (его «эмоциональное» состояние).

7. External State - внутреннее состояние субъекта («эмоциональное» состояние субъекта).

Атрибуты времени и места являются иерархическими. Рисунок 2 иллюстрирует пример иерархической структуры данных для атрибута места.

Рисунок 2 - Иерархическая структура данных для атрибута места

В общем случае иерархия может быть сохранена с любой точностью детализации. С одной стороны, это может быть использовано для нахождения в памяти робота событий близких по времени или месту, в том числе, если информация о них будет сохранена с разной степенью детализации. С другой стороны, иерархия дает возможность вводить элемент забывания. Для событий с более низким коэффициентом важности место в памяти робота может быть освобождено за счет уменьшения глубины иерархии некоторых атрибутов.

В работе [105] моделируется память робота, который распознает лица людей, извлекает из изображения лиц отличительные признаки и сохраняет полученную информацию в памяти. Известные лица, которые участвуют в предварительном обучении робота, классифицируются с помощью машины опорных векторов. Если появляется неизвестный человек, изображения участков его лица используются для создания нового классификатора.

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Список литературы диссертационного исследования кандидат физико-математических наук Шарапов, Юрий Альбертович, 2018 год

Библиографический список

1. Алексеев В.М., Галеев Э.М., Тихомиров В.М. Сборник задач по оптимизации. Теория. Примеры, Задачи: Учеб. Пособие. - 2-е изд. - М.: ФИЗМАТЛИТ, 2005. - 256 с. - ISBN 5-9221-0590-6.

2. Альманах психологических тестов. - М.: Изд-во КСП, 1996. - 400 с.

3. АмосовН.М. Моделирование мышления и психики. -М.: Наука, 1965, с. 46.

4. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы // Учебник. - М.: Финансы и статистика, 2004.

- 424 с.

5. БурлачукЛ.Ф., Морозов С.М. Словарь-справочник по психодиагностике.

- СПб.: Питер, 2000. - 528 с.

6. Величковский Б.М. Когнитивная наука : Основы психологии познания : в 2 т. - Т. 1 / Борис М. Величковский. - М. : Смысл : Издательский центр «Академия», 2006. - 448 с.

7. Вилюнас В.К. Психологические механизмы биологической мотивации. -М.: Изд-во МГУ, 1986. - 208 с.

8. Вишневетская Е.В., Горбунов И.А. Использование нейросетевого моделирования для диагностики структуры эмоциональной компетентности ребенка по факторам, включающим физиологические параметры // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. 2009. №26 (159). URL: https://cyberleninka.ru/article/Mspolzovanie-neyrosetevogo-modelirovaniya-dlya-diagnostiki-struktury-emotsionalnoy-kompetentnosti-rebenka-po-faktoram (дата обращения: 14.05.2018).

9. Воронина Ю. Домашний терминатор // Российская Бизнес-газета -Инновации. 2014. URL: http://www.rg.ru/2014/06/17/roboti.html (дата обращения: 11.02.2015).

10. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Наука, 1987.

11. Галеев Э.М., Тихомиров В.М. Оптимизация: теория, примеры, задачи. М.: Эдиториал УРСС, 2000. 320 с.

12. Глазунов Ю.Т. Математическая модель чувства надежды // Вестник Балтийского федерального университета им. И. Канта. Серия: Физико-математические и технические науки. 2015. №10. URL: https://cyberleninka.rU/article/n/matematicheskaya-model-chuvstva-nadezhdy (дата обращения: 13.05.2018).

13. Глазунов Ю.Т. Моделирование динамики распределения внимания в процессах целеполагания // Вестник Балтийского федерального университета им. И. Канта. Серия: Филология, педагогика, психология. 2012. №5. URL: https://cyberleninka.ru/article/n/modelirovanie-dinamiki-raspredeleniya-vnimaniya-v-protsessah-tselepolaganiya (дата обращения: 13.05.2018).

14. Глазунов Ю.Т. Эмоциональное переживание в системе целеполагания человека // Вестник МГТУ. 2011. №1. URL: https://cyberleninka.ru/article/n/emotsionalnoe-perezhivanie-v-sisteme-tselepolaganiya-cheloveka (дата обращения: 14.05.2018).

15. Глазунов Ю.Т. Эмоция ожидания // Концепт. 2016. №9. URL: https://cyberleninka.rU/article/n/emotsiya-ozhidaniya (дата обращения: 13.05.2018).

16. Григолова В.В. Контрастная иллюзия, установка и бессознательное: монография. - Тбилиси. - 1987. - 450 с.

17. Дьюдни А.К. Машинки Брайденберга - автоматы с синтетической психологией. 1987. URL: http: //myrobot.ru/articles/stuff_braitenberg.php (дата обращения: 20.06.2015).

18. Исследование кратковременной памяти по методике Джекобсона // Логопед и психолог онлайн [сайт]. URL: https://sites.google.com/site/logopedonlain/psihologogiceskaa-diagnostika-

testy/psihologiceskaa-diagnostika-i-testy-dla-detej-ot-7-do-11-let/issledovanie-kratkovremennoj-pamati-po-metodike-dzekobsona (дата обращения 24.07.2012).

19. История робототехники: Черепашки Грея Уолтера // myROBOT.ru -Роботы, робототехника, микроконтроллеры [сайт]. 2007. URL: http://www.myrobot.ru/articles/hist_walter_tortoises.php (дата обращения: 20.06.2015).

20. Капустин М.А., Копылова А.Г. Математическое моделирование эмоциональной динамики // Препринты ИПМ им. М. В. Келдыша № 66, Москва, 1998. URL: http://library.keldysh.ru/prep_vw.asp?pid=1775 (дата обращения 13.05.2018).

21. Карпов В.Э. Эмоции роботов // XII национальная конференция по искусственному интеллекту с международным участием КИИ-2010 (2024 сентября 2010 г., Тверь): Труды конференции, 3, М.: Физматлит, 2010, с. 354-368.

22. Карпов В.Э. Эмоции и темперамент роботов. Поведенческие аспекты. // Известия РАН. Теория и системы управления №5 М, 2014, с. 166-185.

23. Карпов В.Э. Знак-ориентированный механизм локального взаимодействия между роботами // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сб. научных трудов УШ-й Международной научно-технической конференции (Коломна, 18-20 мая 2015 г.). В 2-х томах., М: Физматлит, 2015, Т.2, с. 504-514.

24. Кривонос Ю.Г., Крак Ю.В., Бармак О.В., Ефимов Г.М. Моделирование и анализ мимических проявлений эмоций. URL: http://www.nbuv.gov.ua/Portal/all/reports/2008-12/08-12-08.pdf (дата обращения 11.12.2009).

25. Леонтьев А.Н. Потребности, мотивы и эмоции. М., 1971.

26. Леонтьев В.О. Десять нерешенных проблем теории сознания и эмоций [Электронный ресурс]. URL:

http: //polatulet.narod.ru/dvc/com/vleontiev_problems. html (дата обращения: 13.05.2018).

27. Леонтьев В.О. Классификация эмоций. Одесса, 2002.

28. Леонтьев В.О. Формулы эмоций. Одиннадцатая национальная конференция по искусственному интеллекту с международным участием КИИ -2008. Труды конференции. Т.1.

29. Маккалох Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности // Автоматы. М.: ИЛ, 1956.

30. Марютина Т.М., Кондаков И.М. Психофизиология. URL: http://imp.rudn.ru/psychology/psychophysiology/7.html (дата обращения 22.05.2012).

31. Михайлов В.О., Пенский О.Г., Черников К.В., Шарапов Ю.А. Модели восприимчивости робота к псевдовоспитанию // Вестник Перм. ун-та. 2013. Математика. Механика. Информатика. Вып.3. С. 63-67.

32. Модальность памяти человека // Энциклопедия практической психологии. URL: http://www.psychologos.ru/articles/view/modalnost (дата обращения 16.02.2015).

33. Надирашвили Ш.А. Дмитрий Николаевич Узнадзе (к 100-летию со дня рождения). 1986. http://www.voppsy.ru/issues/1986/866/866087.htm (дата обращения: 24.03.2011).

34. Нейман Дж. Теория самовоспроизводящихся автоматов // под ред. А. Бёркса. - М.: Мир, 1971. - 384 с.

35. Немов Р.С. Виды памяти и их особенности. 2011. URL: http://psixologiya.org/obshhaya/pamyat/ 1605-vidy-pamyati-i-ix-osobennosti-nemov-r-s.html (дата обращения: 02.09.2012).

36. Немов Р.С. Психология: Учеб. для студ. высш. пед. учеб. заведений: в 3 кн. - 4-е изд. - М.: Гуманит. изд. центр ВЛАДОС, 2003. - Кн. 1: Общие основы психологии. - 688 с.

37. Новый робот способен испытывать эмоции // электронный журнал Полит.ру. 2015. URL: http://polit.ru/news/2015/06/19/ps_pepper/ (дата обращения 16.09.2015).

38. Нуркова В.В. Проблема объема кратковременной памяти. 2010. URL: http://www.psychology-online.net/articles/doc-1490.html (дата обращения 23.07.2012).

39. Основы психологии: Практикум. Ред.-сост. Л.Д. Столяренко. - Ростов на Дону: «Феникс», 2003. - 704 с.

40. Пенский О.Г. Гипотезы и алгоритмы математической теории исчисления эмоций: монография / О.Г. Пенский, П.О. Зонова, А.Н. Муравьев, Ю.С. Ожгибесова, А.А. Проничев, В.Л. Чечулин; под общ. Ред. О.Г. Пенского. - Пермь: Перм. гос. ун-т - 2009. - 152 с.

41. Пенский О.Г., Черников К.В. Гипотеза о психологических установках в аспекте математического моделирования процесса воспитания эмоциональных роботов // Фундаментальные исследования. - 2012. -№3. - С. 129-132.

42. Пенский О.Г., Черников К.В. Основы математической теории эмоциональных роботов: монография. - Пермь: Перм.гос.ун-т. - 2010. -256 с.

43. Пенский О.Г., Шарапов Ю.А., Ощепкова Н.В. Математические модели роботов с неабсолютной памятью и приложения моделей: монография / О. Г. Пенский, Ю. А. Шарапов, Н. В. Ощепкова; Перм. гос. нац. исслед. ун-т. - Пермь, 2018. - 309 с.

44. Практикум по дифференциальной психодиагностике профессиональной пригодности. Учеб. пособие / Под общ. ред. В.А. Бодрова. - М.: ПЕР СЭ. 2003. - 768 с.

45. Практикум по общей, экспериментальной и прикладной психологии: Учеб. Пособие / Под ред. А.А. Крылова, С.А. Маньчева. - СПб.: Питер, 2001. - 560 с.

46. Практическая психология в тестах, или Как научиться понимать себя и других. - М.: АСТ-ПРЕСС КНИГА, 2001. - 400 с.

47. Психологический практикум «Память»: Учеб.-метод. пособие / Сост. Л.И. Дементий, Н.В. Лейфрид; Под общ. ред. Л.И. Дементий. - Омск: Омск. гос. ун-т, 2003. - 124 с. URL: http://window.edu.ru/resource/750/27750/files/05110197.pdf (дата обращения 22.05.2012).

48. Редько В. Эволюционная биокибернетика // журнал Компьютерра. 1999. №11. URL: http://www.computerra.ru/offline/1999/289/2525/ (дата обращения: 20.06.2015).

49. Розалиев В.Л. Моделирование эмоциональных реакций пользователя при речевом взаимодействии с автоматизированной системой // диссертации на соискание ученой степени кандидата технических наук. Волгоград. 2009. URL: http://www.dissercat.com/content/modelirovanie-emotsionalnykh-reaktsii-polzovatelya-pri-rechevom-vzaimodeistvii-s-avtomatizir (дата обращения 13.05.2018).

50. Розенблатт Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. - М.: Мир, 1965. - 480 с.

51. Рубинштейн С.Л. Основы общей психологии. - СПб.: Изд-во «Питер», 1999. - 720 с.

52. Самохвалов В.П., Коробов А.А., Мельников В.А. Психиатрия // учебное пособие для студентов медицинских вузов. - 576 с. - ISBN 5-222-021335.

53. Симонов П.В. Двигательный стереотип и физиология эмоций/ П.В. Симонов // XVIII Международный психологический конгресс. Симпозиум 3 - М., 1966 - с. 97-99.

54. Симонов П.В. Мотивированный мозг/ П.В. Симонов. - М.: Наука, 1987. -270 с.

П.В. Симонов // Центральные и периферические механизмы двигательной деятельности животных и человека - М., 1964 - с. 65-66.

56. Симонов П.В. Что такое эмоция? / П.В. Симонов. - М.: Наука, 1966. -96 с.

57. Симонов П.В. Эмоциональный мозг / П.В. Симонов. - М.: Наука, 1981. -215 с.

58. Скринникова А.В. Вероятностное моделирование эмоций // Вестник Луганского национального университета имени Тараса Шевченко : сб. науч. тр. : Книта, 2017. - № 1(4). стр. 110-118. URL: http://dspace.ltsu.org/bitstream/123456789/2087/1/177-17_1%284%29_v.pdf#page=110 (дата обращения 13.05.2018).

59. Терехин А.Т., Будилова Е.В., Качалова Л.М., Карпенко М.П. Нейросетевое моделирование когнитивных функций мозга: обзор основных идей // Психологические исследования: электрон. науч. журн. 2009 - N 2(4) URL:http://psystudy.com/files/Neural_network_Terekhin.pdf (дата обращения: 20.06.2015).

60. Ткаченя А.В. Распознавание эмоциональной слитной речи на основе скрытых марковских моделей // автореферат диссертации на соискание ученой степени кандидата технических наук. Минск. 2016. URL: http://elib.bsu.by/bitstream/123456789/154088/1/k_Tkachenia.pdf (дата обращения 13.05.2018).

61. Турчин В.Ф. Феномен науки: Кибернетический подход к эволюции. Изд. 2-е - М.: ЭТС. - 2000. - 368 с. URL: http: //scisne. net/ax/d 1/1/a1617/Turchin_V_F_Kibernetichesky_podhod_k_ev olicii.pdf (дата обращения 17.07.2015).

62. Узнадзе Д.Н. Общая психология: учеб.для вузов. - СПб: Питер. - 2004. -413 с.

кандидата технических наук. Таганрог. 2010. URL: http://www.dissercat.com/content/matematicheskoe-modelirovanie-i-sintez-metoda-intellektualnoi-podderzhki-protsessov-trenirov (дата обращения 13.05.2018).

64. Фоминых И.Б. Эмоции как аппарат оценок поведения интеллектуальных систем // десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006. Труды конференции.

65. Черемискина И.И. Методики диагностики свойств мышления, Владивосток, МГУ им. Г.И. Невельского, 2007, 52 с.

66. Черников К.В. Математические модели роботов с неабсолютной памятью // диссертации на соискание ученой степени кандидата физико-математических наук. Пермь. 2013.

67. Шапарь В.Б., Тимченко А.В., Швыдченко В.Н. Практическая психология. Инструментарий. - Ростов на Дону: «Феникс», 2002. - 688 с.

68. Шарапов Ю.А. Математическое моделирование процесса накопления роботом опыта на нескольких уровнях с учетом смены знака информационной псевдоустановки // Фундаментальные и прикладные проблемы механики, математики, информатики [Электронный ресурс]: сб. докл. всеросс. науч.-практ. конф. с междунар. участием (г. Пермь, 26-28 мая 2015 г.) / гл. ред. А. П. Шкарапута; Перм. гос. нац. исслед. унт. - Электрон. дан. - Пермь, 2015. С. 233-238.

69. Шарапов Ю.А. Модели смены знака псевдоустановки робота // Фундаментальные исследования. - 2013. - № 10 (часть 1). - С. 77-81.

70. Шарапов Ю.А. Модель псевдовоспитания робота с учетом его кратковременной и долговременной памяти и смены знака псевдоустановки // Современные проблемы математики и её прикладные аспекты - 2013: сб. тез. науч.-практ. конф. (Пермь, 29 - 31 октября 2013 г.) / гл. ред. В.И. Яковлев; Перм. гос. нац. исслед. ун-т. - Пермь, 2013. -C. 76.

71. Шарапов Ю.А. Модификация алгоритма Узнадзе в аспекте кратковременной и долговременной памяти робота // Вестник Перм. унта. 2013. Математика. Механика. Информатика. Вып.1. С. 50-53.

72. Шарапов Ю.А. Общая математическая модель принятия решений роботом в зависимости от его эмоционального псевдовоспитания и логического опыта // Современные наукоемкие технологии. - 2016. - № 4-1. - С. 62-66; URL: http://top-technologies.ru/ru/article/view?id=35775 (дата обращения: 01.06.2016).

73. Шарапов Ю.А. Решение оптимизационной задачи определения параметров эквивалентного процесса накопления информации роботом // Информационные технологии в науке, образовании и управлении: труды международной конференции IT + S&E'15 (Гурзуф, 22 мая-01 июня 2015 г.) / под. ред. проф. Е.Л. Глориозова. М.: ИНИТ, 2015. Весенняя сессия. С. 234-240.

74. Шарапов Ю.А., Левченко Е.В., Яковлев В.И. Алгоритм и программная реализация вычисления характеристик кратковременной памяти человека в аспекте моделирования роботов // Современные проблемы науки и образования. - 2012. - № 5; URL: www.science-education.ru/105-7006 (дата обращения 16.11.2012).

75. Шарапов Ю.А., Пенский О.Г. Математические модели долговременной и кратковременной памяти роботов // Фундаментальные исследования. -2012. - № 11 (часть 6). - С. 1509-1513.

76. Экспериментальная психология: Практикум. / Под ред. С.Д. Смирнова, Т.В. Корниловой. - Аспект Пресс, 2002. - 383 с.

77. Alnajjar F., Zin I.B.M., Murase K. A Hierarchical Autonomous Robot Controller for Learning and Memory: Adaptation in a Dynamic Environment // Adaptive Behavior. 2009. № 3 (17). C. 179-196.

78. Anderson J.R., Lebiere C. The atomic components of thought // Psychology Press, Taylor et Francis Group, 2012.

79. ArnoldM.B., PlutchikR. The Emotions: Facts, Theories and a New Model // The American Journal of Psychology. 1964. № 3 (77). C. 518.

80. Baxter P., Browne W. Memory as the substrate of cognition: A developmental cognitive robotics perspective. In: Johansson, B., Sahin, E., Balkenius, C. (eds.) // proceedings of the International Conference on Epigenetic Robotics (EpiRob). 2010. pp. 19-26.

81. BEAM-роботы // сайт о робототехнике и BEAM-роботах. 2011. URL: beam-robot.ru/robotics/beam-robots.php (дата обращения 17.07.2015).

82. Braitenberg V. Vehicles: Experiments in Synthetic Psychology // A Bradford Book / The MIT Press. 1984. ISBN 0262521121

83. Brown G.D.A., Chater N., Neath I. A temporal ratio model of memory // Psychol. Rev., vol. 114, no. 3, pp. 539-576, Jul. 2007.

84. Chartier S., Giguere G., Langlois D. A new bidirectional heteroassociative memory encompassing correlational, competitive and topological properties // Neural Networks. 2009. 22(5-6), 568-578.

85. Companions [сайт]. 2007. URL: www.companions-project.org (дата обращения 19.07.2015).

86. Conway M.A. Autobiographical Memory: An Introduction. Buckingham // Open Univ. Press. 1990.

87. Correia L., Abreu A. Forgetting and Fatigue in Mobile Robot Navigation // Advances in Artificial Intelligence - SBIA 2004 Lecture Notes in Computer Science. 2004. C. 434-443.

88. Dautenhahn K. The art of designing socially intelligent agents - science, fiction and the human in the loop. Applied Artificial Intelligence. 1998. 12(7-8):573-617.

89. Dawson M. From Embodied Cognitive Science To Synthetic Psychology. 2002. ISBN:0-7695-1724-2.

90. Dawson M.Minds and Machines // Connectionism and Psychological Modeling. 2008.

91. De Zeeuw C.I. Time and tide in cerebellar memory formation // Current Opinion on Neurobiology. 2005. vol. 15, pp. 667-674.

92. Dorner D., Hille K. Artificial souls: motivated emotional robots // 1995 IEEE International Conference on Systems, Man and Cybernetics. Intelligent Systems for the 21st Century. 1995. C. 3828-3832.

93. Executive Summary World Robotics 2017 Service Robots // IFR RSS. 2017. URL:

https : //ifr. org/downloads/press/Executive_Summary_WR_Service_Robots_20 17_1.pdf (дата обращения: 28.11.2017).

94. FAQ - About Pepper // Aldebaran. SoftBank Group. 2014. URL: https://www.aldebaran.com/en/press/faq-about-pepper (дата обращения 16.09.2015).

95. Franklin S. Autonomous agents as embodied AI // Cybernetics and Systems Special Issue on Epist. Aspects of Embodied AI. 1997. vol. 28, no. 6, pp. 499-520.

96. Freedman S.T., Adams J.A. Filtering Data Based on Human-Inspired Forgetting // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2011. № 6 (41). C. 1544-1555.

97. Freedman S.T., Adams J.A. Human-inspired robotic forgetting: filtering to improve estimation accuracy // proceedings of the 14th IASTED International Conference Robotics and Applications. Cambridge. 2009.

98. Freitas A.A., de Carvalho A.A. Tutorial on Hierarchical Classification with Applications in Bioinformatics // In: D. Taniar (Ed.) Research and Trends in Data Mining Technologies and Applications. 2007. pp. 175-208.

99. Gelernter H. Realization of a Geometry Theorem-Proving Machine // proc. of the International Conference on Information Processing, Paris, 1959.

100. Gratch J., Marsella S. A domain-independent framework for modeling emotions // J. of Cognitive Systems Research. 2004. 5(4), 269 - 306.

101. Grossberg S. Competitive learning: From interactive activation to adaptive resonance // Cognitive Science. 1987. 11. 23-63.

102. Gurrin C., Lee H.., Hayes J. iForgot A Model of Forgetting in Robotic Memories // Google Scholar. 2010 URL: doras.dcu.ie/15499/1/hyowonlee1.pdf (дата обращения: 26.01.2015).

103. Hanheide M., Wrede S., Lang C., Sagerer G. Who am I talking with? A face memory for social robots // IEEE International Conference on Robotics and Automation. 2008. pp. 3660-3665.

104. Ho W.C., Lim M., Vargas P.A., Enz S., Dautenhahn K., Aylett R. An Initial Memory Model for Virtual and Robot Companions Supporting Migration and Long-term Interaction, ROMAN. 2009.

105. Kammer M., Tscherepanow M., Schack T., Nagai Y. A Perceptual Memory System for Affordance Learning in Humanoid Robots // International Conference on Artificial Neural Networks Lecture Notes in Computer Science. vol. 6792. pp. 349-356. 2011.

106. Kandel E.R. The molecular biology of memory storage: a dialogue between genes and synapses // Science. 2001. 294(5544). 1030-1038.

107. Kira Z., Arkin R. Forgetting bad behavior: memory for case-based navigation // 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (IEEE Cat. No.04CH37566).

108. Kirstein S., Wersing H., Körner E. A biologically motivated visual memory architecture for online learning of objects // Neural Networks. 2008. 21(1). pp. 65-77.

109. Kolodner J.L. Case-Based Reasoning // San Mateo, CA: Morgan Kaufmann. 1993.

110. Levenson J.M. Epigenetic mechanisms: a common theme in vertebrate and invertebrate memory formation // Cellular and Molecular Life Sciences. 2006. 63:1009-1016.

111. Lim M.Y., Aylett R., Ho W.C., Enz S., Vargas P. A Socially-Aware Memory for Companion Agents // Intelligent Virtual Agents. Lecture Notes in Computer Science, vol 5773. 2009. C. 20-26.

112. Lim M.Y. Emotions, Behaviour and Belief Regulation in An Intelligent Guide with Attitude // Ph.D. thesis, School of Mathematical and Computer Sciences, Heriot-Watt University. Edinburg. 2007.

113. Lirec Project. URL: http://lirec.eu/project (дата обращения: 26.02.2017).

114. Markowitsch H.J., Halligan P.W., Kischka U., Marshall J.C. Functional neuroanatomy of learning and memory // University Press. 2003. pp. 724-741

115. Mazur J.E. Hyperbolic value addition and general models of animal choice. // Psychological Review. 2001. № 1 (108). C. 96-112.

116. Meyer J.-J.Ch., Hoek W., Linder B. A logical approach to the dynamics of commitments // Artificial Intelligence. 1999. 113. pp. 1-40.

117. Meyer J.-J.Ch. Reasoning about emotional agents // ECAI'04 IOS Press. 2004. pp. 129-133.

118. Montesano L., Lopes M., Bernardino A., Santos-Victor J. Learning Object Affordances: From Sensory-Motor Coordination to Imitation // IEEE Transactions on Robotics. 2008. 24(1), pp. 15-26.

119. Neisser U. Nested structure in autobiographical memory / in D. C. Rubin (ed.) Autobiographical Memory // Cambridge University Press, UK. 1986. pp. 7188.

120. Nelson K. The psychological and social origins of autobiographical memory // Psych. Science. 1993. vol. 4, pp. 7-14.

121. O'Rorke P. Explaining emotions. 1994. URL: http://www.cs.northwestern.edu/~ortony/Andrew_0rtony_files/1994-01%20-%20Explaining%20emotions.pdf (дата обращения 12.07.2015).

122. Ortony A., Clore G.L., Collins A. The Cognitive Structure of Emotions. // Icosilune: research journal. 2008. URL: http://www.icosilune.com/2008/12/ortony-clore-and-collins-the-cognitive-structure-of-emotions/ (дата обращения 11.12.2009).

123. Pensky O., Sharapov Y., Chernikov K. Mathematical Models of Emotional Robots with a Non-Absolute Memory // Intelligent Control and Automation. 2013. vol. 4. No. 2, pp. 115-121. doi: 10.4236/ica.2013.42016.

124. Picard R.W. Affective Computing // MIT Technical Report, 1995.

125. Red'ko V.G. Mathematical Modeling of Evolution. URL: pespmc1.vub.ac.be/MATHME.html (дата обращения 17.07.2015).

126. Red'ko V.G. Towards the Evolutionary Biocybernetics // Proceedings of The Second International Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don. 1995. pp. 422-429. URL: pespmc1.vub.ac.be/Papers/Redko/ToEvCyb.html (дата обращения 17.07.2015).

127. Reitman M., Sanchez W. The Composition of a Fugue: Protocol and Comments // Carnegie Institute of Technology. 1960.

128. Service Robots // IFR RSS. URL: http://www.ifr.org/service-robots/ (дата обращения: 26.02.2017).

129. Sharapov Y., Mialitsina I. Mathematical modeling of robots' short-term and long-term memory // Innovations in Science and Humanities - V. Новое в естественных и гуманитарных науках: материалы науч.-практ. студ. конф., апр. - май. 2012 г./Перм. гос. нац. иссл. ун-т.-Пермь, 2012. -С. 113-119 - На англ. яз.

130. Sharapov Yu.A. Solution to the Problem on Identification of Parameters of Uniform Multi-Level Process of Information Accumulation by Robot // Journal of Computational and Engineering Mathematics. 2017. Vol. 4. No. 4. pp. 15-28, doi: 10.14529/jcem170402.

131. Steunebrink B.R., Dastani M., Meyer J.C. A Formal Model of Emotions: Integrating Qualitative and Quantitative Aspects. URL: http://drops.dagstuhl.de/opus/volltexte/2008/1644/pdf/08361.SteunebrinkBas. Paper.1644.pdf (11. 12.2009).

132. SteunebrinkB.R., Dastani M., Meyer J.C. A Logic of Emotions for Intelligent Agents. 2007. URL: http://www.aaai.org/Papers/AAAI/2007/AAAI07-021.pdf (дата обращения 11.12.2009).

133. Sun A., Lim E.P. Hierarchical text classification and evaluation // 1st IEEE International Conference on Data Mining. IEEE Computer Society Press. 2001. pp. 521-528.

134. Sun R., Zhang X., Mathews R. Capturing human data in a letter counting task // Accessibility and action-centeredness in representing cognitive skills. Neural Networks. 2009. 22(1). 15-29.

135. Tulving E. Episodic and semantic memory / in Organization of Memory, E. Tulving and W. Donaldson // Eds. New York: Academic Press. 1972. pp. 89-101.

136. Ugur E., Sahin E., Oztop E. Affordance learning from range data for multistep planning // The International Conference on Epigenetic Robotics (EpiRob). 2009. pp. 177-184.

137. Vargas P.A., Freitas A.A., Lim M., Enz S., Ho W., Aylett R. Forgetting and Generalisation in Memory Modelling for Robot Companions: a Data Mining Approach // materials of Human Memory for Artificial Agents Symposium at the AISB 2010 convention. De Montfort University, Leicester, UK. 2010.

138. Vargas P.A., Ho W., Lim M., Enz S., Aylett R. To forget or not to forget: towards a roboethical memory control // Google Scholar. 2009. URL: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.151.8145&rep=rep 1&type=pdf (дата обращения: 26.01.2015).

139. Who is Pepper? // Aldebaran. SoftBank Group. 2014. URL: https://www.aldebaran.com/en/a-robots/who-is-pepper (дата обращения 16.09.2015).

140. Wilson M. Reactivation of hippocampal ensemble memories during sleep // Science. 1994. P. 265.

141. Witten I.H., Frank E. Data Mining, practical machine learning and techniques // 2nd ed., Elsevier, Morgan Kaufmann. 2005.

142. Wright D.B., Nunn J.A. Similarities within event clusters in autobiographical memory // Applied Cognitive Psychology. 2000. 14. pp. 479-489.

Приложение 1. Свидетельства о государственной регистрации

программ для ЭВМ

Приложение 2. Психологические методики измерения объема кратковременной и долговременной памяти человека

У человека в зависимости от длительности хранения информации можно выделить кратковременную и долговременную память.

Кратковременная человеческая память - это промежуточное хранилище и информационный канал, который отфильтровывает ненужные данные и оставляет потенциально полезные. Хранение информации происходит в течение короткого промежутка времени. Длительность удержания мнемических следов не превышает нескольких десятков секунд, в среднем около 20 (без повторения). Эта память работает без предварительной сознательной установки на запоминание, но зато с установкой на последующее воспроизведение материала...».

Объем кратковременной памяти измеряется числом символов, которые могут быть воспроизведены немедленно после их однократного предъявления. Объем кратковременной памяти относительно безразличен к количеству информации и ограничен числом 7±2.

Долговременная память человека - это память, способная хранить информацию в течение практически неограниченного срока. Информация, попавшая в «хранилища» долговременной памяти, может воспроизводиться человеком сколько угодно раз без утраты. Более того, многократное и систематическое воспроизведение данной информации только упрочивает ее следы в долговременной памяти». Она обладает почти бесконечным объемом.

Долговременная память рассчитана на длительное запоминание, на всю жизнь. При исследовании долговременной памяти можно оценить скорость запоминания, точность удержания запомненной информации и скорость ее воспроизведения.

данной работе для исследования кратковременной и долговременной памяти человека будем применять одни и те же психологические тесты. Однако в первом случае воспроизведение материала будет происходить непосредственно после запоминания. Во втором случае воспроизведение -через 24 часа после запоминания.

Методика «Пиктограмма»

Методика направлена на исследование особенностей опосредованного запоминания, его продуктивности, особенностей мыслительной деятельности и включает в себя предъявление испытуемому для запоминания 10-15 понятий, которые он должен нарисовать так, чтобы впоследствии по рисунку вспомнить заданные понятия.

Особенности опосредованного запоминания выражаются через качество рисунков испытуемого. Можно проследить по качеству рисунков наличие истощаемости у испытуемого. Об этом свидетельствуют нарастающая небрежность, ослабление нажима при рисовании к концу исполнения задания. Экспериментатор выступает в роли эксперта и по специальной 24х-бальной шкале оценивает правильность запомненных рисунков.

Методика узнавания фигур

С помощью методики узнавания фигур исследуется образная зрительная память. На первом шаге экспериментатор, используя наглядный материал, подготовленный для данной методики, и в течение 10 с. показывает испытуемому (девять различных фигур) с установкой запомнить предъявляемые фигуры. Рисунок 3.14 демонстрирует материал для исследования образной памяти на первом шаге.

Рисунок 3.14 - Материал для исследования образной памяти 3x3

Затем рисунок убирают. На втором шаге испытуемому немедленно предъявляется двадцать пять фигур, где все фигуры, которые видел пользователь на предыдущем рисунке, разбросаны среди других шестнадцати фигур. Испытуемый должен найти первые девять фигур. Рисунок 3.15 демонстрирует материал для исследования образной памяти на втором шаге.

Методика А.Р. Лурия «10 слов»

Методика заучивания десяти слов была предложена А.Р. Лурия. Она позволяет исследовать процессы слуховой памяти: запоминание, сохранение и воспроизведение. Методика может использоваться для оценки состояния памяти, произвольного внимания, истощаемости больных нервно-психическими заболеваниями, а также для изучения динамики течения болезни и учета эффективности лекарственной терапии.

Испытуемому зачитывают ряд слов. По окончанию зачитывания фиксируют слова, которые запомнил респондент, в протоколе. После фиксации данных в протоколе испытуемому зачитывается тот же ряд слов еще раз, после чего происходит фиксация слов в протоколе. Материал предъявляется несколько раз до полного запоминания либо 5 раз. Таким образом, на каждом этапе исследования заполняется протокол.

Приложение 3. Психологические методики измерения количественных

характеристик внимания человека

Ниже рассмотрены несколько видов внимания, определение количественных характеристик которых, на взгляд наших коллег-психологов, наиболее подходит для нашего исследования.

Методика «Расстановка чисел»

Для психологической диагностики распределения внимания человека используют тест на расстановку чисел.

Распределение внимания - способность рассредоточить внимание на значительном пространстве, параллельно выполнять несколько видов деятельности или совершать несколько различных действий.

Для психологической диагностики распределения внимания используют тест на расстановку чисел. Рисунок 3.16 демонстрирует стимульный материал в виде бланка с 25-ю клетками. В клетки в случайном порядке записаны одно- и двухзначные числа (от 1 - до 99).

5 20 17 9 35

19 3 77 91 87

12 56 24 71 64

33 40 10 68 1

23 82 8 14 42

Рисунок 3.16 - Бланк для исследования распределения внимания

В процессе тестирования испытуемый просматривает таблицу со случайно расположенными цифрами, не делая в ней никаких пометок. Затем он должен переписать цифры в возрастающем порядке в расположенную справа чистую таблицу (Рисунок 3.16).

Цифры должны быть переписаны по возрастанию от самого наименьшего - к самому большому. Первое число (наименьшее)

записывается в первую ячейку первой строки пустой таблицы. Пустая таблица заполняется построчно слева направо, сверху вниз. Пропускать ячейки нельзя.

Если в процессе заполнения чистой таблицы испытуемый замечает пропущенное число, оно записывается в следующую клетку, обводится кружком и не засчитывается как ошибка.

На выполнение задания отводится 2 минуты. За это время требуется правильно расставить как можно больше чисел.

Методика интересна тем, что по результатам тестирования может строиться кривая утомляемости (например, по количеству допущенных ошибок) в каждой строке.

Показатель распределения внимания D определяется по формуле:

э = Р±,

г

где р - общее количество записанных (расставленных) чисел;

Ь - количество ошибок (пропущенных чисел);

г - время выполнения задания (2 минуты) или же время, затраченное испытуемым на выполнение задания, если он справился быстрее.

Методика «Перепутанные линии»

Данная методика используется для исследования концентрации внимания человека.

Концентрация внимания - это степень сосредоточения на одном объекте, одной деятельности. Другими словами, уровень (не длительность!) вовлеченности в работу.

Концентрация внимания характеризует степень, глубину сосредоточенности на работе. В данном случае поле восприятия резко сужается. Высокая концентрация внимания позволяет замечать в предметах и явлениях значительно больше, чем при других состояниях психики. Кроме того, высокая концентрация позволяет увидеть в предмете или явлении то, что не дается беглому взору. Высокий уровень концентрации определяется

также тем, что человек не отвлекается от «своего» предмета, даже если в поле его возможного восприятия появляются другие очень яркие раздражители.

Высокий уровень концентрации часто соседствует с рассеянностью, которая является обратной стороной увлеченности, поглощенности каким-то делом.

Рисунок 3.17 иллюстрирует бланк для диагностики концентрации внимания.

Рисунок 3.17 - Бланк для методики перепутанные линии

линий слева направо. Там, где заканчивается линии, необходимо поставить ее номер. На выполнение задания дается только 7 минут.

Таблица 3.4 содержит информацию о 9-ти бальной шкале перевода количества правильных ответов в правом столбце.

Таблица 3.4. Бальная шкала для методики «Перепутанные линии»

Количество

правильных 7 8-11 12-13 14-16 17-19 20-21 22-23 24 25

ответов

Оценка в баллах 1 2 3 4 5 6 7 8 9

w

Показатель концентрации внимания С определяется по формуле С = —, где w - количество полученных баллов за тест «Перепутанные линии».

Приложение 4. Попарное сравнение результатов психологических исследований видов памяти и внимания

человека

Таблица 3.5 содержит результаты психологического исследования опосредованной памяти человека. Для исследования применялась методика «Пиктограмма».

Таблица 3.5. Результаты исследования опосредованной памяти, методика «Пиктограмма»

респ. № макс. балл кол-во правильн. кол-во неправиль. близкое по значению баллы Р кол-во правильн. через 24 ч. кол-во неправиль. через 24 ч. близкое по значению через 24 ч. Баллы через 24 ч. р Коэфф. крат. памяти А . рю Коэфф. долг. памяти Л[2] рю

1 24 11 0 1 23 11 1 0 22 0,96 0,92

2 24 11 0 1 23 11 0 1 23 0,96 0,96

3 24 11 0 1 23 11 0 1 23 0,96 0,96

4 24 12 0 0 24 11 0 1 23 1,00 0,96

5 24 11 0 1 23 11 0 1 23 0,96 0,96

6 24 11 0 1 23 11 0 1 23 0,96 0,96

7 24 11 0 1 23 10 1 1 21 0,96 0,88

8 24 10 1 1 21 9 1 2 20 0,88 0,83

9 24 10 0 2 22 11 0 1 23 0,92 0,96

10 24 9 0 3 21 9 0 3 21 0,88 0,88

11 24 11 0 1 23 11 0 1 23 0,96 0,96

12 24 12 0 0 24 12 0 0 24 1,00 1,00

13 24 10 0 2 22 10 0 2 22 0,92 0,92

14 24 12 0 0 24 12 0 0 24 1,00 1,00

15 24 11 0 1 23 11 0 1 23 0,96 0,96

16 24 10 0 2 22 11 0 1 23 0,92 0,96

17 24 12 0 0 24 12 0 0 24 1,00 1,00

Таблица 3.6 содержит результаты психологического исследования образной и слуховой памяти человека. Для исследования применялась методики «Узнавания фигур» и «10 слов» соответственно.

Таблица 3.6. Результаты исследования образной и слуховой памяти

Образная память Слуховая память

кол-

во

число фигу кол-во кол-во кол-во кол-во

всего прав. р Коэф Коэф кол-во слов слов слов слов кол-во

фигур узнан через ф. ф. слов после после после после слов Коэфф. Коэфф.

на 24 крат. долг. после 1 2 3 4 5 через крат. долг.

респ запоми фигур часа памят памят всего повтор повтор повтор повтор повтор 24 ч. памяти памяти

. № нание m m и Л rec и Л[2] rec слов а b а а а а b Л d word л[2]„ word

1 9 7 8 0,78 0,89 10 7 9 9 9 10 7 0,70 0,70

2 9 9 9 1,00 1,00 10 5 9 10 10 10 9 0,50 0,90

3 9 9 8 1,00 0,89 10 6 8 8 9 10 9 0,60 0,90

4 9 8 7 0,89 0,78 10 6 7 9 9 10 6 0,60 0,60

5 9 8 8 0,89 0,89 10 6 9 10 10 10 7 0,60 0,70

6 9 7 5 0,78 0,56 10 5 7 8 10 9 5 0,50 0,50

7 9 8 8 0,89 0,89 10 6 8 9 8 10 7 0,60 0,70

8 9 8 6 0,89 0,67 10 6 8 9 9 9 5 0,60 0,50

9 9 8 8 0,89 0,89 10 8 10 10 10 9 6 0,80 0,60

10 9 3 3 0,33 0,33 10 5 5 9 10 10 3 0,50 0,30

11 9 9 6 1,00 0,67 10 8 8 8 8 10 7 0,80 0,70

12 9 9 9 1,00 1,00 10 8 9 10 10 10 6 0,80 0,60

13 9 6 5 0,67 0,56 10 9 7 10 10 10 9 0,90 0,90

14 9 8 8 0,89 0,89 10 8 8 9 9 10 7 0,80 0,70

15 9 7 5 0,78 0,56 10 6 8 10 9 9 8 0,60 0,80

16 9 9 6 1,00 0,67 10 10 0 10 10 10 10 1,00 1,00

17 9 9 9 1,00 1,00 10 8 9 10 10 10 9 0,80 0,90

Таблица 3.7 содержит результаты психологического исследования распределения и концентрации внимания человека. Для исследования применялась методики «Расстановка чисел» и «Перепутанные линии» соответственно.

Таблица 3.7. Результаты исследования распределения внимания и концентрации внимания

"Перепутанные линии". Исследование

"Расстановка чисел". Распределение внимания концентрации внимания

Р, общее

количест

во Показатель Кол-во Максимал

расставле в, затраченн распределени Макс. правиль Оценк ьный

респ нных количеств ое время, я внимания резльтат ных а в резльтат,

. № чисел о ошибок мин Б=(Р-В)Л Бшах в ответов баллах баллы в

1 17 1 2 8,00 14,97 0,53 13 3 9 0,33

2 23 1 2 11,00 14,97 0,73 17 5 9 0,56

3 24 0 2 12,00 14,97 0,В0 1В 5 9 0,5б

4 25 0 2 12,50 14,97 0,В4 17 5 9 0,5б

5 25 0 2 12,50 14,97 0,В4 1В 5 9 0,5б

б 17 0 2 В,50 14,97 0,57 1б 4 9 0,44

7 22 0 2 11,00 14,97 0,73 1б 4 9 0,44

В 20 0 2 10,00 14,97 0,б7 14 4 9 0,44

9 19 1 2 9,00 14,97 0,б0 19 5 9 0,5б

10 25 0 2 12,50 14,97 0,В4 1В 5 9 0,5б

11 1В 0 2 9,00 14,97 0,б0 14 4 9 0,44

12 23 3 2 10,00 14,97 0,б7 19 5 9 0,5б

13 25 0 2 12,50 14,97 0,В4 21 б 9 0,б7

14 23 2 2 10,50 14,97 0,70 11 2 9 0,22

15 1В 0 2 9,00 14,97 0,б0 14 4 9 0,44

1б 25 0 1,б7 14,97 14,97 1,00 17 5 9 0,5б

17 25 0 2 12,50 14,97 0,В4 19 5 9 0,5б

Таблица 3.8 содержит результаты исследования связи коэффициентов кратковременной, долговременной памяти и относительной восприимчивости робота к накоплению информации на основе опосредованной зрительной памяти и распределения внимания человека.

Таблица 3.8. Исследование связи на основе опосредованной зрительной

памяти и распределения внимания

№ 1. Опосредованная зрительная память / методика "Пиктогорамма Распределени е внимания / методика "Расстановка чисел" Расч. коэф. отн. восприим. впр. Относит. погреш. |впр.-втеор.|/ впр. Сред. кв. откл.

коэф. кр. пам. X коэф. долг. пам. Л коэф. отн. воспр.втеор.

1 0,96 0,92 0,53 0,96 0,45 0,04

2 0,96 0,96 0,73 0,96 0,24 0,00

3 0,96 0,96 0,80 0,96 0,17 0,01

4 1,00 0,96 0,84 1,00 0,16 0,01

5 0,96 0,96 0,84 0,96 0,12 0,01

6 0,96 0,96 0,57 0,96 0,41 0,03

7 0,96 0,88 0,73 0,96 0,24 0,00

8 0,88 0,83 0,67 0,88 0,24 0,00

9 0,92 0,96 0,60 0,92 0,35 0,01

10 0,88 0,88 0,84 0,88 0,05 0,04

11 0,96 0,96 0,60 0,96 0,37 0,02

12 1,00 1,00 0,67 1,00 0,33 0,01

13 0,92 0,92 0,84 0,92 0,09 0,02

14 1,00 1,00 0,70 1,00 0,30 0,00

15 0,96 0,96 0,60 0,96 0,37 0,02

16 0,92 0,96 1,00 0,92 0,09 0,02

17 1,00 1,00 0,84 1,00 0,16 0,01

Таблица 3.9 содержит результаты исследования связи коэффициентов кратковременной, долговременной памяти и относительной восприимчивости робота к накоплению информации на основе опосредованной зрительной памяти и концентрации внимания человека.

Таблица 3.9. Исследование связи на основе опосредованной зрительной

памяти и концентрации внимания

№ 1. Опосредованная зрительная память/ методика "Пиктогорамма В. Концентрация внимания / методика "Перепутанны е линии" Расч. коэф. отн. восприим. Рпр. Относит. погреш. 1Рпр.-Ртеор.|/ Рпр. Сред. кв. откл.

коэф. кр. пам. X коэф. долг. пам. Л коэф. отн. воспр.Ртеор.

1 0,96 0,92 0,33 0,96 0,66 0,03

2 0,96 0,96 0,56 0,96 0,42 0,00

3 0,96 0,96 0,56 0,96 0,42 0,00

4 1,00 0,96 0,56 1,00 0,44 0,00

5 0,96 0,96 0,56 0,96 0,42 0,00

6 0,96 0,96 0,44 0,96 0,54 0,00

7 0,96 0,88 0,44 0,96 0,54 0,00

8 0,88 0,83 0,44 0,88 0,50 0,00

9 0,92 0,96 0,56 0,92 0,39 0,01

10 0,88 0,88 0,56 0,88 0,36 0,01

11 0,96 0,96 0,44 0,96 0,54 0,00

12 1,00 1,00 0,56 1,00 0,44 0,00

13 0,92 0,92 0,67 0,92 0,27 0,04

14 1,00 1,00 0,22 1,00 0,78 0,09

15 0,96 0,96 0,44 0,96 0,54 0,00

16 0,92 0,96 0,56 0,92 0,39 0,01

17 1,00 1,00 0,56 1,00 0,44 0,00

Таблица 3.10 содержит результаты исследования связи коэффициентов кратковременной, долговременной памяти и относительной восприимчивости робота к накоплению информации на основе образной зрительной памяти и распределения внимания человека.

Таблица 3.10. Исследование связи на основе образной зрительной

памяти и распределения внимания

2. Образная

зрительная Распределени

память/ е внимания /

№ методика «Узнавание фигур» методика "Расстановка чисел" Расч. коэф. отн. восприим. Относит. погреш. |Рпр.- Ртеор.|/ Сред. кв. откл.

коэф

коэф Рпр. Рпр.

. кр. пам. X долг. пам. Л коэф. отн. воспр.Ртеор.

1 0,78 0,89 0,53 0,78 0,32 0,01

2 1,00 1,00 0,73 1,00 0,27 0,00

3 1,00 0,89 0,80 1,00 0,20 0,00

4 0,89 0,78 0,84 0,89 0,06 0,02

5 0,89 0,89 0,84 0,89 0,06 0,02

6 0,78 0,56 0,57 0,77 0,26 0,00

7 0,89 0,89 0,73 0,89 0,18 0,00

8 0,89 0,67 0,67 0,89 0,25 0,00

9 0,89 0,89 0,60 0,89 0,33 0,01

10 0,33 0,33 0,84 0,81 0,04 0,03

11 1,00 0,67 0,60 1,00 0,40 0,04

12 1,00 1,00 0,67 1,00 0,33 0,01

13 0,67 0,56 0,84 0,63 0,34 0,02

14 0,89 0,89 0,70 0,89 0,21 0,00

15 0,78 0,56 0,60 0,77 0,22 0,00

16 1,00 0,67 1,00 1,00 0,00 0,05

17 1,00 1,00 0,84 1,00 0,16 0,00

Средняя относительная погрешность - 21%, среднеквадратичное

Таблица 3.11 содержит результаты исследования связи коэффициентов кратковременной, долговременной памяти и относительной восприимчивости робота к накоплению информации на основе образной зрительной памяти и концентрации внимания человека.

Таблица 3.11. Исследование связи на основе образной зрительной

памяти и концентрации внимания

№ 2. Образная зрительная память / методика «Узнавание фигур» В. Концентраци я внимания / методика "Перепутанн ые линии" Расч. коэф. отн. восприим. Рпр. Относит. погреш. |Рпр.- Ртеор.|/ Рпр. Сред. кв. откл.

коэф . кр. пам. X коэф долг. пам. Л коэф. отн. воспр.Ртеор.

1 0,78 0,89 0,33 0,78 0,58 0,02

2 1,00 1,00 0,56 1,00 0,44 0,00

3 1,00 0,89 0,56 1,00 0,44 0,00

4 0,89 0,78 0,56 0,89 0,37 0,00

5 0,89 0,89 0,56 0,89 0,37 0,00

6 0,78 0,56 0,44 0,77 0,43 0,00

7 0,89 0,89 0,44 0,89 0,51 0,00

8 0,89 0,67 0,44 0,89 0,51 0,00

9 0,89 0,89 0,56 0,89 0,37 0,00

10 0,33 0,33 0,56 0,81 0,31 0,02

11 1,00 0,67 0,44 1,00 0,56 0,01

12 1,00 1,00 0,56 1,00 0,44 0,00

13 0,67 0,56 0,67 0,63 0,07 0,14

14 0,89 0,89 0,22 0,89 0,75 0,10

15 0,78 0,56 0,44 0,77 0,43 0,00

16 1,00 0,67 0,56 1,00 0,44 0,00

17 1,00 1,00 0,56 1,00 0,44 0,00

Средняя относительная погрешность - 44%, среднеквадратичное

Таблица 3.12 содержит результаты исследования связи коэффициентов кратковременной, долговременной памяти и относительной восприимчивости робота к накоплению информации на основе слуховой памяти и распределения внимания человека.

Таблица 3.12. Исследование связи на основе слуховой памяти и

распределения внимания

3. Слуховая Распределени

память / е внимания /

№ методика "10 слов" методика "Расстановка чисел" Расч. коэф. отн. восприим. Относит. погреш. |Рпр.- Сред. кв. откл.

коэф

коэф Рпр. Ртеор.|/ Рпр.

. кр. пам. X долг. пам. Л коэф. отн. воспр.Ртеор.

1 0,70 0,70 0,53 0,69 0,23 0,00

2 0,50 0,90 0,73 0,48 0,51 0,07

3 0,60 0,90 0,80 0,59 0,35 0,01

4 0,60 0,60 0,84 0,53 0,58 0,11

5 0,60 0,70 0,84 0,56 0,49 0,06

6 0,50 0,50 0,57 - - -

7 0,60 0,70 0,73 0,56 0,29 0,00

8 0,60 0,50 0,67 0,45 0,47 0,05

9 0,80 0,60 0,60 0,79 0,24 0,00

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.