CN116414226A - 基于后悔理论和三支决策理论的智能通道匹配系统及方法 - Google Patents
基于后悔理论和三支决策理论的智能通道匹配系统及方法 Download PDFInfo
- Publication number
- CN116414226A CN116414226A CN202211580166.6A CN202211580166A CN116414226A CN 116414226 A CN116414226 A CN 116414226A CN 202211580166 A CN202211580166 A CN 202211580166A CN 116414226 A CN116414226 A CN 116414226A
- Authority
- CN
- China
- Prior art keywords
- channel
- matching
- theory
- decision
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000003993 interaction Effects 0.000 claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000006978 adaptation Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000009471 action Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000009133 cooperative interaction Effects 0.000 description 3
- 241001539473 Euphoria Species 0.000 description 2
- 206010015535 Euphoric mood Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于后悔理论和三支决策理论的智能通道匹配系统,包括:通道自动匹配模块:用于自动对给定不同的多通道人机交互任务展开分析和评价,并为每一项任务匹配合适的人机交互通道。若无合适的人机交互通道或有多个适配的通道,则交由延迟决策模块作进一步分析和判别;延迟决策分析模块:用于对通道自动匹配模块无法直接匹配合适人机交互通道的任务,在软件服务和人件服务的帮助下由操作人员自行为每一项任务选择适配的人机交互通道。本发明能够实现多通道人机交互任务和通道间的智能匹配,提高人机协作过程中每一项任务的快速适配和通道切换,提升人机协作和多通道人机交互过程中操作人员完成任务的效率。
Description
技术领域
本发明涉及智能通道匹配系统及方法,特别是涉及一种基于后悔理论和三支决策理论的智能通道匹配系统及方法。
背景技术
多通道人机交互通过综合使用多种交互方式,以并行和协作的方式完成人与机的交互任务,从而提高人机协作的高效性和自然性。未来人机协作的发展要求人们具备同时处理多任务的能力,这亟需在执行任务过程中,为每个任务快速匹配最优通道。现有研究主要关注多通道人机交互的准确性和通道的适配性,鲜有关于不同的通道匹配错误结果导致风险不一致的探索。并且由于专业能力的局限性和实际环境的复杂性,操作人员通常会根据自己的经验和学识等具有差异性的风险偏好,而现有的多通道人机交互中少有相关研究。
发明内容
发明目的:为实现多通道人机交互任务和通道间的智能匹配,提高人机协作过程中每一项任务的快速适配和通道切换,提升人机协作和多通道人机交互过程中操作人员完成任务的效率,本发明提出了一种基于后悔理论和三支决策理论的智能通道匹配系统及方法。
技术方案:本发明所述的基于后悔理论和三支决策理论的智能通道匹配系统,包括:
通道自动匹配模块:用于自动对给定不同的多通道人机交互任务展开分析和评价,并为每一项任务匹配合适的人机交互通道;
延迟决策分析模块:用于对通道自动匹配模块无法直接匹配合适人机交互通道的任务,在软件服务和人件服务的帮助下由操作人员自行为每一项任务选择适配的人机交互通道。
进一步,所述通道自动匹配模块包括:
偏好分析模块:用于根据后悔理论中的风险规避系数和后悔规避系数取值大小确定不同操作人员的喜好和风险偏好;
任务评价模块:用于确定人机协作和多通道人机交互过程中,所有任务与交互通道间的适配度评估;
通道匹配模块:用于基于三支决策理论给出所有任务和通道之间的匹配结果,若无合适的人机交互通道或有因为同时有多个适配的通道而产生冲突的情况,则交由延迟决策模块作进一步分析和判别;
进一步的,所述任务评价模块中任务与通道的评价过程可以由灰色关联分析方法估计。
进一步,所述延迟决策分析模块包括:
软件服务模块:用于通道匹配到达延迟决策分析阶段后操作人员手动分析匹配过程中针对结构化问题的决策支持;
人件服务模块:用于通道匹配到达延迟决策分析阶段后操作人员手动分析匹配过程中针对非结构化或半结构化问题的决策支持。
基于后悔理论和三支决策理论的智能通道匹配方法,包括以下步骤:
S1:针对给定的若干协同控制交互任务和人机交互通道,如手势、眼动、语音、脑电等,操作人员需要选择合适的交互通道与每一项任务适配,将指令请求发送给智能通道匹配系统;
S2:由通道自动匹配模块中的偏好分析模块基于后悔理论确定该名操作人员的风险规避系数和后悔规避系数取值,以此反映不同操作人员的决策偏好不同;
S3:由通道自动匹配模块中的任务评价模块基于灰色关联方法确定所有任务与交互通道间的适配度;
S4:由通道自动匹配模块中的通道匹配模块基于三支决策理论和效用最大化原则给出所有任务和通道之间的匹配结果;若所有任务中出现任意任务存在无合适的人机交互通道或有因为同时有多个适配的通道而产生冲突的情况,则进入步骤S5,否则向操作人员输出智能通道匹配的所有最终决策结果;
S5:在延迟决策分析模块中,由软件服务模块和人件服务模块为操作人员提供有关通道匹配问题的决策支持,并由操作人员根据决策支持的评价确定通道匹配的结果。
基于后悔理论和三支决策理论的智能通道匹配装置,包括处理器,存储装置,存储装置用于存储基于后悔理论和三支决策理论的智能通道匹配系统程序,当所述基于后悔理论和三支决策理论的智能通道匹配系统程序被处理器执行,使得所述处理器实现基于后悔理论和三支决策理论的智能通道匹配系统和方法的功能。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现基于后悔理论和三支决策理论的智能通道匹配系统和方法的功能。
有益效果:本发明公开了一种基于后悔理论和三支决策理论的智能通道匹配系统及方法,与现有技术相比,具有如下的有益效果:
1)本发明能够实现多通道人机交互任务和通道间的智能匹配,提高人机协作过程中每一项任务的快速适配和通道切换,提升人机协作和多通道人机交互过程中操作人员完成任务的效率;
2)本发明能考虑实际多通道人机交互问题中不同的通道匹配错误结果导致的风险不一致情况,并根据操作人员自己的经验和学识等产生的差异性风险偏好,更高效和合理地获取多通道人机交互通道匹配决策结果;
3)本发明具有较高的实用价值,可用于多任务协同控制、远程人机交互等多种场合。
附图说明
图1为本发明具体实施方式中系统的示意图;
图2为本发明具体实施方式中方法的流程图。
具体实施方式
本具体实施方式公开了一种基于后悔理论和三支决策理论的智能通道系统,如图1所示,包括:
通道自动匹配模块:用于自动对给定不同的多通道人机交互任务展开分析和评价,并为每一项任务匹配合适的人机交互通道;
延迟决策分析模块:用于对通道自动匹配模块无法直接匹配合适人机交互通道的任务,在软件服务和人件服务的帮助下由操作人员自行为每一项任务选择适配的人机交互通道。
进一步,所述通道自动匹配模块包括:
偏好分析模块:用于根据后悔理论中的风险规避系数和后悔规避系数取值大小确定不同操作人员的喜好和风险偏好。后悔理论表明,决策者在决策过程中,会将自身选择的结果与其他选择进行比较。如果决策者发现另一个选择能够取得更好的结果,那么他们会感到后悔;反之,他们会感到高兴。因此,在多通道人机交互过程中,操作人员在任务与交互通道的匹配过程中会对选择的结果进行估计和预期,并尽量避免会使他们感到后悔的选择项。假设z1和z2分别表示选择a1和a2所获得的结果。根据后悔理论,操作人员会对两种选择取得的结果进行比较。当选择a1时,效用值可以表示为:
v1=u(z1)+r(u(z1)-u(z2))
其中,u(zi)表示选择ai时,结果zi所获取的效用函数。
效用函数u(zi)的表达式可以被表示为:
其中,在后悔理论中,θ反映的是决策者的风险规避系数,且满足:0<θ<1。
函数r(Δu)表示后悔欣喜函数,用来衡量不同选择的比较下决策者所产生的后悔值或欣喜值。Δu则用来衡量两种不同选择项效用的差值。后悔欣喜函数r(Δu)的表达形式具体如下:
r(Δu)=1-e-δΔu
其中,在后悔理论中,参数δ表示后悔规避系数,满足δ∈[0,+∞)。
在实际问题中,决策者面临的决策选择项往往不止两个。在这种情况下,决策者选择行动ai所产生的效用值表示为:
vi=u(zi)+r(u(zi)-u(z*))
其中,z*=max{zi}。r(u(zi)-u(z*))表示后悔值,并且是非正的。
任务评价模块:用于确定人机协作和多通道人机交互过程中,所有任务与交互通道间的适配度评估,任务与通道的评价过程可以由灰色关联分析方法估计;考虑一个信息系统,xi表示任务集X={x1,x2,…,xm}中的第i个对象,cj表示属性集AT={c1,c2,…,cn}中的第j个属性,不同属性取值反映不同任务特点针对各人机交互通道的适配性程度。任务xi在属性cj上的取值被表示为aij。ωj是一个实数,表示属性权重集W={ω1,ω2,…,ωn}中的第j个权重,并且满足条件:ωj≥0,灰色关联分析方法的核心思想需要从信息表中构建正理想解x+和负理想解x-。正理想解x+和负理想解x-中的取值分别由信息表中各属性最优和最劣的取值组成,可被表示为:
基于灰色关联分析方法,任务评价模块可计算对象xi在属性cj上关于正理想解x+和负理想解x-相应的灰色关联系数:
根据灰色关联系数,任务评价模块可计算对象xi综合所有属性权重后相较于正负理想解的灰色关联度,具体计算过程如下所示:
最后,任务评价模块可以根据任意对象xi与正理想解x+之间的理想贴近度反映和评估任务xi与任意通道间的匹配程度,可用p(xi)表示:显然,p(xi)的取值越大,则表示任务xi与评估通道间的匹配程度越高。若假设共有k个不同的人机交互通道,则用pk(xi)表示任务xi与第k个评估通道间的匹配程度大小,且0≤pk(xi)≤1。
通道匹配模块:用于基于三支决策理论给出所有任务和通道之间的匹配结果,若无合适的人机交互通道或有因为同时有多个适配的通道而产生冲突的情况,则交由延迟决策模块作进一步分析和判别。基于三支决策理论的思想,可借助两个阈值α和β针对所有任务和通道之间的匹配程度pk(xi)给出智能通道匹配系统的决策结果:
(P)若pk(xi)≥α,则xi∈POS(X);
(B)若β<pk(xi)<α,则xi∈BND(X);
(N)若pk(xi)≤β,则xi∈NEG(X).
其中,xi∈POS(X)、xi∈BND(X)和xi∈NEG(X)分别表示匹配系统给出的决策结果为接受、延迟决策和拒绝。显然,若有多个适配通道同时获取xi∈POS(X)的决策结果,则匹配系统会出现冲突的情况,因为在一般情况下每一个任务只能与单个交互通道相匹配,此时需要进一步收集信息并采取延迟决策的方式。此外,若有任意通道获取xi∈BND(X)的决策结果,也需要进一步收集信息并延迟决策,交由迟决策分析模块处理通道匹配的结果。基于三支决策理论与思想,可以对阈值α和β的取值进行计算。三支决策考虑两种状态和三种不同的行动项:aP,aB,aN分别表示将对象xi划入三个不同的区域:POS(X)、BND(X)、NEG(X)。/>可被用于描述不同状态下和采取不同行动时取得的结果。zPP、zBP、zNP分别表示当对象xi属于类别X时,采取行动aP、aB以及aN时产生的结果;zPN、zBN、zNN分别表示当对象xi属于类别/>采取行动aP、aB以及aN时产生的结果。基于后悔理论,可以将z·。进一步转化为u·。,用于描述不同状态下和采取不同行动时取得的效用。vPP、vBP、vNP分别表示当对象xi属于类别X时,采取行动aP、aB以及aN时产生的效用;vPN、vBN、vNN分别表示当对象xi属于类另/>采取行动aP、aB以及aN时产生的效用。根据效用最大化原则,可给出阈值α和β的表达式:
进一步,所述延迟决策分析模块包括:
软件服务模块:用于通道匹配到达延迟决策分析阶段后操作人员手动分析匹配过程中针对结构化问题的决策支持;
人件服务模块:用于通道匹配到达延迟决策分析阶段后操作人员手动分析匹配过程中针对非结构化或半结构化问题的决策支持。
进一步,所述人件服务模块通过人件服务管理、信息采集服务单元、信息转化处理模块、请求信息转化等单元和模块对人机协作和多通道人机交互过程中的协同交互任务进行分层次和分批次的管理、运行和调度,并将最终与智能交互通道匹配相关联的所有信息通过信息转化单元、信息增强单元和请求端应答等模块反馈给操作人员,辅助协助操作人员对处于延迟决策阶段的任意通道匹配问题开展决策评估。
本具体实施方式还公开了利用系统进行智能通道匹配的方法,如图2所示,包括以下步骤:
S1:针对给定的m个协同控制交互任务和k个人机交互通道,如手势、眼动、语音、脑电等,操作人员需要在执行任务的过程中为每一项任务适配合适的交互通道,每一项任务默认只能由一种交互通道操作,并将相应的指令请求发送给智能通道匹配系统;
S2:由于不同的操作人员在实际执行任务中具有不同的操作习惯和风险偏好,因此由通道自动匹配模块中的偏好分析模块基于后悔理论确定该名操作人员的风险规避系数和后悔规避系数取值,以此反映不同操作人员的决策偏好不同;
S3:由通道自动匹配模块中的任务评价模块基于灰色关联方法确定所有任务与交互通道间的适配度,整个评估过程由n个不同的属性对m个协同控制交互任务进行综合评估,并根据理想贴近度反映和评估任务xi与任意通道间的匹配程度;
S4:由通道自动匹配模块中的通道匹配模块基于三支决策理论和效用最大化原则给出阈值α和β的取值结果,并根据阈值α和β与通道匹配度pk(xi)的比较给出所有任务和通道之间的匹配结果;针对任意单项任务,若出现单个任务与多个不同的交互通道相匹配的情况或任意交互通道需延迟决策的情况,则进入步骤S5,否则向操作人员输出智能通道匹配的所有最终决策结果;
S5:在延迟决策分析模块中,由软件服务模块和人件服务模块为操作人员提供有关通道匹配问题的决策支持,并由操作人员根据决策支持的评价确定通道匹配的结果;若操作人员有非结构化或半结构化问题,则由人件服务模块提供决策支持,否则由软件服务模块提供决策支持。最终由延迟决策分析模块给出剩余智能通道匹配的决策结果。
下面以本具体实施方式在人机协作协同任务与交互通道匹配的应用为例,对本具体实施方式做进一步说明。考虑一个人机协作任务的执行过程,需要为每个任务快速匹配最优通道,以提高人机协作的效率,具体过程如下:
(1)针对这一人机协作通道匹配问题,一名操作人员需针对六个不同的协同交互任务判断采取手势识别操作的新型人机交互方式是否能够较好地对任务展开执行。由六个不同的协同交互任务所组成的集合表示为X={x1,x2,x3,x4,x5,x6},属性集合表示为AT={c1,c2,c3,c4}且权重皆一致。该名操作人员将相应的通道匹配请求指令发送给智能通道匹配系统;
(2)由于不同的操作人员在实际执行任务中具有不同的操作习惯和风险偏好,因此由通道自动匹配模块中的偏好分析模块基于后悔理论确定该名操作人员的风险规避系数和后悔规避系数取值,以此反映不同操作人员的决策偏好不同;在该人机协作通道匹配问题中,这名操作人员的风险规避系数和后悔规避系数取值被分别设置为θ=δ=0.2。
(3)由通道自动匹配模块中的任务评价模块基于灰色关联方法确定所有任务与交互通道间的适配度,整个评估过程由4个不同的属性对6个协同控制交互任务进行综合评估,并根据理想贴近度反映和评估任务xi与任意通道间的匹配程度。在本机协作通道匹配案例中,考虑采取百分制对不同属性下协同任务与交互通道的匹配程度进行打分,信息表具体如表1所示。分数越高,则表示任务与手势识别交互方式越适配。基于给出的信息表,可以进一步计算任意任务xi与正理想解x+之间的理想贴近度,并以此反映和评估任务xi与手势通道间的匹配程度,具体结果为:p(x1)=0.4597,p(x2)=0.2823,p(x3)=0.7037,p(x4)=0.7090,p(x5)=0.4034,p(x6)=0.5500。
表1人机协作通道匹配问题的评价信息系统
c1 | c2 | c3 | c4 | |
x1 | 30 | 13 | 40 | 97 |
x2 | 12 | 24 | 15 | 11 |
x3 | 81 | 78 | 85 | 91 |
x4 | 83 | 77 | 97 | 80 |
x5 | 14 | 30 | 84 | 18 |
x6 | 28 | 79 | 44 | 78 |
(4)由通道自动匹配模块中的通道匹配模块基于三支决策理论和效用最大化原则给出阈值α和β的取值结果,并根据阈值α和β与通道匹配度pk(xi)的比较给出所有任务和通道之间的匹配结果。在本实例中,初始的不同状态下和采取不同行动时取得的结果被给定为:zPP=3、zBP=1、zNP=-3、zPN=-2、zBN=-1、zNN=3。根据步骤(2)操作人员的风险规避系数和后悔规避系数,可以进一步计算不同状态下和采取不同行动时取得的效用值,具体如表2所示,并根据效用值计算阈值α和β:α=0.5416,β=0.3725。
表2人机协作通道问题的效用矩阵
根据计算出的阈值α和β,以及任务xi与手势通道间的匹配程度函数p(x1),可以获取通道自动匹配模块的一般通道匹配决策结果:POS(X)={x3,x4,x6},BND(X)={x1,x5},NEG(X)={x2}。从这一结果可以得出,任务x3,x4,x6可由手势方式由操作人员执行,任务x2不适用于手势识别操作,x1和x5则需要进一步收集信息进行分析,处于待定状态,转入步骤(5)
(5)在延迟决策分析模块中,由软件服务模块和人件服务模块为操作人员提供有关通道匹配问题的决策支持,并由操作人员根据决策支持的评价确定通道匹配的结果。在本实例中,操作人根据x1和x5两个不同任务的特点和所处的操作环境,总共提出四个决策问题,系统对于四个决策问题进行分析,分别交由软件服务模块和人件服务模块进行解决,如表3所示,问题1和2为结构化问题,交由软件服务模块进行解决;问题3为半结构化问题,问题4为非结构化问题,交由人件服务模块进行解决。表3冲突手动分析模块功能表
问题1 | 软件服务模块 |
问题2 | 软件服务模块 |
问题3 | 人件服务模块 |
问题4 | 人件服务模块 |
最终,操作人员根据延迟决策分析模块给出的决策支持和辅助,判定任务x1可由手势操控执行,而任务x5的特点与手势识别不相匹配。至此,延迟决策分析模块输出剩余的任务x1和x5的通道匹配决策结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.基于后悔理论和三支决策理论的智能通道匹配系统,其特征在于:包括:
通道自动匹配模块:用于自动对给定不同的多通道人机交互任务展开分析和评价,并为每一项任务匹配合适的人机交互通道;
延迟决策分析模块:用于对通道自动匹配模块无法直接匹配合适人机交互通道的任务,在软件服务和人件服务的帮助下由操作人员自行为每一项任务选择适配的人机交互通道。
2.根据权利要求1所述的基于后悔理论和三支决策理论的智能通道匹配系统,其特征在于:所述通道自动匹配模块包括:
偏好分析模块:用于根据后悔理论中的风险规避系数和后悔规避系数取值大小确定不同操作人员的喜好和风险偏好;
任务评价模块:用于确定人机协作和多通道人机交互过程中,所有任务与交互通道间的适配度评估;
通道匹配模块:用于基于三支决策理论给出所有任务和通道之间的匹配结果,若无合适的人机交互通道或有因为同时有多个适配的通道而产生冲突的情况,则交由延迟决策模块作进一步分析和判别。
3.根据权利要求2所述的基于后悔理论和三支决策理论的智能通道匹配系统,其特征在于:所述任务评价模块中任务与通道的评价过程可以由灰色关联分析方法估计。
4.根据权利要求1所述的基于后悔理论和三支决策理论的智能通道匹配系统,其特征在于:所述延迟决策分析模块包括:
软件服务模块:用于通道匹配到达延迟决策分析阶段后操作人员手动分析匹配过程中针对结构化问题的决策支持;
人件服务模块:用于通道匹配到达延迟决策分析阶段后操作人员手动分析匹配过程中针对非结构化或半结构化问题的决策支持。
5.利用权利要求1所述基于后悔理论和三支决策理论的智能通道匹配系统的智能通道匹配方法,其特征在于:包括以下步骤:
S1:针对给定的若干协同控制交互任务和人机交互通道,操作人员需要选择合适的人机交互通道与每一项任务适配,将指令请求发送给智能通道匹配系统;
S2:由通道自动匹配模块中的偏好分析模块基于后悔理论确定该名操作人员的风险规避系数和后悔规避系数取值,来反映不同操作人员的决策偏好不同;
S3:由通道自动匹配模块中的任务评价模块基于灰色关联方法确定所有任务与交互通道间的适配度;
S4:由通道自动匹配模块中的通道匹配模块基于三支决策理论和效用最大化原则给出所有任务和通道之间的匹配结果;若所有任务中出现任意任务存在无合适的人机交互通道或有因为同时有多个适配的通道而产生冲突的情况,则进入步骤S5,否则向操作人员输出智能通道匹配的所有最终决策结果;
S5:在延迟决策分析模块中,由软件服务模块和人件服务模块为操作人员提供有关通道匹配问题的决策支持,并由操作人员根据决策支持的评价确定通道匹配的结果。
6.基于后悔理论和三支决策理论的智能通道匹配装置,包括处理器,存储装置,存储装置用于存储基于后悔理论和三支决策理论的智能通道匹配系统程序,当所述基于后悔理论和三支决策理论的智能通道匹配系统程序被处理器执行,使得所述处理器实现如权利要求1-5的功能。
7.一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-5的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211580166.6A CN116414226A (zh) | 2022-12-09 | 2022-12-09 | 基于后悔理论和三支决策理论的智能通道匹配系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211580166.6A CN116414226A (zh) | 2022-12-09 | 2022-12-09 | 基于后悔理论和三支决策理论的智能通道匹配系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116414226A true CN116414226A (zh) | 2023-07-11 |
Family
ID=87053808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211580166.6A Pending CN116414226A (zh) | 2022-12-09 | 2022-12-09 | 基于后悔理论和三支决策理论的智能通道匹配系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116414226A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227926A (zh) * | 2018-01-08 | 2018-06-29 | 南京大学 | 一种面向多通道协同智能交互的智能通道切换系统及方法 |
-
2022
- 2022-12-09 CN CN202211580166.6A patent/CN116414226A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227926A (zh) * | 2018-01-08 | 2018-06-29 | 南京大学 | 一种面向多通道协同智能交互的智能通道切换系统及方法 |
Non-Patent Citations (1)
Title |
---|
王天行: "面向人机协作的三支行为决策研究", 《中国博士学位论文全文数据库信息科技辑》, no. 5, pages 93 - 112 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10725827B2 (en) | Artificial intelligence based virtual automated assistance | |
US10296848B1 (en) | Systems and method for automatically configuring machine learning models | |
US10402039B2 (en) | Adaptive user interface using machine learning model | |
Mousseau et al. | A user-oriented implementation of the ELECTRE-TRI method integrating preference elicitation support | |
Quan et al. | Simulation optimization via kriging: a sequential search using expected improvement with computing budget constraints | |
KR102318103B1 (ko) | 구직자-구인자 매칭의 합격 여부 판단을 위한 기계 학습 방법 및 이를 이용한 추천 장치 | |
CN109816483B (zh) | 信息推荐方法及装置、可读存储介质 | |
US20230385333A1 (en) | Method and system for building training database using automatic anomaly detection and automatic labeling technology | |
CN106845624A (zh) | 与智能机器人的应用程序有关的多模态交互方法及系统 | |
US11462220B2 (en) | Infrastructure automation platform to assist in performing actions in response to tasks | |
CN107644255B (zh) | 一种人工智能设备的数据处理方法、装置及系统 | |
CN104281615A (zh) | 一种投诉处理的方法和系统 | |
Lee | Fuzzy rule generation for adaptive scheduling in a dynamic manufacturing environment | |
CN114564964A (zh) | 一种基于k近邻对比学习的未知意图检测方法 | |
US20220108054A1 (en) | System for universal hardware-neural network architecture search (co-design) | |
Priore et al. | Learning-based scheduling of flexible manufacturing systems using support vector machines | |
CN116414226A (zh) | 基于后悔理论和三支决策理论的智能通道匹配系统及方法 | |
Stern et al. | Optimal hand gesture vocabulary design using psycho-physiological and technical factors | |
KR101649913B1 (ko) | 연구 개발 프로젝트 관리 장치 및 방법 | |
CN112861440B (zh) | 一种面向各类应用的软件机器人系统及其工作方法 | |
WO2021240664A1 (ja) | モデル訓練プログラム、モデル訓練方法および情報処理装置 | |
WO2023165723A1 (en) | Enterprise search engine with evidence-based next action recommendation | |
JP7186411B1 (ja) | 情報処理システム、情報処理方法及び情報処理プログラム | |
CN113850444B (zh) | 一种基于引导注意机制的旅游需求时间序列预测方法 | |
An et al. | Human-Computer Interaction Data Scheduling Algorithm Based on Artificial Intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |