1.一种用于人决策预测的改进认知主导决策方法,其特征是,包括,获取当前情景;
根据所述当前情景,基于预设的记忆模型进行特征识别,得到所述当前情景对应的原型;
根据所述当前情景对应的原型,进行记忆提取,得到记忆提取信息;
根据所述记忆提取信息,进行期望检查,得到检查通过的记忆提取信息;
根据所述检查通过的记忆提取信息,进行模拟行动,得到最终的决策行动;
其中,所述预设的记忆模型的构建方法如下:
构建基于概率密度函数的记忆结构;
获取历史事件信息;
根据所述记忆结构和历史事件信息,得到记忆模型。
2.根据权利要求1所述的用于人决策预测的改进认知主导决策方法,其特征是,所述记忆结构表示为一系列联合概率密度函数:P1(X),P2(X),…Pk(X),每一个概率密度函数代表一类事件的原型;其中,P1(X)表示为第1个概率密度函数;P2(X)表示为第2个概率密度函数;
Pk(X)表示为第k个概率密度函数;X表示记忆中保存的信息;
第i个概率密度函数Pi(X)的表达式如下:
其中,Pi(X)表示为第i个联合概率密度函数,即第i个原型;n表示为人经历过的原型为Pi(X)的历史事件的次数;W表示为对角权重矩阵;ρ表示为向量X的长度,即X中包含信息的数量;X表示为记忆中保存的信息;Xj表示为人经历过的第j次符合原型Pi(X)的事件中所包T含的信息;(·) 表示为转置矩阵;h表示为平滑参数。
3.根据权利要求2所述的用于人决策预测的改进认知主导决策方法,其特征是,所述记忆中保存的信息包括事件的特征、期望、相关线索、可能的目标和行动。
4.根据权利要求2所述的用于人决策预测的改进认知主导决策方法,其特征是,根据所述记忆结构和历史事件信息,得到记忆模型,,包括:针对所述记忆结构中的所有原型计算所述历史事件信息对应的概率密度,得到最大概率密度值;
响应于所述最大概率密度值大于或等于预设的概率密度值阈值时,则所述历史事件属于最大概率密度值对应的原型,更新所述最大概率密度值对应的原型,得到更新后的原型;
响应于所述最大概率密度值小于预设的概率密度值阈值时,则所述历史事件信息不属于记忆结构中任一个原型,构建新的原型;
根据所述更新后的原型和新的原型,得到记忆模型。
5.根据权利要求4所述的用于人决策预测的改进认知主导决策方法,其特征是,所述更新后的原型的表达式如下:其中,Pi(X)′表示更新后的最大概率密度值对应的原型,Xs表示历史事件信息。
6.根据权利要求5所述的用于人决策预测的改进认知主导决策方法,其特征是,所述构建新的原型的表达式如下:其中,Pk+1(X)表示第k+1个联合概率密度函数,即第k+1个原型;Xs表示历史事件信息。
7.根据权利要求6所述的用于人决策预测的改进认知主导决策方法,其特征是,根据所述当前情景,基于预设的记忆模型进行特征识别,得到所述当前情景对应的原型,包括:针对预设的记忆模型中的所有原型,计算所述当前情景的边缘分布概率密度,得到最大的边缘分布概率密度值;其中,所述当前情景对应的原型即为最大的边缘分布概率密度值对应的原型;
所述边缘分布概率密度的表达式如下:
其中,Pi(F)表示为第i个原型对应的边缘分布概率密度函数,是Pi(X)的边缘分布;WF表示为对角权重矩阵W的前r阶子矩阵;r是特征向量F的长度,代表特征的数量;F表示为特征向量;Fj表示为历史事件中特征向量的取值。
8.根据权利要求7所述的用于人决策预测的改进认知主导决策方法,其特征是,所述根据所述当前情景对应的原型,进行记忆提取,得到记忆提取信息;进行记忆提取的表达式如下:其中,Pi(Z)表示为进行记忆提取的概率密度函数;αj表示为由特征导出的系数;WZ表示为对角权重矩阵W中由对应Z的元素构成的新矩阵;Z表示为记忆提取信息,包括期望、相关线索、可能的目标和行动;Zj表示为历史事件中的Z的取值;Fs表示为当前情景的特征向量;
Fj表示为历史事件中特征向量的取值。
9.根据权利要求1所述的用于人决策预测的改进认知主导决策方法,其特征是,所述期望检查包括如下步骤:根据所述记忆提取信息,得到当前情景对应的原型提取期望;
检查所述原型提取期望与当前情景的期望是否相符;
响应于所述原型提取期望为离散型,且所述原型提取期望与当前情景的期望相符,则得到检查通过的记忆提取信息,进入下一步骤;
响应于所述原型提取期望为离散型,且所述原型提取期望与当前情景的期望不相符,则重新获取当前情景的信息;
响应于所述原型提取期望为连续型,且所述当前情景的期望的概率密度值大于或等于预设的阈值,则得到检查通过的记忆提取信息,进入下一步骤;
响应于所述原型提取期望为连续型,且所述当前情景的期望的概率密度值小于预设的阈值,则重新获取当前情景的信息。
10.根据权利要求1所述的用于人决策预测的改进认知主导决策方法,其特征是,根据所述检查通过的记忆提取信息,进行模拟行动,得到最终的决策行动,包括:根据所述检查通过的记忆提取信息,得到当前情景对应的原型提取行动;
模拟所述原型提取行动的执行过程,得到模拟执行结果;
响应于所述模拟执行结果为可行结果,则所述原型提取行动为最终的决策执行行动;
响应于所述模拟执行结果为不可行结果,则重新从当前情景对应的原型提取其他可能行动,重复以上步骤。