[发明专利]基于云端的设备及其操作方法

说明书

技术领域

本公开一般涉及一种设备，尤其涉及一种基于云端的设备及其操作方法。

背景技术

在人工智能研究领域，自发性的幽默行为被视为在真正让机器拥有人的思维之前的终极挑战。因此，让机器具备严格意义上和人相同的自发幽默特征在现阶段是没有技术能够实现的。

隐马尔科夫模型(Hidden Markov Model，HMM)是一种统计模型，它用来描述一个含有隐含未知参数的马尔科夫过程(隐马尔科夫过程)。隐马尔科夫模型创立于20世纪70年代，80年代得到了传播和发展，成为信号处理的一个重要方向，现已成功地用于语音识别，行为识别，文字识别以及故障诊断等领域。

隐马尔科夫模型(HMM)包含两个随机过程，其中之一是Markov链，它描述了状态的转移，产生一定的状态序列，但是是被隐藏起来，无法观测的；另外一个随机过程描述了状态和观测值之间的统计对应关系。不同的状态按照各自概率函数产生一定的观测序列，观测者只能看到观测值而不能看到Markov链中的状态，只能通过一个随机过程感知状态的存在及它的特性，所以称之为隐马尔科夫模型，其基本要素包括：

1.隐含状态S

这些状态之间满足马尔科夫性质，是马尔科夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到(例如S1、S2、S3等等)。

2.可观测状态O

在模型中与隐含状态相关联，可通过直接观测而得到(例如O1、O2、O3等等，可观测状态的数目不一定要和隐含状态的数目一致)。

3.初始状态概率矩阵π

表示隐含状态在初始时刻t＝1的概率矩阵，(例如t＝1时，P(S1)＝p1、P(S2)＝P2、P(S3)＝p3，则初始状态概率矩阵π＝[p1 p2 p3])。

4.隐含状态转移概率矩阵A

描述了HMM模型中各个状态之间的转移概率。

其中Aij＝P(Sj|Si)，1≤i，j≤N.表示在t时刻、状态为Si的条件下，在t+1时刻状态是Sj的概率。

5.观测状态转移概率矩阵B(Confusion Matrix，也称为混淆矩阵)。

令N代表隐含状态数目，M代表可观测状态数目，则：

Bij＝P(Oi|Sj)，1≤i≤M，1≤j≤N.

表示在t时刻、隐含状态是Sj条件下，观察状态Oi的概率。

一般情况下，用λ＝(A，B，π)三元组来简洁的表示一个隐马尔科夫模型。

HMM可以由说明书附图1表示，节点之间的箭头表示两个状态之间的条件概率关系。图1中方形的节点代表耦合链的观察节点，圆形节点代表耦合链的隐藏节点。

发明内容

以下提供一个或多个方面的简要概述以提供对本公开的多个方面的基本理解。然而，应当注意，以下概述不是构想到的所有方面的详尽综述，并且既不旨在陈述本公开所有方面的关键性或决定性要素，也不试图限定本公开的任何或所有方面的范围。相反，以下概述的唯一目的在于，以简化形式给出本公开的一个或多个方面的一些概念，以作为稍后阐述的具体实施方式的前序。

本公开的目的不在于开发相应的技术让智能体理解并拥有幽默特性，而是通过云端技术和机器学习技术让智能体在和目标受众的互动中具有一些预设好的幽默行为特征。这将更加完善陪伴型机器人的智能特性，从而达到愉悦目标受众的目的。

根据本公开的一个方面，本公开提供了一种基于云端的设备。

根据本公开的一个方面，所述基于云端的设备包括：分析装置，所述分析装置包括：第一HMM分析器，用于分别接收场景输入信号、受众表情输入信号和受众语音输入信号作为第一HMM的可观测序列并根据观测序列概率最大 化的准则推断出第一HMM的隐藏状态变化序列，其中第一HMM的隐藏状态变化序列包括场景隐藏状态变化序列、受众表情隐藏状态变化序列和受众语音隐藏状态变化序列；情绪状态HMM分析器，用于接收所述场景隐藏状态变化序列、受众表情隐藏状态变化序列和受众语音隐藏状态变化序列作为情绪状态HMM的可观测序列并根据观测序列概率最大化的准则推断出情绪状态HMM的隐藏状态变化序列；以及语音信号处理单元，用于对受众语音输入信号进行识别并根据识别结果输出标准指令，决策装置，用于接收所述情绪状态HMM的隐藏状态变化序列和所述标准指令，基于所述情绪状态HMM的隐藏状态变化序列选取幽默行为并整合幽默行为指令和所述标准指令作为最终输出指令。