TELKOM NIKA , Vol. 11, No. 8, August 2013, pp. 44 9 8 ~4 504   e-ISSN: 2087 -278X           4498      Re cei v ed Fe brua ry 16, 20 13; Re vised  Ma y 15, 20 13 ; Accepte d  May 25, 20 13   Artificial Emotion Engine Benchmark Problem based on  Psychological Test Paradigm      Wang Yi*, Wang Zhi-lian g   Schoo l of auto m ation a nd El e c trical Eng i ne e r ing,  Un iversit y  of Science a n d  T e chnolo g y   Beiji ng   Beiji ng, Ch in a, 100 08 3   *Corres p o ndi n g  author, e-ma i l : bkcool @16 3 .com      A b st r a ct   Most of testing and ev alu a ti ons of  emotio n mo del i n  the field of  affective computi n g  are self- eval uatio n, w h ich ai ms at the  appl ic atio n-sp ecific back g ro u nd, w h ile t he r e searc h  on th e prob le m of th e   Bench m ark e m otion a l  mo del  i s  scarce. T h is  pap er fi rstly pr opos ed th e fea s ibil ity of maki ng psyc hol og ical   test parad ig m  a part of artific i al Be nch m ark  eng ine,  a nd  w i th taking ver s atility a nd eff e ctiven ess as  the   evolutional fact or to jud ge the  engine  by testing p sychologic a l par adigm s . In add ition,  an emotional hidden  Markov mod e l is built a nd tes t ed base d  on the Benc h m ark  theory. T he detail ed si mu lati on proc ess of th e   exper iment is g i ven. T he testin g resulta n ts ar e coinc i de w i th  the real w o rld ’ s situation.     Ke y w ords :    affective co mp uti ng, artificia l  e m ot ion, be nch m ark, hidd en  ma rkov mo de l         Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1.   Introduc tion   The first on e  who  propo sed the i dea  of maki ng co mputers with   artificial em otion  is  American pro f essor Min s ky In 1985 in  his boo k “T h e  soci ety of  Mind”. The q uestio n  is wh ether  intelligent ma chin es  ca n h a ve so me e m otions,  and  whi c h  ca n b e  intellige n t a s  hu man k in d. the   probl em ha s  become a  cl assic  referen c ed m odel b y   most re sea r ch ers in thi s  field. In 199 5,  Ro salin d  W.  Picard from  MIT Medi a L ab p ubli s he d  his o r igin al  monog ra ph  b e com e s a  ki n d  of  early form  of affective co mputing te ch nology.  A f t e r  sev e r a l y e a r s,  af f e ct iv e comp ut ing a n d   artificial e m oti onal i s sue att r acte d the att enti on of the  worl d. Since  1990 s, Japa n e se  have b e g u n   the re sea r ch  work of Kan s ei Engine erin g, whic h a s  a kind  of technolo g ical  sci ence, com b in es  human e m oti on with en gin eerin g togeth e r to de sign g ood s manufa c turin g .  No wad a ys,  Japan  ha s fo rmed th e mo st adva n ced  system  of K a sey  engi ne ering.  In  2000, Profe s sor  Wan g  Zh i-liang fro m  University  of Scien c e an d Tech nolo g y Beijing in Ch ina  develop ed th e concept of  artificial  psy c hology, which   is a  ne w expl oration  in the   field of affecti v e   comp uting. M any a s sociati ons of China  have  st arte d  doing  the  rel e vant re se arch  and  re ach ed  higher level,  such as the cel ebration of the first  sessi on of  affective com puting intelligent  intera ction in ternation a l a c ad emic  conf eren ce s  an d  the establi s hment of arti ficial psy c hol ogy  and a r tificial  emotion Profession al Co mmittee of  Chin a Asso ci ation for Arti ficial Intellige n ce   indicates.   Becau s e  the  emotio nal t h inki ng i s   m easura b le, th ere  are m a n y  re sea r che r s try to  simulate  the  gene ration   and  cha nge s of mood f r om differe nt disciplin es t hat psy c hol o g y,  cog n itive scie n ce an d information scien c e incl ude d [1]. Meantime, due to the complexity of the   emotion s  a s   well a s  the im perfe ctne ss  o f  the resea r ch  of humanity  emotional va riation, this  wo rk   is co mpli cat ed, and th ere i s  also  a numbe r of emotion a l theory b u ilding s  coe x ist.  Cur r e n tly ， there have be e n  a lot of mo dels of the mood.  Of cou r se, it is not ea sy to make these   model s a c hie v e an exa c t quantitative d e scriptio n  of  human  and  a n imal em otio ns p e rfe c tly, but  at least  som e  of the mod e l s  a c hieve  a li mited mi micry from the fu nction al an gl e. For exa m p l e ,   the O C C em otion mo del,  this  wa s p u t  forwa r d  by O r tony, Cl ore   and  Colli ns a t  The  Co gniti ve   Structu r e of Emotions  in 1988.  It  i s  an   ori g inal  emot ional  co gnitive mo del  and   is the  first on e of  the pra c tical model s towa rds the  studie s  of huma n  emotion s , wh ich is n o t onl y cater to th e  requi rem ent  of Comp uter-impleme nted  developm ent, but also su mmari ze s an d co ncl ude s  the   corre s p ondin g  rel a tion  by usi ng  a reg u lar  mod e l.   Acco rdi ng to  analy s is of  variou s eve n ts, a   seri es of em o t ion is t r igg e red by oth e r  e n tity  interacti on [2]. The  O C C mod e l div i ded the  cou r se   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Artificial Em otion Engine B enchm ark Problem  base d  on Psych o log i cal Te st Para digm  (Wan g  Yi)  4499 of emotion  i n to thre e  cat egori e s: th e  results  of th e event, the  actio n  of th e ag ent a n d  the  perceptio n of the obje c t. The Kismet emo t ional m odel [ 3 ] that is desi gned by the  MIT C.Brea zeal  to apply to a  huma noid  robot Kism et is ap plied to  a hum anoi d  rob o t Kisme t. The mod e l is  con s tituted  b y  four p a rt s: emotion a l  stimuli,  emoti onal  evaluati on, emotio na l activation  a n d   emotional expre ssi on.  Europea n  state  space-b a sed e m otion mo del  is an  emotio nal spa c e  whi c h   rep r e s ent s the basi c  em otions’ fa ctors a s  seve ra l el e m ental vecto r s, emotion a l state de scrib e d   as discrete p o ints in this state spa c e [ 4 ].  Affective model [5] based on the p r oba bility spa c e  provide s   a  new metho d  for affe ctive computi ng ma ch in e au to ma tic a lly. T h e o r e tic a l s t u d y   gene rated th rough M a rkov  Chai n an d the HM M em otional tra n sf er  simulatio n  con s i s ts of f our  step s that the transfe rs of  mood stim ula t e the m ood spo n tane ou s transfe r, tran sfer of emotio nal   stimuli a nd e m otional  sp o n taneo us  me tastasi s .  Th e  emotion a l m odel a s   an a r tificial em otion  engin e  play s  a key  role i n   the functio n  o f  makin g  intel ligent ma chin es intelli gent.  But evaluati o n   factor of the  engin e  is still  not exact en ough.  Thi s  e v aluation pro c e ss n eed s  a set of gen eric   stand ard s  a s   a found ation f o r the p u rpo s e of getti ng th e judg e re sult s of an alysi s   and  synthe sis.  That’s to  say  the evaluati on of the pe rforma nce of  the Affective gen eratio n  engine  nee ds a  grou p of studi es on Ben c h m ark pro b lem .       2.   Relativ e  Works    The so-calle d  Bench m ark i s  a matte r of Baselin e no rm, which is  u s ed to e s tabli s h a  set  of relatively impecca ble m odel s. For  high effici e n t tests a nd evalu a tion sy stem  unde r the  sa me   issue s , a co mmon pl atform for ma kin g  co mpa r iso n s a m ong  di fferent ki nd s of model s  and   system s i s  b u ilt. No wad a ys, Ben c hm ark i s sue  ha s  reached  many  scientific fiel ds. F o r  exam ple,  the st ru ctural  dam age  ide n tification te chn o logy  i s   a p r in cipal  segment  of  structu r al  he alt h   monitori ng (S HM). With deeply improve  the cap ability of these methods  the experimental costs  decrea s e. In  the Internatio nal Worksho p  on Stru ctural Co ntrol  co nferen ce, the  resea r ch gro u p   con s i s ting of  Europ e , Asi a  and  USA  has  bee n p r opo sed  deali ng with th e  SHM an d th e   Bench m ark  structu r e h a s  been  set up  by Che n  at  the sam e  time in o r de r  to make  dire ct  comp ari s o n s among va ri ous te chn o lo gies. Th e Benchma r k  structure was  raise d  by Black  Ventura  after  the Ame r ican  SHM  re se arch g r ou p  wa s  set u p  u nde r t he joi n t-fundi ng of  IASC a nd  ASCE. In 1999 for the first ti me I A C&ASCE research  group  resolved to focus on the  establi s hm en t of a  well-defined  Ben c hma r k i s su e of the  Ameri c an  gro up thu s   ca n  do  comp arative studie s  abo ut  diverse   st ru ctural dam a g e  identification  metho d s by  optimizin g to ols  of test data  a nd st ru ctural  model  cal c ul ation tool s. T here  is  also   Bench m ark i s sue i n  the  cu rrent  testing of ste a m gen erato r  tube re sea r ch are a s. The  part-of -spee ch taggi ng B enchma r k u s es  CRF ++ m o d e l an d Po cket CRF  mod e l. Ben c hma r k,  used  as  an eval uatio n meth od i n  the  comp uter fiel d has  a long -term ap plicati on, and i s  wi dely use d  in  the in the ha rdwa re  su ch  as  CPU  evaluat ion, mem o ry , I/O interfa c e s  a nd  peripherals software fo r o p e rating  sy ste m   evaluation, m i ddle w are an d appli c atio n  softwa r e i n  m a chi ne le arni ng field,  whi c h enh an ced  d a ta  pro c e ssi ng capability of the databa se [6]. University  of California  Irvine (UCI) d a te sets in clu d e   189  gro u p s   whi c h  co ntri bute a  lot t o  the  test  a nd p o st -eval uation  of m a chi ne l earni ng   algorith m s. I n  the combin atorial o p timi zation i s sue,  the de sign  of broa dcasti ng net works, the  swit chin g ci r c uit  d e sig n ,   ship  t r an sp or t a t i on  ro ute plan s,  wo rk assignm ents,   goo ds pa cking  scheme, th e  sho r test  path  issue, the  m a ximum  (mini m um)  sp anni ng tre e  i s sue ,  the be st ed ge  unrel ated set, minimum cut  sets a s  well  as sale sman  issue are all belon g to Benchm ark issu es  in broa d sen s e. Espe ciall y , in  the smart cal c ul atio n field, Levy No. 5 Funct i on, Shaffer’s F6   Functio n , Six-Hump  Camel - Back Fun c tio n  and Ge n e ralize d  Scha effer’s Pro b lem  are contin uo us  Benc hmark  iss u es  [7].  It can be seen that in  many scienti f ic re sea r ch  fields, Ben c hma r k issu e can b e   interp reted  a s  a  mo del, al gorithm,  syst em te st  an d  evaluation  fo rm. What i s   more,  emotio nal  model studie s   in cu rre nt  emoti onal  comp uters fi elds  are  ma inly for sp e c ific a ppli c ati on  backg rou n d s  su ch as  (Hu m an Rob o t  Intera ction, HRI),  (Hum an Rob o t  Coope ration, HRC) and   Huma noid  Robot a nd  so  forth. The  re aso n   wh y we have n ’t se en p r o s  a n d  co ns evalua tio n   outcom e  of the universe Benchmark issue is that this  kind of research i s  still rare. In view of this  situation, i n  t h is  pape r  we   will u s e th e p s ych o logi ca l t e st p a ra digm  as  a p a rt of  a r tificial e m oti o n   engin e  Ben c hmark i s sue  and u s e ve rsatility and e ffectivene ss a s  an eval uati on index. Fin a lly,  this set of Be nchm ark issu es  shoul d be  open a nd hav e scalability.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 8, August 2013:  4498 –  4504   4500 The pap er i s  organi ze d a s  follows: in the thir d secti on origi nally studie s  the testing of  this Be nchm ark i s sue  on  the ba si s  of i n trodu cin g   so me Psy c hol o g ical  expe rim ental p a radig m s  emotion - ge ne rating mo del. In the sectio n  four it s effect iveness thro u gh experi m en ts is verified.       3.   Artificial Emotion Engine  Benchma r k   Emotional m odel, a s  an  artificial e m otion en gine  Based  on  a Psychologi cal T e st   Paradi gm, which  plays a  key role i n  th e fun c tion  of  putting intelli gen ce into  m a chi n e s  but t heir  perfo rman ce evaluation studie s   are  im mature, so  in  this pap er  we ad opt the  new eval uat ion  method s of model s by usin g psychologi cal experim e n tal para d igm a s  the evaluati on stan dard of  model s. Ho wever, as  an a r tificial em otion en gine,  th e emotion a l  model pl ays  a key role in  the  function  of  putting intelli gen ce into   machi n e s . T heir  perfo rm ance evalu a tion stu d ie s  are  immature [8].     3.1. Ps y c hological Exper i mental Para digms  Re cently, the psy c hol og y experime n t al para d igm s [9], inclu d i ng obj ect  reversal,  child ren’ s g a m bling ta sk,  delay of  gratification, wi nd ows task,  s e lf-ord ere d  Poi n ting (SOP o r   SOTP), towe r of Ha noi o r  tower  of Lo ndon Str oop  (Day -Ni ght Stroop ) sto p -si gnal ta sk, h a nd  game, Wi sco n sin   card so rting  te st (WCST),  flex ibl e  item  sel e ct ion ta sk (FIST), dim e n s io nal  change  card sorting (DCCS ), latent vari able  analy s is and so  on. I n  order to  m a ke preparati ons   for the follow-up tests, we only focu s mainly on the Childre n’s G a mbling Ta sk .  The chil dre n ’ s  gambli ng task a s  a meth od is first cre a ted by Bech ara to mea s u r e the hot  executive fun c tion s. But, due to its com p lexity , the method is  simp lified and imp r oved by Kerr  and Zel a zot in two a s pe ct s. In the task, two de cks of  cards  are  used within  one  set vertical b a r  pattern s a nd  the othe r de p u ty polka  dot s. H appy a n d  sad  faces ca n be  se en o n  the both  wro n g   and rig h t sid e s of them. But what is  different  is th at the former one de ck  of cars is al wa ys  accomp anie d  by happy fa ce s which a r e occa sio nall y  coupl ed  with a  sad fa ce.  By contrast,  the   latter on e de ck  of cars h a s  two  ha ppy face s o n  the  oppo site  side s. Sometime s, there  will be  a   few  sad  fa ce s  (4, 5,  6 fa ce s et c.).  Ha ppy an d  sad  face s re present getting   candie s   or lo sing  can d ie s sepa rately. Faces numb e r i s  e qual to the  n u mbe r  of the  can d ie s. App a rently, for  e a ch   test  can  only  sele ct o n e  ca rd  ca n  we  get  only  one  can d y by  cho o si ng ve rtical -ba r  p a ttern  card s.   On the  cont rary, by ch oo sing  pol ka-d ot ca rd s we  get two  ca ndie s , re sult  in losi ng m o re   averag ely, ab out four, five,  or  six  can d ie s a r e l o st  by a si ngle fail ure.  Co nseque ntly, the vertical   cards ove r we ight the polka -dot one s in the long r un. So the researche r s tell the  children to g e t  as ma ny can d ies a s  they  can at  the  en d of the gam e (un der th e con d ition of 5 0  sele ction s   are   unkno wn by childre n in adv ance).     3.2. Emotional Model  In som e  literature s  [10] ,  on the b a si s of  the p r o bability sp ace, Emotional  cha nge   p r oc es s as  a r a nd o m  p r oc es s ,  the   s t imu li tr an s f er   pro c e s s of it  can  be  seen  as an  availa ble   descri p tion of  the hidden M a rkov model (HMM). Its form is:       ˆ ˆ ˆ ,, , , NM 0 PA B    Whe r e,  N i s  the  emotion a l dime nsi o n  is the  stim ulus types;   0 P ˆ i s  the initial   state  prob ability di stribution ve ct or; the  matrix  B is the   state   transitio n p r o bability matrix , whi c h i s  u s e d   to describe of the  stat e transition probability.  ˆ A  is the  evaluatio n v a lue ， it  c a n be  d e sc r i p t  as     follow:          * * * * * 2 * 2 * 2 * 2 * 1 * 1 * 1 * 1 ˆ ˆ ) 1 ( ˆ ˆ ˆ ˆ 1 ˆ ˆ 1 ˆ ˆ 1 ˆ ˆ ) 1 ( ˆ ˆ ˆ ˆ 1 ˆ ˆ 1 ˆ ˆ 1 ˆ ˆ ) 1 ( ˆ ˆ } ˆ { ˆ N N N N N N ij N N N a A           (1)   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Artificial Em otion Engine B enchm ark Problem  base d  on Psych o log i cal Te st Para digm  (Wan g  Yi)  4501 Whe r e,  ˆ  is an un determ i ned pa ram e ters,  * * 2 * 1 * ˆ ˆ ˆ ˆ N π  is a li miting   probability,  N M B ˆ   is ob se rvation  prob ability m a trix. Here, when M i s  e q u a l to N. Con s i derin g of  the matrix  N M B ˆ is invertible. It can be obtai ne d as:     a b b b a b b b a N B B B B ˆ ˆ ˆ ˆ 2 1                                                                                          (2)     Whe r e a, b can be expressed a s  follo w:     1 , 1 1 1 r r N b r N r a     Whe r e, r is a  tunable p a ra meter.     3.3. Benchm ark Tes t ing  Process   The chil dren' s gambli ng ta sk i s  su btra ct ed as  a Ben c hmark of the emotion mo d e l. The   partici pant s a r e note d  by a  prob ability-b a se d de script ion of the finite state ma chi ne mod e l. Each  state of the  model  rep r e s ents a  solitai re; bet w een  adja c ent  cards e dge s ext r actio n  of  ch oice   sho u ld be di spatch ed [11].  For exa m ple:  The p a rtici p ants h ad ju st  extracte d a  first de ck of  cards,  and  pl ans to   extrac t the next. A t  this  tim e , He  ha s two choi ce s to contin ue to b e  dra w n fro m  the first decks of  cards a s  well as to be diverted from anot her de puty extract.   In this model ,  if the positi on of  edge i s  given a  certain  degre e  of probability values ) 2 , 1 , ( , j i P ij  . These pro bability values ca n be cal c ulate d . Pumping thro ugh  comp re hen si ve  pre - licen sing incom e   a nd d r ew  in com e . Extracted  f r o m  a d e ck  of card s, after a  calcul ation, th ere  are fou r  optio ns. The r efo r e ,  each state o f  the set of edges i s ) 2 , 1 ( , i Deck E i .    The output is: ) 2 , 1 ( , 1 2 1 i P j ij   The deg re e is:  ) 2 , 1 ( , 2 i Deck E i   And the pro b ability value of the output fits in Probab ility  i P Initial .  S e lect  t he de ck s init i a l  prob ability is only use d  in the begi nning  of the task.   Emotional fe edba ck i s  th e de ci sion -m akin g fo r th e em otional  impa ct. Thi s  affe ct   revenu e extracted  Solitaire. Emotional  feedba ck  in  emotion a l stimulus i n ten s ity cal c ulati o n   model is:     ) 2 , 1 ( ) ( ) ( ) ( r t C t G t t I                                                                           (3)   Whe r e,  ) ( t I  is th e emotio nal  stimulus i n ten s ity;  ) ( t G  is  th e ca p i ta l pr io r to th e  dr aw  ;    1 , 0 r   is the refuse d coefficie n t , which i s  a  co nstant re pre s ented pa rticipants sensitive ;    is the stimul u s  inten s ity gain .The po sitive and neg ative emotion s  can h a ve different valu es  ,if 1  corre s po ndin g  positive affect , and if 2  Should be h e ld to negative.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 8, August 2013:  4498 –  4504   4502 Con c e r nin g  o f  the po sitive and n egative  emoti onal  sti m ulus, th e po sitive tran sfer hidde n   Markov mo d e l calculated  value s  thro ugh th e em otional  stimu l us fo rmul a, Re co rde d   as:  ]) 1 , 0 [ ) ( ( ) ( t p t p Em Em . Get po sitive em otions t h rou gh  emoti onal fe edb ack  Em p  . His t oric al   earni ng s pe r decks nee d to be cal c ul ated by ev aluat e the score s   of each of the  card s.      ) ( ) ( ) ( ) ( j j j j j j j j j lossMax losses gainMax gains lossMax losses gainMax gains score      (4)   Whe r e,  j gains  a nd  j losses  respe c ts th e num be r of  obtaine d p o si tive and  neg ative  earni ng s re spectively;  j gainsMax    and  j lossesMax  re sp ects  th e s i n g l e ma ximu m  a n d   minimum income respecti vely.      4. Experiment Proce s s   4.1. Building and Testin g  of Platform   The te st pl atform  con s titu ted of Intel   Pentium d u a l -co r e  T3 200 . The  progra mming  langu age  is  VC++6.0  an d the  rel e vant co mpilatio n  configu r ati on. On  this  basi s , the  e n tire  pro c e s s of the child g a m b ling ta sk i s  simul a ted.  This emotional  decisi on-m a kin g  process is  decrypted a s  follows [12]:  Step 1: According to the ini t ial probability  i P Initial  of a deck of cards;   Step 2: Extract of cards;   Step 3: Calcu l ate  ) ( t G  and ) ( t C ;  Step 4: Updat e ) ( t I ;  Step 5: Calcu l ate the emotional value ) ( t p Em ;  Step 6: Calcu l ate j score ;  Step 7: Calculate the probability  ij P  and no rmalize d ;    4.2. The Experimental Re sults   Based  on th e above em otion model,  firstly test  the deg ree  of versatility in orde r to  validate the   model. T h is  study a s sum e s th at 2 0   ch ildren  were  selecte d . Th e  two  sam p le s  are  sho w n in Ta b l e 1.      Table 1. Assu mptions Solit aire   Dra w s   1 2 3  4  5  6  7  8  9  10  11 12 13  14 15 16  17 18 19  20  Card1   1  1  1  1  1  -1   1  1  -1   1  1 1 1  1 1 1  -1   1 1  1  Card2   2 2 2 -4  2  2  -5  2  2  2  2  2  -6   2  2  2  -5   2  2  2              Figure 1. Emotional Chan ges  Figure 2. Selection  Cha n g e s  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Artificial Em otion Engine B enchm ark Problem  base d  on Psych o log i cal Te st Para digm  (Wan g  Yi)  4503   Figure 3. Inco me Cha nge s  Figure 4. Select Statistics      In Tabl e 1,  p o sitive n u mb er m ean s tha t  there  is a  h appy fa ce  on  the  ba ck of t he  ca rd;  negative num ber me an s a sad o ne. The  big or sm a ll of its magnitu de rep r e s e n ts the num ber of   fac e s .  This  as sumption is c o ns is tent  with t he testin g re quiremen t s of the  chil dren’ s  gambli n g   task.  The  ex perim ental  re sult i s   sho w n  in Fi gur e 1   to 4 from th e  co mpute r   si mulation  of t h e   pro c e ss of  ch ildren’ s ga mb ling task.  Figure 1 sh ows a positi v e emotional  value wi th the discrete -time variation  curve,  Positive emot ional value i s  calculated  b y  the HMM e m otion mod e l 1 , 0 Em p  , as is sho w n in   Figure 2. By  analo g  p a rtici pants in total  reven ue  ve rsu s  time, it  can b e   see n  f r om th ese two  cha r ts, with the game ta sks b e ing carried out, ch ild ren were  sin k ing in em otional feedb ack,  accumul a ting  and  en han ci ng its revenu e an d p o sitiv e  em otion s .  Figure 3  sho w s the  drawi ng  pro c e ss in dy namic time sh are, refle c ting  details the choice de cks.   Figure 4  i s   chart  of a  pro c e s s on  the   entir e  draw  STATS, It ca n be   see n  t hat the   partici pant s  more  likely to choo se  a  third  de cks,  b e ca use of th e ove r all i n come  of the  d e cks.   This  simulatio n  pro c e ss i s  coinci de s with  the real situ ation.      5.   Conclusion   This  articl e d e scrib e s som e  of the p s ychologi cal te st  paradigm  an d an  emotion a l mod e l,  and ba se d on  this model  showi ng its test Benchm a r k  issue. The ex perim ental re sults  sho w  th at  the re alisti c  simulate  in t he e n tire  ga me in th e e x perime n t of  Child re n’s  Gamblin g T a sk is   effective. The  new  evaluati on metho d   with exper im ent al paradig m  a s  the eval uati on sta nda rd  of  model s is ad opted suitabl y.      Acknowl e dg emen ts   Than ks fo r the financi a l su pport s  from f und of the project s  as follo ws:    1) The " N atio nal Natu ral S c ien c e fou n d a tion of Chin a" (No. 61 170 117).   2) The " N atio nal 973 Program of  China"  (No.2 011 CB5 0540 2).   3) The " C oop eration Proje c t of Prov inci al Ministry" (No.20 11A09 0 2000 08).   4) The "Maj or proje c ts of n a tional sc ie nce and technol ogy" (No. 20 1 0 ZX071 02-00 6).       Referen ces   [1]    Bing W ,  Xia o li  W .  Perceptio n Ne ural  Net w orks for Active Noise  Control S y stems.  TEL K OMNIKA  Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2012; 1 0 (7): 1 815- 182 2.   [2]    Orton y  A, Cl or e G L,  Co lli ns  A. T he cogn itiv e st ructure  of  e m otions.  UK: C a mbrid g e  U n iv ersit y  Press,   198 8.  [3]   Brea z e a l  C.  Emoti on an d socia b le   hu ma noi d  ro bot s. Internati o n a l J ourn a l of  Hu ma n-Co mpute r   Studies . 20 03;  59(1- 2): 119-1 55.   [4]    W e i Z hehu a. Artificial ps yc hol og y theor y res earch  of the e m otion a l rob o t. Beiji ng Un iver sit y  of Scie n c e   and T e chno log y . 20 02   [5]    T eng less  w i nt er. Artificia l  em otion  mod e l  us ed  in  pers ona l  rob o ts. Bei jin g  Univ ersit y   of  Scienc e a n d   T e chnolog y. 2 00.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 8, August 2013:  4498 –  4504   4504 [6]    Che n  Dez h i, S hao Y i n, W a n g  T ao. Edd y  c u rrent   testing of steam  ge ner at or tubes B enc hmark mo de l   numeric al ca lc ulati on. No nde struct ive T e sting. 2000; 2 2 (10) : 435-43 8.  [7]    W ang L i n g . Intelli ge nt Optimi zation A l g o rith m and Its Ap pl icatio n. Beij in g: T s inghua  Univ ersit y   Press .   200 3.  [8]    UC Irvine Mac h in e Le arni ng  Rep o sito r y  [OL]. Http://arc hive .ics.uci.edu/ml/   [9]   Ps y c h o l ogic a l  Exp e rim ent s [OL]. Http:/ / w ww . c npsy . net.   [10]    Sutikno T ,  F a cta M. Brain Em otio n a l  Lear nin g  Base d Intel l i gent C ontro ller .   T E LKOMNIKA Indon esi a n   Journ a l of Elec trical Eng i ne eri n g . 9(2): 20 1-2 02.   [11]    W ang L i an g. Benchm ark  Su mmar y   of Performanc e T e st.  Co mput er En gin eeri ng a nd  Appl icatio ns .  200 6; (15): 45- 48.   [12]    Xi an G, Z eng  B, Yun Q, et al. Non-S peci f ic  Person C o ntinu ous Sp ee ch  Identific atio n in Sec o n d   Lan gu age us in g BPR.  T E LKOMNIKA Indon e s ian Jo urn a l of  Electrical En gi neer ing . 2 012;  10(7): 16 04- 160 9.          Evaluation Warning : The document was created with Spire.PDF for Python.