随着大数据、物联网和云计算技术的发展,日益积累的海量数据和不断增强的计算能力,使人工智能摆脱了数据量小、计算性能差的条件限制,并在计算机视觉、自然语言处理、汽车自动驾驶等众多领域取得了前所未有的成功。然而,随着人们对更高级人工智能需求的增加,传统的“智商”型人工智能逐渐暴露出开放式场景兼容性差、多智能协作能力弱、感性思维缺失等不足。因而如何实现一种“情商”型的强人工智能成为了未来人工智能领域中重要的研究内容。现阶段,对“情商”型人工智能的研究仍面临诸多挑战。首先,基于传统智能节点难以进行有效的智能协作,并且组网机制的缺失造成多智能体网络的可行性难以保障;其次,情感数据的“瞬时——过程二象性”特征导致现有数据处理技术难以对其保持理想的分析和预测性能;再次,当前集中训练、模式单一的智能范式难以有效地进行高维、个体差异化明显的情感计算;最后,由于情感动力机制缺失而导致的黑盒式智能模型不可控性过高,稳定性难以保证。针对以上问题,本文围绕情商网络相关模型及算法展开研究。首先提出一种类人类社会网络的情商网络群体智能架构。在该架构的基础上,利用随机脉冲理论、忆阶神经元网络理论、隐马尔科夫模型和范德波尔振子理论,对情商网络的系统宏观规则制定、情感记忆处理、情感计算和情感控制等问题展开深入研究,主要研究工作包括:(1)提出一种情商网络系统情感随机脉冲模型,基于基础情感之间的转移实现对情商网络系统情感的预测,通过增加脉冲信号将系统情感控制在稳定运行空间内。基于此模型,提出一种系统情感脉冲规则确定算法,实现情商网络宏观规则的制定,通过持久性和全局吸引性分析,证明运行在该规则下的情商网络能够实现有效的可行性保障。(2)提出一种忆阶神经元网络模型,通过在人工神经元中增加连续化记忆开关实现忆阶神经元的记忆跃迁机制,从而能够对情感瞬时数据和时间序列数据进行自动的转换处理。对忆阶神经元进行组网,并且提出忆阶神经元网络的学习算法。经过该算法训练的忆阶神经元网络能够实现对长时间情感记忆数据的精确分析与预测。(3)提出一种仿杏仁核的情商网络情感计算框架,通过对情商节点表征状态的观测实现情商网络的机器情感计算。通过模仿人脑杏仁核的情感机制,首先基于修剪和哈希技巧对卷积神经网络进行压缩,实现对外部应急情感的加速识别。然后通过增加时间池化层实现更深层次的忆阶神经元网络,用于对外部过程情感的加速识别。最后基于外部情感的识别结果,建立性格化的颅内情感隐马尔可夫模型实现情商网络个性化情感计算。(4)提出一种情商网络的范德波尔情感动力学模型,将情感波动的恢复力非线性化,并分别在自治情形和随机激励情形下对模型进行了求解以及稳态响应分析。根据情感状态的运行轨道对情感系统的四种健康状态进行了定义。在该动力学模型的基础上,提出了情商节点情感的稳定反馈控制算法,以保证情商网络中各情商节点的稳定运行。