人工智能的出現(xiàn)讓生活變得高效且便捷,人們也因此開(kāi)始意識(shí)到人機(jī)交互的重要性。情感是人類生活中必不可少的元素,但由于機(jī)器無(wú)法像人類一樣感知情感,在很多情況下機(jī)器無(wú)法真正的融入人類生活,并且對(duì)人類造成了負(fù)擔(dān)與傷害。因此,計(jì)算機(jī)情感計(jì)算尤為重要。在情感計(jì)算中,人們將其分為離散情感計(jì)算和連續(xù)維度情感計(jì)算。離散情感僅僅包含了幾類情感,而連續(xù)維度情感則是通過(guò)多維度的方式表現(xiàn)全部情感狀態(tài)。本文通過(guò)利用多模態(tài)信號(hào)預(yù)測(cè)連續(xù)維度情感,針對(duì)于不同模態(tài)間的相互關(guān)系與單一模態(tài)的特性,提出了組合型回歸網(wǎng)絡(luò)(W-SVR-GBRT),提高預(yù)測(cè)的準(zhǔn)確性。本文也關(guān)注到模態(tài)間存在的負(fù)面影響,提出了一種新型模態(tài)間融合策略,即模糊加權(quán)在線支持向量回歸模型(FWOSVR),從而解決了模態(tài)內(nèi)異常情感幀的問(wèn)題。本文主要研究?jī)?nèi)容有以下幾點(diǎn)。1.本文首先從人類情感的復(fù)雜性與模糊性角度分析連續(xù)維度情感空間與離散情感的差異性。通過(guò)對(duì)聽(tīng)覺(jué)模態(tài)與視覺(jué)模態(tài)的分析,明確了哪些特征能夠充分地表達(dá)連續(xù)維度情感,分別提取相關(guān)情感特征,使用主成分分析融合了淺層特征和深層特征并達(dá)到降維效果,從而提高對(duì)情感的表達(dá)效果,并分析維度對(duì)全局特征的影響,選取最優(yōu)維度。2...

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀及難點(diǎn)分析
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 研究難點(diǎn)分析
    1.3 本文主要研究?jī)?nèi)容及結(jié)構(gòu)安排
        1.3.1 本文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)
        1.3.2 本文結(jié)構(gòu)安排
第二章 基于音頻的連續(xù)維度情感識(shí)別研究
    2.1 音頻信號(hào)預(yù)處理
    2.2 音頻情感特征提取
    2.3 基于音頻的連續(xù)維度情感預(yù)測(cè)方法研究
        2.3.1 音頻連續(xù)維度情感分析模型概述
        2.3.2 支持向量回歸模型原理
    2.4 情感數(shù)據(jù)集以及評(píng)價(jià)指標(biāo)
        2.4.1 維度情感數(shù)據(jù)庫(kù)簡(jiǎn)介
        2.4.2 本文使用的數(shù)據(jù)庫(kù)
        2.4.3 情感識(shí)別評(píng)價(jià)準(zhǔn)則
    2.5 音頻模態(tài)情感預(yù)測(cè)實(shí)驗(yàn)結(jié)果與分析
    2.6 本章小結(jié)
第三章 基于視頻的連續(xù)維度情感識(shí)別方法研究
    3.1 視頻預(yù)處理
    3.2 視頻部分情感特征提取
        3.2.1 顏色特征
        3.2.2 紋理特征
        3.2.3 顏色和紋理聯(lián)合特征
    3.3 基于視頻的連續(xù)維度情感預(yù)測(cè)方法研究
        3.3.1 決策樹(shù)
        3.3.2 提升樹(shù)
        3.3.3 梯度提升回歸樹(shù)(GBRT)
    3.4 實(shí)驗(yàn)結(jié)果
        3.4.1 融合不同視頻特征預(yù)測(cè)結(jié)果比較
        3.4.2 視頻模態(tài)多模型情感預(yù)測(cè)結(jié)果與分析
    3.5 本章小結(jié)
第四章 連續(xù)維度情感預(yù)測(cè)模型建立
    4.1 多模態(tài)情感識(shí)別流程
    4.2 多模態(tài)連續(xù)維度情感預(yù)測(cè)模型原理
    4.3 多模態(tài)情感識(shí)別融合方法研究
        4.3.1 基于PCA的特征級(jí)融合方法介紹
        4.3.2 基于改進(jìn)線性回歸的決策級(jí)融合方法介紹
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 PCA降維后效果展示
        4.4.2 多模態(tài)與情感空間的關(guān)系比較
        4.4.3 決策級(jí)融合方法比較
    4.5 本章小結(jié)
第五章 基于異常點(diǎn)的多模態(tài)情感融合
    5.1 多模態(tài)離群點(diǎn)分析
    5.2 基于改進(jìn)融合方法的消除離群點(diǎn)研究
        5.2.1 模糊理論
        5.2.2 模糊加權(quán)支持向量回歸算法
    5.3 實(shí)驗(yàn)分析及比較
        5.3.1 單模態(tài)與融合模態(tài)預(yù)測(cè)效果比較與分析
        5.3.2 FWOSVR與 SVR算法比較與分析
        5.3.3 建立W-SVR-GBRT模型后的融合結(jié)果比較
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3769169