隨著社會(huì)的高速發(fā)展,當(dāng)今的人機(jī)交互方式已經(jīng)不滿足于鼠標(biāo)鍵盤這種純邏輯交互方式來使機(jī)器理解和接受人的指令。我們更希望機(jī)器能像人一樣去理解各種情感特征并作出相應(yīng)的反應(yīng),這就要求為機(jī)器加入情感識(shí)別功能。目前,單模態(tài)的情感識(shí)別或單一生物信號(hào)的融合情感識(shí)別都已經(jīng)取得了很大的進(jìn)步。如單模態(tài)的皮膚電情感識(shí)別或融合皮膚電、脈搏、腦電等的情感識(shí)別都已經(jīng)取得重大的成果。但是作為不同類型的情感識(shí)別融合還鮮有人關(guān)注。其中文本信息作為人類最常用的交流手段之一,其本身蘊(yùn)藏著豐富的情感資源,但是通過文本信息識(shí)別情感有著天然的缺陷,它主觀性強(qiáng),往往人們可以隱藏自己的情緒。皮膚電信號(hào)作為生理參數(shù)只受自主神經(jīng)系統(tǒng)和內(nèi)分泌系統(tǒng)的分配,不受人的主觀控制,這樣就防止了人為的“作假”,而且它相比其他生理參數(shù)更易于采集。本文提出的雙模態(tài)情感識(shí)別是將文本信息與皮膚電信號(hào)進(jìn)行融合,雙模態(tài)融合的情感識(shí)別本身就豐富了情感信息,再加上來源不同類型的情感信號(hào)很好的彌補(bǔ)了同一生物信號(hào)融合的局限性,大大提高了情感識(shí)別的準(zhǔn)確率。首先對(duì)文本信息進(jìn)行預(yù)處理,包括規(guī)范編碼、去噪、分詞和詞性標(biāo)注、語法分析,然后對(duì)其進(jìn)行特征提取就。其次,利用體感傳感器采集實(shí)驗(yàn)人的皮膚電參數(shù),建立生理信號(hào)數(shù)據(jù)庫,然后對(duì)采集到的皮膚電參數(shù)進(jìn)行去噪處理,提取28個(gè)統(tǒng)計(jì)特征值,將數(shù)據(jù)進(jìn)行歸一化處理。然后通過對(duì)皮膚電特征參數(shù)和文本信息的情感關(guān)鍵詞特征參數(shù)提取并對(duì)其進(jìn)行優(yōu)化,分別設(shè)計(jì)支持向量機(jī)算法和遺傳算法優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)算法作為單個(gè)模態(tài)的情感分類器。最后準(zhǔn)備好雙模態(tài)情感識(shí)別實(shí)驗(yàn)下需要的樣本數(shù)據(jù)和數(shù)據(jù)庫,利用排序式選舉算法優(yōu)化的高斯混合模型對(duì)判決層進(jìn)行加權(quán)融合,完成測(cè)試并與兩個(gè)單模態(tài)情感識(shí)別進(jìn)行比較。實(shí)驗(yàn)表明,情感識(shí)別的準(zhǔn)確率顯著提高。
【學(xué)位單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R318;TN911.7
【部分圖文】：

圖 3.1 SVM 原理圖個(gè)超平面之間的距離，于是最大化類間間距的問題就在滿足小的問題了。SVM 的訓(xùn)練問題就可以用如下公式表示，對(duì)在滿足式子(3-16)的條件下，找出 w 和 b 的最優(yōu)解。2|| ||w) 1 0b ， i 1, 2,...,N 拉格朗日乘法解出該問題。但是在日常生活中，我們面對(duì)的復(fù)雜的多，很難滿足式子(3.17)，為此我們引入松弛變量E 變成如下樣式：211|| ||2Niiw + C

圖 4.3 人工神經(jīng)元模型na 為從其他神經(jīng)元傳遞來的輸入信號(hào)，ijw 為權(quán)重值，即加權(quán)系外部輸入信號(hào)有關(guān)系還與神經(jīng)元內(nèi)部其他因素有關(guān)系，我們這里元的模型中額外加入一個(gè)輸入信號(hào)，我們稱之為閾值，也叫偏差j i x )激活函數(shù)也叫轉(zhuǎn)移函數(shù)，net 稱為凈激活。如果將偏差值 看成的權(quán)重0 jw ，那么公式可以簡(jiǎn)化為：j i x

碩士研究生學(xué)位論文 第四章 基于神經(jīng)網(wǎng)絡(luò)的皮膚電信號(hào)的情較，輸出結(jié)果如果與預(yù)期結(jié)果不符，則需要調(diào)整權(quán)值直到相符合為止。無許多，它直接交給網(wǎng)絡(luò)系統(tǒng)自己調(diào)整，內(nèi)部系統(tǒng)和學(xué)習(xí)規(guī)則隨著系統(tǒng)的形神經(jīng)網(wǎng)絡(luò)算法多種多樣，常用的神經(jīng)網(wǎng)絡(luò)有： BP 網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)P 神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛，因?yàn)槠渚哂袡C(jī)構(gòu)簡(jiǎn)單易用、眾多的參數(shù)可調(diào)整、作性強(qiáng)等特點(diǎn)。它是一種多層前饋的神經(jīng)網(wǎng)絡(luò)，據(jù)研究統(tǒng)計(jì)，在研究中采用它變形后的算法達(dá)到驚人的 90%多，所以本文也已 BP 神經(jīng)網(wǎng)絡(luò)算法為對(duì)的 BP 神經(jīng)網(wǎng)絡(luò)一個(gè)三層前饋網(wǎng)絡(luò)，它包含輸入、隱含和輸出三層。如圖 4.4
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡冬妮;王武軍;王青;;基于知網(wǎng)數(shù)據(jù)的情感識(shí)別國內(nèi)研究情況綜述[J];網(wǎng)絡(luò)新媒體技術(shù);2018年06期

2 韓志艷;王健;;基于模糊核聚類的多模式情感識(shí)別算法研究[J];電子設(shè)計(jì)工程;2016年20期

3 陳曉鷗;楊德順;;音樂情感識(shí)別研究進(jìn)展[J];復(fù)旦學(xué)報(bào)(自然科學(xué)版);2017年02期

4 潘瑩;;情感識(shí)別綜述[J];電腦知識(shí)與技術(shù);2018年08期

5 金磊;高梓瀚;馮琛;;情感識(shí)別算法應(yīng)用現(xiàn)狀及發(fā)展趨勢(shì)研究[J];電子世界;2019年15期

6 李超;趙文萍;趙子平;;多視角判別分析的情感識(shí)別[J];信號(hào)處理;2018年08期

7 張力行;葉寧;黃海平;王汝傳;;基于皮膚電信號(hào)與文本信息的雙模態(tài)情感識(shí)別系統(tǒng)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2018年11期

8 吳琨;王漢友;;情感化設(shè)計(jì)與品牌情感識(shí)別[J];時(shí)代人物;2008年11期

9 余梓彤;李曉白;趙國英;;情感識(shí)別與教育[J];人工智能;2019年03期

10 劉曉東;王淼;李松陽;;一種基于行為上下文的視頻情感識(shí)別方法[J];微電子學(xué)與計(jì)算機(jī);2019年05期

相關(guān)博士學(xué)位論文 前10條

1 許峰;基于深度學(xué)習(xí)的網(wǎng)絡(luò)輿情識(shí)別研究[D];北京郵電大學(xué);2019年

2 魏薇;基于加權(quán)融合策略的情感識(shí)別建模方法研究[D];北京郵電大學(xué);2019年

3 李超;多模態(tài)生理信號(hào)情感識(shí)別研究[D];天津大學(xué);2017年

4 林奕琳;基于語音信號(hào)的情感識(shí)別研究[D];華南理工大學(xué);2006年

5 程靜;基本情感生理信號(hào)的非線性特征提取研究[D];西南大學(xué);2015年

6 劉英杰;網(wǎng)絡(luò)輿情的信息情感維度空間構(gòu)建和信息情感元識(shí)別研究[D];吉林大學(xué);2017年

7 朱亞忱;基于特權(quán)信息的情感識(shí)別[D];中國科學(xué)技術(shù)大學(xué);2015年

8 王金偉;基于表情時(shí)空特征的認(rèn)知情感狀態(tài)識(shí)別研究[D];天津大學(xué);2014年

9 張石清;基于語音和人臉的情感識(shí)別研究[D];電子科技大學(xué);2012年

10 韓文靜;語音情感識(shí)別關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 吳瑩;多生理信號(hào)的情感識(shí)別研究[D];哈爾濱工業(yè)大學(xué);2019年

2 張京儒;基于深度學(xué)習(xí)和腦機(jī)接口的服務(wù)機(jī)器人情感識(shí)別方法研究[D];華南理工大學(xué);2019年

3 郭迪;基于深度學(xué)習(xí)的表情和姿態(tài)雙模態(tài)情感識(shí)別[D];南京郵電大學(xué);2019年

4 謝橋;基于多尺度分析和集成樹模型的腦電情感識(shí)別方法研究及系統(tǒng)設(shè)計(jì)[D];中國地質(zhì)大學(xué);2019年

5 張力行;基于皮膚電信號(hào)與文本信息的雙模態(tài)情感識(shí)別方法研究[D];南京郵電大學(xué);2019年

6 郭金良;基于稀疏組lasso-granger因果關(guān)系特征的EEG情感識(shí)別[D];合肥工業(yè)大學(xué);2019年

7 鞠思航;基于腦電和生理信號(hào)的多模態(tài)情感分類方法研究[D];合肥工業(yè)大學(xué);2019年

8 趙文萍;基于生理信號(hào)多模態(tài)情感識(shí)別研究[D];天津師范大學(xué);2019年

9 汪陽;基于多模態(tài)眼動(dòng)信息的情感識(shí)別算法及應(yīng)用研究[D];安徽大學(xué);2019年

10 李文超;基于獨(dú)立分量分析的腦電情感識(shí)別算法研究[D];安徽大學(xué);2019年

本文編號(hào)：2880594