隨著社會的高速發(fā)展,當今的人機交互方式已經(jīng)不滿足于鼠標鍵盤這種純邏輯交互方式來使機器理解和接受人的指令。我們更希望機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),這就要求為機器加入情感識別功能。目前,單模態(tài)的情感識別或單一生物信號的融合情感識別都已經(jīng)取得了很大的進步。如單模態(tài)的皮膚電情感識別或融合皮膚電、脈搏、腦電等的情感識別都已經(jīng)取得重大的成果。但是作為不同類型的情感識別融合還鮮有人關(guān)注。其中文本信息作為人類最常用的交流手段之一,其本身蘊藏著豐富的情感資源,但是通過文本信息識別情感有著天然的缺陷,它主觀性強,往往人們可以隱藏自己的情緒。皮膚電信號作為生理參數(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)情感識別是將文本信息與皮膚電信號進行融合,雙模態(tài)融合的情感識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很好的彌補了同一生物信號融合的局限性,大大提高了情感識別的準確率。首先對文本信息進行預(yù)處理,包括規(guī)范編碼、去噪、分詞和詞性標注、語法分析,然后對其進行特征提取就。其次,利用體感傳感器采集實驗人的皮膚電參數(shù),建立生理信號數(shù)據(jù)庫,然后對采集到的皮膚電參數(shù)進行去噪處理,提取28個統(tǒng)計特征值,將數(shù)據(jù)進行歸一化處理。然后通過對皮膚電特征參數(shù)和文本信息的情感關(guān)鍵詞特征參數(shù)提取并對其進行優(yōu)化,分別設(shè)計支持向量機算法和遺傳算法優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)算法作為單個模態(tài)的情感分類器。最后準備好雙模態(tài)情感識別實驗下需要的樣本數(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判決層進行加權(quán)融合,完成測試并與兩個單模態(tài)情感識別進行比較。實驗表明,情感識別的準確率顯著提高。
【學位單位】：南京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：R318;TN911.7
【部分圖文】：

圖 3.1 SVM 原理圖個超平面之間的距離，于是最大化類間間距的問題就在滿足小的問題了。SVM 的訓練問題就可以用如下公式表示，對在滿足式子(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，我們面對的復雜的多，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，ijw 為權(quán)重值，即加權(quán)系外部輸入信號有關(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輸入信號，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 ，那么公式可以簡化為：j i x

碩士研究生學位論文 第四章 基于神經(jīng)網(wǎng)絡(luò)的皮膚電信號的情較，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)和學習規(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，因為其具有機構(gòu)簡單易用、眾多的參數(shù)可調(diào)整、作性強等特點。它是一種多層前饋的神經(jīng)網(wǎng)絡(luò)，據(jù)研究統(tǒng)計，在研究中采用它變形后的算法達到驚人的 90%多，所以本文也已 BP 神經(jīng)網(wǎng)絡(luò)算法為對的 BP 神經(jīng)網(wǎng)絡(luò)一個三層前饋網(wǎng)絡(luò)，它包含輸入、隱含和輸出三層。如圖 4.4
【相似文獻】

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別算法研究[J];電子設(shè)計工程;2016年20期

3 陳曉鷗;楊德順;;音樂情感識別研究進展[J];復旦學報(自然科學版);2017年02期

4 潘瑩;;情感識別綜述[J];電腦知識與技術(shù);2018年08期

5 金磊;高梓瀚;馮琛;;情感識別算法應(yīng)用現(xiàn)狀及發(fā)展趨勢研究[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別[J];信號處理;2018年08期

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

8 吳琨;王漢友;;情感化設(shè)計與品牌情感識別[J];時代人物;2008年11期

9 余梓彤;李曉白;趙國英;;情感識別與教育[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別方法[J];微電子學與計算機;2019年05期

相關(guān)博士學位論文 前10條

1 許峰;基于深度學習的網(wǎng)絡(luò)輿情識別研究[D];北京郵電大學;2019年

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

3 李超;多模態(tài)生理信號情感識別研究[D];天津大學;2017年

4 林奕琳;基于語音信號的情感識別研究[D];華南理工大學;2006年

5 程靜;基本情感生理信號的非線性特征提取研究[D];西南大學;2015年

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

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

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

9 張石清;基于語音和人臉的情感識別研究[D];電子科技大學;2012年

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

相關(guān)碩士學位論文 前10條

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

2 張京儒;基于深度學習和腦機接口的服務(wù)機器人情感識別方法研究[D];華南理工大學;2019年

3 郭迪;基于深度學習的表情和姿態(tài)雙模態(tài)情感識別[D];南京郵電大學;2019年

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

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

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

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

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

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

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

本文編號：2880594