基于GMM的增量式情感映射

为有效地获得用户的真实情感状态,促进和谐的人机交互体验.结合AVS情感空间和大五人格理论,提出一种基于高斯混合模型的增量式情感映射模型.首先,在AVS情感空间的3种属性(A,V,S)坐标轴上,利用高斯混合模型对情感类型进行依次建模,计算情感概率值及其空间分布;其次,针对用户的个体差异性,采用层次分析法研究人格五因素与情感属性之间的关联,获得用户的个性化认知参数,实现具有个性化认知的情感映射结果;之后,采用增量式学习方法对情感类型的分布空间进行实时修正,保证情感分类的高准确率.最后,实验结果验证了该方法的情感映射结果与用户的真实情感状态具有高度一致性,并有较好的自适应性.     

从低层次到高层次表示的情感模型研究

情感模型的建立可以使计算机具备基本的情感识别和表达能力,在和谐人机交互方面有着广泛的应用。文中借助于Picard教授关于情感计算的理论,将线性系统理论和数字信号处理方法应用到情感信号与系统建模上,用信号很好地表示了人类的内在情感和情绪,并通过MATLAB仿真实验分析证明了模型的正确性。最后结合情感的高层次认知推理机制,将情感模型应用到情感虚拟人当中,形象地实现了情感对人脸表情变化的控制。     

PAD情感空间内人工情感建模及人机交互实验

针对未来仿人机器人与人类长期共存将会带来的机器人对人的心理影响以及个性化匹配问题,在PAD(Pleasure、Arousal、Dominance)三维情感空间内,建立一种更具普遍性的人工情感计算模型.人工情感模型总体框架分为外部事件检测及处理、情绪响应向量生成及修正和情绪离散化三部分.提出一种有效的外界刺激三维标注方法;建立可对外界刺激进行自主情绪响应的情感计算模型,并将性格和心情模型引入其中,实现个性化的情绪响应;提出一种情绪响应向量离散化方法,并在具体情绪种类的基础上建立情绪强度计算式;根据情感模型所产生的情绪种类及强度,建立机器人的表情合成及语音回答模型,在HF robot-III型仿人头像机器人平台上进行人-机器人情感交互实验.语音对话和表情状态迁移实验结果表明:所建立的人工情感模型可针对外界刺激自主地产生个性化情绪响应,有效模拟人类情绪的变化过程.     

基于邻居相似现象的情感说话人识别

根据语音学的研究,提出中性时发音相似的说话人,在情感状态下的发音人相似的假设--邻居相似现象,并通过定量和定性的分析验证了该假设,即在音素内容相同的情况下,同一说话人的中性模型和情感模型对应高斯分量的“邻居”基本类似.为了解决说话人情感变化时语音短时特征的分布与中性语音模型存在差异的问题,提出说话人情感模型合成的方法--将开发库中学习到的中性 情感变化规律移植到评测库中,根据说话人的中性模型合成出情感模型.从邻居相似现象的特性出发,根据KL距离选取该说话人中性下若干相似的邻居,根据基于邻居的方法和基于邻居变换的方法,合成出该说话人的情感模型.MASC库上的实验结果表明,该方法的识别准确率比传统的GMM-UBM算法提高了2.81%,与情感属性映射（EAP）方法相比识别率提高了1.3%.     

音乐情感的语言值计算模型研究

基于音乐情感的心理模糊量的言词研究成果——Hevner情感环模型，提出了一种音乐情感的语言值计算模型。该模型利用八维语言值向量来表示音乐情感，并定义了任意两首乐曲之间的情感相似性度量。本文还通过语义认知实验建立了由基本语言值集构成的情感心理空间。结合情感化音乐检索和多专家决策的需要，本文基于音乐情感向量的代数和逻辑运算法则实现了多源情感信息的融合，实例表明该融合方法符合音乐情感认知的心理模式。     

音乐情感的语言值计算模型研究

基于音乐情感的心理模糊量的言词研究成果——Hevner情感环模型，提出了一种音乐情感的语言值计算模型。该模型利用八维语言值向量来表示音乐情感，并定义了任意两首乐曲之间的情感相似性度量。本文还通过语义认知实验建立了由基本语言值集构成的情感心理空间。结合情感化音乐检索和多专家决策的需要，本文基于音乐情感向量的代数和逻辑运算法则实现了多源情感信息的融合，实例表明该融合方法符合音乐情感认知的心理模式。     

涉及情感与语义的多特征图像检索

借助用户情感模型、因子分析、情感计算等方法,收集和分析用户评价图像的情感数据,建立情感空间.对图像数据库的图片,采用图像的多种底层特征提取的方法来增强对图像感性特征的过滤和约束.基于SVM的情感注释建立图像的低层特征空间到用户的高层情感空间的联系,记忆用户的情感,自动注释用户未曾评价过的图像,实现了与图像的情感语义相关的多特征检索系统.实验表明,涉及情感的多特征图像检索结果,其图像的内容特征与用户情感检索意图在很大程度上是匹配的,避免了单一特征不顾及用户情感的图像检索无法过滤不期望的结果出现的缺点.     

嵌入注意力机制并结合层级上下文的语音情感识别

由于情感语料问题、情感与声学特征之间关联问题、语音情感识别建模问题等因素,语音情感识别一直充满挑战性.针对传统基于上下文的语音情感识别系统仅局限于特征层造成标签层上下文细节丢失以及两层级差异性被忽略的缺陷,本文提出嵌入注意力机制并结合层级上下文学习的双向长短时记忆(BLSTM)网络模型.模型分3个阶段完成语音情感识别任务,第1阶段提取情感语音特征全集后采用SVM-RFE特征排序算法降维得到最优特征子集,并对其进行注意力加权;第2阶段将加权后的特征子集输入BLSTM网络学习特征层上下文获得最初情感预测结果;第3阶段利用情感标签值对另一独立BLSTM网络训练学习标签层上下文信息并据此在第2阶段输出结果基础上完成最终预测.模型嵌入注意力机制使其自动学习调整对输入特征子集的关注度,引入标签层上下文使其联合特征层上下文实现层级上下文信息融合提高鲁棒性,提升了模型对情感语音的建模能力,在SEMAINE和RECOLA数据集上实验结果表明:与基线模型相比RMSE和CCC均得到较好改善.     

基于生理信号的观众情感状态识别模型

为研究电影情节与观众生理信号变化的关系,提出基于生理信号的观众情感状态识别模型,从观众生理信号中提取特征,采用顺序前进法（SFS）进行特征选择,并基于支持向量机（SVM）建立观众情感状态识别模型.实验选择了不同类型的3部影片,共11名人员参加,在电影播放时拍摄观众表情并记录其生理信号,基于表情人工标注其情感状态.实验结果表明：该模型对各情感状态的区分较理想,平均识别率在90%以上.     

面向对象建模方法在性能建模中的应用研究

为了有效地建立复杂系统的性能模型,提出了基于POOSL的面向对象建模方法,将建模过程划分为面向对象的系统分析、模型设计及模型实现3个阶段.在模型实现过程中,运用了UML的状态图、顺序图和类图对系统进行抽象描述.基于面向对象建模方法,建立了IEEE 802.11MAC协议的POOSL性能模型,仿真分析了ad hoc网络中活跃站点数和最小竞争窗口等参数对有效吞吐量和平均延时等性能指标的影响.仿真结果表明,面向对象建模方法能有效应用于复杂系统的性能建模.     

EFSM可执行状态验证序列的生成

在以扩展有限状态机(EFSM)为模型描述的协议一致性测试系统中，为了解决状态验证序列的可执行性问题，提出了一种新的可执行状态验证序列(ESIS)生成算法。新算法基于宽度优先搜索可执行分析树(EAT)的思想，从状态验证需求的角度，在EFSM的状态格局投影子空间中，采用分步计算的方式生成具体验证场景下的最短可执行状态验证序列，从而减少了在完全状态格局空间中单步计算所有状态验证序列的复杂性。实验结果表明了新算法对生成EFSM可执行状态验证序列是有效的。     

面向全迁移的小规模EFSM测试序列集生成方法

针对在扩展有限状态机（extended finite state machine, EFSM）模型上测试序列集生成效率低、规模大等问题,提出了一种面向全迁移的小规模测试序列集生成方法。该方法基于改进的自适应多种群遗传算法（improved adaptive multi-population genetic algorithm, IAMGA）。首先,利用迁移覆盖增益设计适应度函数,使每次生成的可行迁移路径均能产生迁移覆盖增益;然后,根据个体的可行迁移划分子种群,并在子种群内使用轮盘赌算法进行选择,克服了“早熟”问题,提高了全迁移覆盖的成功率;再利用种群的平均路径通过率自适应地调整交叉和变异概率,加快了收敛速度;最后,通过倒序遍历测试序列集去除冗余序列,进一步压缩了测试序列集规模。实验结果表明,与面向单迁移的测试序列生成方法相比,本文所提出的测试序列生成方法面向全迁移,仅一次就能以90%以上的成功率生成满足全迁移覆盖的测试序列集；与传统的遗传算法相比,IAMGA算法生成的测试序列集的平均规模减少了50%,平均迭代次数也减少了20%。本文提出的测试序列集生成方法可有效提高EFSM测试序列集生成的效率和质量。     

注意-情绪协调的个性化信息推荐模型

在分析注意、情绪及两者关系的基础上，提出了注意-情绪协调模型，并以情绪唤醒选择性注意. 在北京旅游信息推送服务中，综合考察用户的注意、情绪和信息的语义特征，提出了注意-情绪协调的个性化信息推荐模型. 通过在推荐模型中加入情感风格，整合信息资源，使信息呈现方式适应用户的注意选择性特征，为个性化信息服务和新型人机交互提出了一种新思路。     

基于HMM和PNN的语音情感识别研究

语音情感识别是从语音的角度赋予计算机理解情感特征的能力,最终使计算机能像人一样进行自然、亲切和生动的交互。提出了一种融合隐马尔科夫模型（hidden markov model,HMM）和概率神经网络（probabilistic neural network,PNN）的语音情感识别方法。在所设计情感识别系统中,提取出基本的韵律参数和频谱参数,利用PNN处理声学参数的统计特征,利用HMM处理声学参数的时序特征,运用加法规则和乘法规则融合了统计特征和时序特征的识别结果。实验结果显示,所提出的算法在语音情感识别中具有有效的识别能力。     

Artificial emotional model based on finite state machine

According to the basic emotional theory, the artificial emotional model based on the finite state machine（FSM） was presented. In finite state machine model of emotion, the emotional space included the basic emotional space and the multiple emotional spaces. The emotion-switching diagram was defined and transition fimction was developed using Markov chain and linear interpolation algorithm. The simulation model was built using Stateflow toolbox and Simulink toolbox based on the Matlab platform. And the model included three subsystems： the input one, the emotion one and the behavior one. In the emotional subsystem, the responses of different personalities to the external stimuli were described by defining personal space. This model takes states from an emotional space and updates its state depending on its current state and a state of its input （also a state-emotion）. The simulation model realizes the process of switching the emotion from the neutral state to other basic emotions. The simulation result is proved to correspond to emotion-switching law of human beings.     

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.     

基于多元回归分析建立职业套装造型要素与用户情感模型

利用多元线性回归分析法建立职业套装造型要素与用户情感(\"惊喜\"、\"喜欢\"、\"渴望拥有\")线性回归模型.分析了两者之间的关系,得到了影响用户情感的主要造型要素,使设计师在职业套装情感设计时,可准确地把握主要的造型要素.用语意差异法对测试样本进行用户情感调查,并将调查所得实际值与模型预测值对照比较,其均方误差较小.结果显示,所建的回归模型能很好地拟合造型要素与用户情感间的关系,可用于对职业套装设计方案进行用户情感评价.