可调参数遗传算法的情感特征选择研究

将情感识别中的特征选择看成组合优化问题,从四种生理信号EMG、ECG、RSP、SC中抽取统计特征,将参数可调的遗传算法和K-近邻算法相结合尝试找出最能"代表"某一情感状态joy、anger、sadness、pleasure的最优情感特征组合模式.仿真表明,该方法是有效的.     

随机森林算法在肌电的重要特征选择中的应用

在肌电信号的情感识别问题中,如何从高维特征中找出起关键作用的特征,一直是情感识别的难题。使用随机森林算法,并依照其对特征的评价准则,来计算肌电信号的126个初始特征在不同情感模式分类中的贡献度。依照每个特征的重要程度,优先组合贡献度大的特征并将其用于情感的分类。实验数据验证了该方法的有效性。     

基于SVM的酒店客户评论情感分析

通过增加情感词典种类提高系统对网络词汇、表情符号进行分词和情感分析的准确性;以某酒店的客户评论为原始数据,提取正负向情感词的数量、否定词、程度副词以及特殊符号数量等文本特征后进行不同的特征组合,通过K重交叉验证和网格搜索算法找到SVM（支持向量机）算法的最优参数组合C和g。采用SVM对不同的特征组合进行训练测试并对每个组合的正确率进行分析,然后找出最适合用户评论情感分析的文本特征及特征组合。结果表明：在每个特征组合获取其最优的C和g参数组合的前提下,选用正负向情感词、否定词、情感分值、程度副词的特征组合测试正确率最高,达到93.4%。     

用于生理信号情感识别的自适应遗传算法

针对用生理信号识别情感中的最优情感特征组合的选择这一组合优化问题,将遗传算法中的交叉、变异操作加以改进形成新的算法.该算法用来选择最能代表相应情感状态的最优特征组合,并以最近邻法的分类正确率作为当前搜索到的最优特征组合的评价准则,对joy、anger、pleasure、sadness这4种情感状态进行识别,得到了较好的情感识别效果.仿真实验表明了该方法的可行性和有效性.     

面向中文网络评论情感分类的集成学习框架

该文针对中文网络评论情感分类任务,提出了一种集成学习框架。首先针对中文网络评论复杂多样的特点,采用词性组合模式、频繁词序列模式和保序子矩阵模式作为输入特征。然后采用基于信息增益的随机子空间算法解决文本特征繁多的问题,同时提高基分类器的分类性能。最后基于产品属性构造基分类器算法综合评论文本中每个属性的情感信息,进而判别评论的句子级情感倾向。实验结果表明了该框架在中文网络评论情感分类任务上的有效性,特别是在Logistic Regression分类算法上准确率达到90.3%。     

用分层循环遗传算法去识别生理信号情感状态

针对生理信号的情感识别问题,采用自适应分层式遗传算法方法对生理信号进行特征选择,能有效地解决特征组合优化问题。实验仿真表明,可以得到有效地特征组合来进行生理信号情感状态识别。     

基于蚁群算法特征选择的语音情感识别

情感特征提取是语音情感准确识别的关键,传统方法采用单一特征或者简单组合特征提取方法,单一特征无法全面反映语音情感变化,简单组合特征会使特征间产生大量冗余特征,影响识别正确结果.为了提高语音情感识别率,提了一种蚁群算法的语音情感智能识别方法.首先采用语音识别正确率和特征子集维数加权作为目标函数,然后利用蚁群算法找到最优语音特征子集,消除特征冗余信息.通过汉话和丹麦语两种情感语音库进行仿真测试,仿真结果表明,改进方法不仅消除了冗余、无用特征,降低了特征维数,而且提高了语音情感识别率,是一种有效的语音情感智能识别方法.     

情感分类中基于词性嵌入的特征权重计算方法

在文本情感分类中,传统的特征表达通常忽略了语言知识的重要性。提出了一种基于词性嵌入的特征权重计算方法,通过构造一种特征嵌入模式将名词、动词、形容词、副词四种词性对情感分类的贡献度嵌入到传统的TF-IDF（Term Frequency-Inverse Document Frequency）权值中。其中,词性的情感贡献度通过粒子群优化算法获得。实验采用支持向量机完成分类,并对比了不同知识的嵌入情况,包括词性、情感词及词性和情感词的组合。结果表明基于词性嵌入的方法分类性能最优,可以显著提高中文文本情感分类的准确率。     

基于SVM和CRF多特征组合的微博情感分析

近年来,文本的情感分析一直都是自然语言处理领域所研究的热点问题;微博作为一种短文本,用词精炼而简洁,富含观点、倾向和态度.因此,识别微博的情感倾向具有重要的现实意义.提出一种基于SVM和CRF的情感分析方法,使用多种文本特征,包括词、词性、情感词、否定词、程度副词和特殊符号等,并选用不同的特征组合,通过多组实验使情感分析效果最优.实验显示,选用词性、情感词和否定词的特征组合时,SVM模型的正确率达到88.72％,选用情感词、否定词、程度副词和特殊符号的特征组合时,CRF模型的正确率达到90.44％.     

维吾尔文情感分类特征建设研究

由于目前缺乏维吾尔文情感分类特征表示方面的系统性研究,以传统◢n◣-gram特征为基础,按不同规模从维吾尔文情感标注语料库中提取了新特征及其组合特征,基于支持向量机（SVM）分类器对维吾尔文情感语料库进行了正负情感分类。实验结果表明,所提取的基本特征中unigram特征的分类效率最佳;unigram特征与词组特征的组合可以进一步提高分类效率,其最佳分类效果比unigram特征的分类效果提高了1.78%。首次在统一标注数据集上对不同特征的分类性能进行了综合评价,研究成果可以为今后的维吾尔文情感分类研究提供指导。     

基于改进SimRank的产品特征聚类研究

针对在线用户评论中产品特征的提取和聚类问题进行了研究，提出一种改进的SimRank算法，将情感词-特征对放入二分网中，在二分网中使用改进后的SimRank算法计算特征词之间的相似度；再通过谱聚类算法对特征相似度进行聚类，提取网络产品的特征集合。以某电脑评论为例，从中提取情感词-特征对进行研究，实验结果显示,改进后的算法准确率更高。改进后的特征相似度检测方法可以作为检测特征相似度的有效方法。实验采用在线产品的评论语料，实验结果表明使用改进后的SinRank相似度对特征词进行聚类提取出特征更加准确。     

量子粒子群和相关性分析在心电特征选择中的应用

针对心电(ECG)信号情感识别中特征选择的问题,首先运用相关性分析方法,去除原始特征集中的高相关度特征,实现原始特征集的降维;其次,为了在降维后的特征空间中进行有效的特征选择,提出了一种改进的二进制量子粒子群算法(SBQPSO)。实验结果表明,基于本算法结合Fisher分类器建立的ECG信号情感识别系统能够对高兴、惊奇、厌恶、悲伤、愤怒和恐惧6种情感达到良好的识别效果。     

内P一推理与内收敛信息的辨识

P-推理(packet reasoning)是由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成的。P-推理是一个动态推理,具有智能特征;P-推理是由P-集合得到的。利用P-集合与P-推理理论,给出了内收敛信息与它的属性特性、内收敛信息的内P-推理生成与生成定理、内收敛信息的存在原理与辨识定理以及内收敛信息在动态信息系统中的应用。     

相关性分析和最大最小蚁群算法用于脉搏信号的情感识别

针对脉搏信号的情感识别问题,提出了一种相关性分析和最大最小蚁群算法相结合的方法,找出了对情感识别模型构建具有较好性能的稳定特征子集。首先将原始特征用序列后向选择(SBS)方法排序,然后利用线性相关系数分析法计算特征间的相关度,并根据排序结果去除部分相关度较大的特征,最后针对筛选后的特征子集用最大最小蚁群算法进行特征选择,并结合Fisher分类器对高兴、惊奇、厌恶、悲伤、愤怒和恐惧6种情感进行分类。实验结果表明,该方法能在原始特征集合中找出更稳定有效的特征子集,从而建立起有效的情感识别模型。     

改进的禁忌搜索算法在肌电信号情感识别中的应用

针对基于肌电(EMG)信号的情感识别问题,提出了一种新颖的特征选择方法.该方法用相关性分析对原始特征降维,再利用改进的禁忌搜索算法结合Fisher分类器,对高兴、厌恶、悲伤、惊奇、愤怒和恐惧6种肌电信号的情感进行特征选择.实验结果表明,该方法能以较少的特征获得较高的识别率,得到了有利于情感识别系统建立的有效特征子集.     

基于感兴趣区域特征提取技术的情感语义研究

提出一种基于感兴趣区域特征提取技术的图像情感语义识别模型.着重论述了感兴趣区域的获取、感兴趣区域与非感兴趣区域权重的确定、从RGB颜色空间到HSV颜色空间的转换算法、加权颜色直方图的统计算法以及最终情感聚类的方法.仿真实验结果表明,该模型所实现的底层特征到高层情感语义映射准确率比传统的颜色特征提取技术的图像情感语义识别模型有很大的提高.     

基于改进SIFT算法的山谷地形影像匹配

针对山谷地形的低空影像中地貌单一且特征不易提取的问题,本文对SIFT算法改进,融合Harris特征提取算法优势,得到一种可用于山谷地形下低空无人机影像特征提取与匹配的算法。算法首先利用Harris算法和SIFT算法分别提取特征点,对两种算法提取的特征点进行合并,然后运用SIFT算法对合并后的特征点进行描述,再利用特征点特征向量的欧氏距离进行粗匹配,最后利用RANSAC算法进行精匹配来提高匹配精度。为了验证该算法的有效性,选用一组山地影像数据进行实验并与SIFT算法进行比较,结果表明:算法有效地提升了山谷地形影像上特征点匹配精度。     

基于属性权重的Fuzzy C Mean算法

提出CF-WFCM算法,该算法分为属性权重学习算法和聚类算法两部分.属性权重学习算法,从数据自身的相似性出发,通过梯度递减算法极小化属性评价函数CFuzziness（ω）,为每个属性赋予一个权重.将属性权重应用于Fuzzy C Mean聚类算法,得到CF-WFCM算法的聚类算法.CF-WFCM算法强化重要属性在聚类过程中的作用,消减冗余属性的作用,从而改善聚类的效果.我们选取了部分UCI数据库进行实验,实验结果证明：CF-WFCM算法的聚类结果优于FCM算法的聚类结果.函数CFuzziness（ω）不仅可以评价属性的重要性,而且可以评价属性评价函数的优劣.实验说明了这一问题.最后我们对CF-WFCM算法进行了讨论.     

基于Gabor小波与分形维的人脸情感特征提取

提出一种基于Gabor小波变换与分形维的人脸情感特征提取算法,对包含情感信息的静态灰度图像进行预处理,对表情子区域实行Gabor小波变换,提取情感特征矢量,对人脸兴趣区图像求盒维数和差分分形维数,将经过Gabor小波变换所得的特征矢量和分形维数作为所提取的特征。分析比较了不同测试者7种基本情感的识别效果,实验表明该方法能有效提取与情感变化有关的特征。