基于OCC的Agent情感模型研究

Agent不仅要具有逻辑推理能力,还应当具有类似人类的情感能力。通过对情感理论的分析,提出了一个基于OCC的Agent情感模型,使Agent能够模拟像人类一样的认知能力和情感能力,从而行为决策更加智能。通过模型在虚拟环境角色中的应用结果,验证了此模型的合理性。     

基于线条方向直方图的图像情感语义分类

图像语义分类在基于语义的图像检索中具有重要意义,但是图像的情感语义描述和分类方面的研究在近年来才刚刚起步。该文利用图像的低层特征实现了图像高层情感语义(“静感”和“动感”)的分类。图像的线条与情感之间存在明显的联系,选用线条方向直方图作为图像特征,利用概率神经网络(PNN)完成语义分类,实验表明该方法具有较好的效果。     

基于自然语言处理的图像情感语义检索研究

自然语言问答在情感图像检索中并未广泛应用,对此进行了探索与尝试,设计和实现了一个以自然语言作为检索入口的情感图像检索系统,并给出系统架构及技术方案。研究过程中,引入自然语言处理技术对自然问句进行浅层语义分析,并建立了一个情感映射模型,实现了常用情感词语与该模型之间以及该模型与情感图像之间的映射。另外,还对系统的检索结果进行了评价。通过对系统的实现,为自然语言问答与情感图像检索的结合提供了一种新的思路与方法。     

基于OCC模型的E-learning系统情感建模

根据OCC模型理论,提出一种在e-learning系统中基于认知评价的学生情感识别模型。采用模糊推理方法实现学生对学习事件的期望度推理,并通过构建动态贝叶斯网络对所构建的模型进行了计算机仿真测试和评估,结果验证了模型的合理性和有效性,从而为构建具有情感智能的e-learning系统提供了一种新的情绪识别模型和架构。     

自然风景图像情感标识方法研究

图像情感标识就是为图像标注情感类关键词以反映用户对该图像的情感或印象.以自然风景图像为对象,提出一种由视觉特征提取、视觉-情感关系构建、情感标识推导三部分组成的图像情感标识方案.首先从情感认知角度提取自然风景图像的颜色、纹理等视觉特征,然后采用多维尺度技术挖掘图像视觉特征和人类主观感知之间的深层联系,最后采用贝叶斯决策模型根据图像视觉特征推导出其情感描述.对部分风景图像进行自动标识的结果表明贝叶斯决策模型在处理情感标识这类不确定性推理问题上是很有效的.     

基于特征融合的图像情感语义分类

基于颜色或颜色-空间信息的图像分类方法,由于没有考虑图像中所含目标对象的形状特征,分类效果不够理想,以服装图像作为数据源,提出并设计了颜色-边缘方向角二维直方图,将图像的颜色特征与形状特征融合起来进行图像分类。图像中的低阶可视化特征与高阶情感概念之间有着密切的关联,分析了服装图像的颜色和形状的融合特征与情感之间的相关性,采用概率神经网络作为分类算法来完成情感语义分类,实验结果表明,该方法的分类精度有了明显的提高。     

基于曲率方向特征的图像情感语义分类

利用图像的低阶特征对高阶情感语义“静感”和“动感”进行分类。提出了一种新的特征向量——边缘点曲率方向向量,作为图像分类特征,然后利用支持向量机完成分类的工作。对油画、中国画等艺术图像进行了分类实验,实验结果表明该方法能够取得良好的效果。     

基于个性和OCC的机器人情感建模研究

机器人不仅要具有简单的机械作业和逻辑推理能力，还应当具有类似人类的情感能力．本文将个性与情绪、情感、理解、表达相结合，采用OCC模型作为评价标准，建立了符合人类情感规律的、可用于情感机器人的情感模型。通过一个应用上述模型的虚拟人情感交互系统．验证了此模型可以很好的对人类的情感进行仿真．可以应用于情感机器人和人性化计算机、游戏等许多领域。     

一种基于OCC模型的文本情感挖掘方法

观点挖掘（或情感分析）作为面向网络社会媒体分析挖掘领域的一个核心研究课题,具有重要的研究意义和应用价值。针对传统观点挖掘方法存在的不足和局限性,本文设计并实现了一种基于OCC情感模型的观点挖掘方法。该方法首先采用统计方法,利用WordNet词典、句法依存关系及少量标注数据,自动构建情感维度词典;其次,对所构建的情感维度词典进行求精,通过语义、情感倾向的不一致性处理和非情感词的过滤,得到高质量的情感维度词典;最后,基于所得到的情感维度词典,结合OCC模型中情感维度值与情感类型的对应关系,生成6种主要的情感类型。实验方法表明,此方法在使用灵活性、可解释性和有效性上具有明显的优势。     

基于语义规则与RNN模型的在线评论情感分类研究

为提高互联网中在线评论文本的情感倾向分类准确率,方便消费者和商家准确高效地获取信息,该文提出一种将语义规则方法与深度学习方法相结合的在线评论文本情感分类模型,对基于情感词典的语义规则信息进行扩展,嵌入到常用特征模板中组合成更有效的混合特征模板;采用Fisher判别准则方法对混合特征模板进行降维以消除特征间的信息冗余;深度学习模型采用基于LSTM改进的RNN模型,将网络爬取的数据输入到模型进行训练和测试。结果表明,语义规则抽取出的特征包含更多、更准确的情感信息,使得混合特征模板可以更加全面地考虑文本的情感特征粒度;Fisher准则可有效识别出高判别性的低维文本特征,进一步提高改进RNN模型对评论文本的分类性能。     

基于改进的LBF模型的图像分割

LBF(Local Binary Fitting)模型利用局部图像信息能够对强度分布不均匀的图像进行分割,然而,该算法仅考虑均值信息,导致模型在处理弱边界图像时得不到理想的分割结果。为此提出一种改进方法:在考虑图像局部均值信息的同时考虑图像局部方差信息和全局方差信息,使得演化曲线能够准确地停止在目标边界上;同时为了加快曲线演化的速度,结合了CV模型的能量项。实验结果表明,改进的方法对含有弱边界信息图像进行分割时能取得较好的效果,演化速度上也有明显的提高。     

基于改进的分布式K-Means特征聚类的海量场景图像检索

针对传统的图像检索方法在处理海量数据时面临的问题,提出一种基于改进的分布式K-Means特征聚类的海量场景图像检索方法。对分布式K-Means算法进行改进,优化了初始聚类中心的选择和迭代过程,并将其应用与场景图像的特征聚类中;充分利用Hadoop分布式平台的海量存储能力和强大并行计算能力,提出了海量场景图像的存储和检索方案,设计了场景图像特征提取、特征聚类以及图像检索三个阶段分布式并行处理的Map和Reduce任务。多组实验表明,提出的方法数据伸缩率曲线平缓,取得了优良的加速比,效率大于0.6,检索的平均准确率达到了88%左右,适合海量场景图像数据的检索。     

基于改进FOA-SVM的火灾图像识别模型研究

火灾是常见的破坏性极大的自然灾害。为了更好地预防火灾,减少财产损失和人员伤亡,针对人为选择SVM参数具有盲目性,对其分类能力影响较大,提出基于改进FOA-SVM的火灾图像识别模型。通过引入逻辑函数对果蝇算法的搜索步长进行改进,利用改进果蝇算法优化支持向量机搜索得到最佳模型参数。将火灾图像提取特征量作为该识别模型的输入样本训练和识别火灾图像,结合实例并将该模型的识别结果与SVM模型及其他算法的识别结果进行对比。实验结果表明,该模型提高了火灾图像识别的准确率,在火灾检测方面具有一定的实际应用价值。     

基于环形马尔可夫模型的纹理图像分类

提出了一种基于环形马尔可夫模型的纹理图像分类方法。利用环形邻域构建马尔可夫模型,在模型参数求解过程中,为了避免矩阵奇异,设计了模型参数分步求解算法。基于环形马尔可夫模型提取纹理特征,然后基于动态邻域Tabu搜索算法进行特征选择,得到最优的纹理特征子集,输入到最大似然法分类器中实现图像的分类。实验结果证明,与传统的栅格马尔可夫模型相比,环形马尔可夫模型能够更好地描述纹理图像像元之间的空间相关性信息,大大提高了纹理图像分类精度。     

基于改进的胶囊网络模型的高光谱图像分类方法

针对卷积神经网络无法有效提取高光谱图像光谱与空间特征以及识别特征之间的空间位置问题,提出一种基于胶囊网络的改进神经网络模型.采用1×1卷积核对高光谱图像块进行降维处理;利用双通道卷积神经网络提取降维图像的初级特征,进而在PrimaryCaps层将初级特征信息封装为胶囊向量;通过DigitCaps层计算胶囊向量的模长来判...     

基于扩展CENTRIST的遥感场景分类

提出一种基于扩展CENTRIST纹理算子的遥感场景分类方法.它由更多邻域规模的三个子方案组成,不仅继承了CENTRIST的优点,而且编码了更多不同纹理的局部结构信息.通过三种不同模式的纹理算子来提取多通道图像纹理特征,通过谱回归判别分析进行分类识别.提出能够捕获多通道图像中互补信息的多通道eCT融合机制,以获得更高的分...     

改进的增量贝叶斯模型的研究

传统分类算法的研究主要关注批量学习任务。实际中,带标注样本很难一次性获得。且存储空间开销较大的特点,也使批量学习显现出一定的局限性。因此,需要增量学习来解决该问题。朴素贝叶斯分类器简单、高效、鲁棒性强,且贝叶斯估计理论为其应用于增量任务提供了基础。但现有的增量贝叶斯模型没有对适应新类别作出描述。同时,实验表明类别之间样本数量的不平衡,会严重影响该模型的分类性能。故基于这两个问题,提出对增量贝叶斯模型的改进,增加参数修正公式,使其可适应新出现的类别,并引入最小风险决策思想减轻数据不平衡造成的影响。取UCI数据集进行仿真测试,结果表明改进后的模型可以渐进提高分类性能,并具有适应新类别的能力。     

基于改进栈式核稀疏深度模型的大规模极化SAR地物分类算法

地物分类是极化SAR应用的一个重要分支。传统的地物分类方法需要提取特征,通过分类器进行分类。在栈式稀疏自编码模型的基础上,提出一种鲁棒的极化SAR地物分类算法。采用基于Morlet小波核的最小二乘支撑向量机代替深度模型中常用的Softmax分类器。通过与栈式稀疏自编码网络相结合,在一定程度上克服了传统极化SAR影像地物分类方法受相干斑噪声影响,且结果过于粗糙的缺点,保证了分类结果中非匀质区域的连贯性和匀质区域的一致性。真实极化SAR数据仿真实验结果表明,该算法可以有效地提高分类精度,降低相干斑噪声的对分类精度的影响。     

一种改进的深度置信网络及其在自然图像分类中的应用

深度置信网络DBN(deep belief network)由受限玻尔兹曼机RBM(restricted Boltzmann machine)堆叠而成。针对RBM只能接受二值输入而导致的信息丢失问题,给出将可视层节点替换为具有高斯噪音的实数节点的解决方法,并且用线性修正节点替代隐层的Sigmoid节点。线性修正单元具有良好的稀疏性,可以很好地提高网络性能。DBN自底向上逐层训练网络,初始化网络的参数。在自然图像数据库中与传统DBN以及BP神经网络做分类性能比较,实验结果表明,改进的DBN的图像平均分类正确率以及时间复杂度都得到了较好的改善。     

基于改进的遗传算法的图像恢复

在对图像退化模型和图像恢复的可能性进行分析的基础上,重点介绍采用遗传算法进行图像恢复的原理。针对标准遗传算法进行图像恢复时,存在过早收敛现象,及计算量过大的问题,从整体入手,对遗传算法的编码方式、选择算子、交叉算子、变异算子进行了改进,并采用VC++6.0编程软件进行实验。实验结果表明,改进后的遗传算法用于图像恢复,不但可以较好地克服过早收敛现象,提高了计算速度,而且恢复出的图像具有良好的效果。