E-learning中基于改进SVM的情绪认知建模技术研究

发布时间：2017-07-19 03:06

  本文关键词：E-learning中基于改进SVM的情绪认知建模技术研究

  更多相关文章： E-learning 学业情绪模型 支持向量机 粒子群算法 OCC模型

【摘要】：论文的研究工作是围绕国家自然科学基金资助项目(项目号：No.60970052)"e-learning中基于学业表情的情绪认知分析研究”,北京市自然科学基金资助项目(项目号：No.4112014)“基于情绪心理的个性化社区教育e-learning关键技术研究”等课题展开的。 论文研究的主要目的是为了解决传统网络教学中存在的情感缺失问题,为具有情绪认知交互功能的E-learning系统提供学业情绪分析、学业情绪识别建模等功能。即通过在E-learning情境下对本项目组同学前端采集并提取到的面部表情特征进行分析、建模,判断出学习者对于当前学习内容产生的情绪反应,从而得出学习者当前的学业情绪状态,进而为E-learning的个性化情绪教学提供情绪功能支持。 论文的主要研究工作和成果如下： 1.在E-learning情境下学习者的学业情绪研究的基础上,结合情绪心理学及教育心理学相关理论,进一步分析了学习者在正常学习状态下产生的相关学习特性。并根据这些特性及影响因素,从趋避度、专注度及愉悦度三个维度,结合OCC情绪模型建立了一个新的学业情绪识别认知模型。 2.针对不同学习者因其独特的性格特征会导致不同学习习惯的特点,为提高特殊情况下的学业情绪识别效率以及识别准确率,论文通过对不同面部表情参数的对比和分析建立了一个可适应学习者不同性格特征的个性化学业情绪模型。仿真实验表明,该模型无论在学习者处于正常学习状态还是特殊学习状态下(如闭眼等),都可以直接作出判断,提高了识别效率。 3.以OCC情绪模型为基础,利用支持向量机网络的小样本非线性特性,并使用粒子群算法(PSO)改进支持向量机,从趋避度、专注度和愉悦度这三个维度进行分析,建立了E-learning情境下学习者的情绪认知模型及综合情绪模型。其中,情绪认知模型可得到更准确的学业情绪识别率,综合情绪模型可为E-learning后续教学推理提供重要依据。 4.在Eclipse平台下使用JAVA编程语言,结合上述个性化的情绪模型以及综合情绪模型,实现一个E-learning中针对学习者学业情绪分析的情绪认知原型系统,并取得了较满意的实验效果。
【关键词】：E-learning 学业情绪模型 支持向量机 粒子群算法 OCC模型
【学位授予单位】：首都师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：G434
【目录】：

• 摘要4-6
• ABSTRACT6-8
• 目录8-10
• 图目录10-11
• 表目录11-12
• 第1章 绪论12-20
• 1.1 课题研究的背景和意义12-14
• 1.1.1 课题研究的背景12
• 1.1.2 课题研究的意义12-14
• 1.2 国内外研究现状14-17
• 1.2.1 E-learning系统简介及研究现状14-15
• 1.2.2 情感的数学模型研究现状15-17
• 1.3 主要研究内容17
• 1.4 论文的章节结构17-20
• 第2章 E-learning中情绪认知建模基础及原理20-32
• 2.1 情绪的定义及与认知的关系20
• 2.1.1 情绪的定义20
• 2.1.2 情绪与认知的关系20
• 2.2 学业情绪的定义、分类及影响因素20-22
• 2.2.1 学业情绪的定义21
• 2.2.2 学业情绪的分类21-22
• 2.3 学业情绪与认知22
• 2.4 OCC情绪模型原理和三维学业情绪空间22-25
• 2.4.1 OCC情绪模型22-23
• 2.4.2 具有反向情绪的三维学业情绪空间23-25
• 2.5 情绪认知模型构建框架25-26
• 2.6 统计学习理论26-29
• 2.6.1 机器学习的基本问题27-28
• 2.6.2 VC维28
• 2.6.3 推广性的界28-29
• 2.6.4 结构风险最小化29
• 2.7 本章小结29-32
• 第3章 E-learning中面部表情特征值数据分析32-48
• 3.1 对人脸面积特征值的分析33-37
• 3.2 对瞳孔间距特征值的分析37-40
• 3.3 对眼帘间距特征值的分析40-43
• 3.4 对嘴角弧度特征值的分析43-46
• 3.5 本章小结46-48
• 第4章 E-learning中学习者情绪认知模型的构建48-66
• 4.1 支持向量机原理及改进方法49-54
• 4.1.1 支持向量机基本原理和算法49-51
• 4.1.2 粒子群算法基本原理51-52
• 4.1.3 用粒子群算法优化支持向量机参数52-54
• 4.2 建立基于改进SVM的趋避度、专注度、愉悦度模型54-61
• 4.2.1 趋避度模型54-57
• 4.2.2 专注度模型57-59
• 4.2.3 愉悦度模型59-61
• 4.3 在三维情绪空间中生成综合情绪61-64
• 4.3.1 综合情绪计算方法61-62
• 4.3.2 对学习者的综合情绪计算公式权数的推导62-64
• 4.4 本章小结64-66
• 第5章 情绪认知模型综合实验66-74
• 5.1 系统开发环境66-68
• 5.1.1 Eclipse介绍66-67
• 5.1.2 Struts介绍67
• 5.1.3 Hibernate介绍67-68
• 5.2 实验流程68-70
• 5.3 情绪认知模型综合实验70-73
• 5.4 本章小结73-74
• 第6章 总结与展望74-76
• 6.1 论文所做工作74-75
• 6.2 工作展望75-76
• 参考文献76-80
• 致谢80-82
• 附录82-84
• 在学期间研究成果84

【参考文献】

中国期刊全文数据库 前10条

1 刘耀中;;e-Learning:基于网络教育的企业培训模式[J];电化教育研究;2006年06期

2 任瑞仙;网络学习环境中的情感交流缺失探析[J];开放教育研究;2004年03期

3 罗红卫;王佑镁;祝智庭;;网络学习环境中的情感缺失研究——以开放英语教学中的情感体验为例[J];开放教育研究;2008年03期

4 滕少冬,王志良,王莉,刘冀伟,解仑;基于马尔可夫链的情感计算建模方法[J];计算机工程;2005年05期

5 李冬萍;;基于混沌粒子群优化的SVM分类器研究[J];计算机仿真;2010年04期

6 鞠秋文;;PSO-SVM算法在网络入侵检测中的研究[J];计算机仿真;2011年04期

7 俞国良;董妍;;学业情绪研究及其对学生发展的意义[J];教育研究;2005年10期

8 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期

9 詹慧芳;;课堂教学中认知与情感的互动[J];教学与管理;2013年12期

10 吴彦文;刘伟;张昆明;;基于情感识别的智能教学系统研究[J];计算机工程与设计;2008年09期

中国博士学位论文全文数据库 前1条

1 王凡;基于支持向量机的交通流预测方法研究[D];大连理工大学;2010年

，

本文编号：560913