情緒在人類的決策、交互和認(rèn)知過程中扮演著十分重要的角色,人們迫切希望通過技術(shù)手段來自動(dòng)的、精準(zhǔn)的識(shí)別人類的情緒,為人類做決策制定解決方案提供有效的支撐。近年來隨著深度學(xué)習(xí)算法在圖像、文本、語(yǔ)音等各個(gè)領(lǐng)域的成功應(yīng)用,眾多的科研人員也將這項(xiàng)技術(shù)應(yīng)用到了情緒識(shí)別研究中。課堂作為一個(gè)重要的應(yīng)用場(chǎng)景,研究者們也是迫切希望利用課堂場(chǎng)景下的數(shù)據(jù)通過機(jī)器來實(shí)現(xiàn)對(duì)師生情緒的自動(dòng)識(shí)別。以課堂情緒來反映學(xué)情,輔助老師實(shí)施教學(xué)干預(yù),也就是將學(xué)生的情緒轉(zhuǎn)化為老師的決策建議,以幫助老師進(jìn)行精準(zhǔn)教學(xué)。對(duì)于教師而言,這將有助于教師進(jìn)行課后反思,亦可作為教師教學(xué)水平的一項(xiàng)評(píng)估依據(jù)。此外,實(shí)現(xiàn)對(duì)課堂情緒的精準(zhǔn)畫像將有效促進(jìn)對(duì)課堂的客觀評(píng)價(jià)。針對(duì)目前的課堂情緒識(shí)別研究而言,首先相關(guān)研究比較少,部分課堂情緒識(shí)別研究是基于視覺或生理信號(hào)的,而視覺數(shù)據(jù)和生理信號(hào)的采集相對(duì)比較困難而且成本高昂;其次識(shí)別方法也更多的是基于統(tǒng)計(jì)理論的傳統(tǒng)機(jī)器學(xué)習(xí)方法;最后數(shù)據(jù)模態(tài)的利用比較單一,由于情緒的復(fù)雜性所以目前使用單一模態(tài)來進(jìn)行有效的情緒識(shí)別仍然是一項(xiàng)艱巨的任務(wù)。因?yàn)檎n堂教學(xué)過程中師生間的交互主要是話語(yǔ)交流,所以本研究旨在通過利用師生交流過程中...

【文章頁(yè)數(shù)】：92 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１喚醒度－效價(jià)空間模型??

怕、厭惡??Ｉｚａｒｄ?驚訝、喜悅、有趣、輕蔑、生氣、厭惡、困惑、害怕、內(nèi)疚、自責(zé)??Ｏａｔｌｅｙ?開心、焦慮、厭惡、生氣、悲傷??Ｅｋｍａｎ?喜悅、驚訝、生氣、傷心、厭惡、害怕??維度空間連續(xù)型情緒描述模型是為了能描述復(fù)雜情緒而誕生的一種情緒描述??模型，連續(xù)模型將情緒的狀態(tài)從....

圖２．２包含一個(gè)隱藏層的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??前饋神經(jīng)網(wǎng)絡(luò)在計(jì)算層面包括線性變換和非線性激活這兩個(gè)部分，它的計(jì)算本??

ａｔｔ?提出??的單層感知機(jī)，２０世紀(jì)８０年代一些研宄者在單層感知機(jī)的基礎(chǔ)上提出了多層感知??機(jī)并逐漸在語(yǔ)音識(shí)別、圖像識(shí)別、機(jī)器翻譯等各種領(lǐng)域得到了廣泛的應(yīng)用［４９，力。９０??年代多層感知機(jī)前饋網(wǎng)絡(luò)受到了來自支持向量機(jī)技術(shù)的沖擊，原因是支持向量機(jī)具??有更少的參數(shù)，更高的效率和....

圖２．３?ＬｅＮｅｔ－５卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??如圖２．３展示的是由Ｌｅｃｉｍ等人提出的用于識(shí)別文字的卷積神經(jīng)網(wǎng)絡(luò)

一個(gè)特征圖的生成??它只依賴于一種特征過濾器，這在一定程度上能減少參數(shù)量，提升運(yùn)算的效率。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠１０ｘ１０??ＩＮＰＵＴ?Ｃｒｅａｔｕｒｅ?ｍａｐｓ?Ｓ４：?ｆ?ｍａｐｓ１６＠５ｘ５??３２Ｘ３２?ＨＬ．?ＯＵＴＰＵＴ??ａ?Ｉ?ｐａｎｅ?ｉＬ，?＾ｍ....

圖２．４卷積運(yùn)算示意圖??（２）池化層??

碩士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??（１）卷積層??卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，它主要負(fù)責(zé)提取輸入對(duì)象的局部空間特征。一??般情況下，為了能提取到多種不同的特征模式，一般會(huì)事先預(yù)設(shè)多個(gè)可以學(xué)習(xí)的卷??積核（也稱特征過濾器）來對(duì)輸入執(zhí)行卷積操作，包括卷積運(yùn)算和整流激活....

本文編號(hào)：4055246