学海网

毕业设计-基于E-learning的学习表情情绪分析，共28页，8249字，附代码、开题报告等
摘要
E-learning（Electronic Learning）是利用现代通信技术所实现的一种新型的教育模式和学习方式，具有广阔的应用前景。但是，传统E-learning系统不具备情感交互功能，存在着严重的感情缺失问题。在E-learning增加情感功能，是E-learning发展的一个重要研究领域。
本论文的主要工作是在项目组成员所提取的E-learnin情境下学习者学习表情参数的基础上，建立学习表情情绪模型，对学习者的学习情绪进行分析，为情绪认知交互的E-learning系统提供学习情绪方面的参考。
论文所做的主要工作如下：
1. 采用支持向量机原理方法对E-learning情境下学习者的学习情绪进行分类，并从趋避度、振作度、愉悦度这三方面建立相应的学习情绪模型。
2. 利用归一化处理，交叉验证法等方法处理数据，优化参数，建立了相对完善原型系统,使得训练后得到的实验结果与实际测试的结果相吻合。
关键词：E-learning技术；情绪分析；支持向量机；分类

摘要 3
Abstract 4
一、绪论 6
1.1研究背景 6
1.2研究现状 7
1.3研究目的 8
二、支持向量机 8
2.1支持向量机简介 8
2.2支持向量机原理 9
2.2.1支持向量机原理方法的主要思想 9
2.2.2支持向量机原理的一般方法 10
2.3径向基核函数 11
三、E-learning情感情绪分类的SVM模型 12
3.1E-learning情感情绪 12
3.1.1学业情绪分类 12
3.1.2三维情绪空间 13
3.2E-learning情感情绪分类的SVM模型的建立 14
3.2.1趋避度模型 14
3.2.2振作度模型 14
3.2.3愉悦度模型 14
3.2.4建立模型流程 15
四、实验过程 16
4.1选定训练集和测试集 16
4.1.1数据选定 16
4.1.2输入变量选择 17
4.2数据的预处理 19
4.3训练与预测 19
4.3.1惩罚参数c和核函数参数g的选取 19
4.3.2交叉验证法 20
4.4实验结果分析 22
4.4.1趋避度分析 22
4.4.2振作度分析 23
4.4.3愉悦度分析 24
五、总结与完善 25
参考文献 26
致谢 28

研究目的
本文中主要采用了支持向量机原理的方法，对在E-learning情景系统下学习的学生的不同情感情绪进行分类，根据当前使用E-learning系统学生的人脸大小、眼帘间距、嘴角弧度和瞳孔间距的不同数值，计算出当前学生的趋避度、振作度和愉悦度这三种情绪的不同表现，能够使E-learning系统对于学生的情感情绪的不同变化，采用更合理的教学策略提供决策信息。[5][6]
主要内容
随着对研究资料做整理，并一步步深入的过程中，我对E-learning学习系统
有了充分的了解，并且对于情感建模也有了一定的了解，在经过了一些论文资
料的对比后，我希望采用支持向量机对学习情绪进行分类，而在学习情绪分类
建模前，最重要的是对SVM（支持向量机）进行充分的了解分析，从而能够充
分的利用两种方法来对学习情绪进行有效的分类建模。
支持向量机（Support Vector Machine）是Cortes和Vapnik于1995年首先提出
的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能
够推广应用到函数拟合等其他机器学习问题中。支持向量机的方法是建立在统
计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在
模型的复杂性和学习能力之间寻求最佳折中，以期获得最好的推广能力。所谓
VC维是对函数类的一种度量，可以简单的理解为问题的复杂程度，VC维越高
，一个问题就越复杂。线性分类器(一定意义上,也可以叫做感知机)是最简单也
很有效的分类器形式.在一个线性分类器中,可以看到SVM形成的思路,并接触很
多SVM的核心概念。SVM是一种典型的两类分类器，即它只回答属于正类还是
负类的问题。而现实中要解决的问题，往往是多类的问题，比如文本分类，比
如数字识别。如何由两类分类器得到多类分类器，就是一个值得研究的问题。
在利用支持向量机对学习表情情绪进行分类中，主要从趋避度、振奋度和
愉悦度三方面来建立SVM模型。
趋避度模型，包括兴趣和厌烦两种反向情绪，是一种基于人脸位置和瞳孔
间距大小的方法，趋避度模型主要根据人脸面积样本数据集和瞳孔间距样本数
据集确立。通过人脸及瞳孔的定位来判断学习者在学习过程中对当前学习内容
的兴趣程度。正常情况下，当所检测的人脸轮廓及瞳孔间距变大时，说明学习
者学习过程中身体前倾，对当前的学习内容很感兴趣，趋避度变大；当检测的
人脸轮廓及瞳孔间距变小时，说明学习者身体后仰，对当前的学习内容不感兴
.....