CC BY
33
Актуальные проблемы авиации и космонавтики - 2016. Том 1
УДК 004.93
О ПРИМЕНЕНИИ ЭВОЛЮЦИОННЫХ АЛГОРИТМОВ ДЛЯ НАСТРОЙКИ НЕЙРОННОЙ СЕТИ ПРИ РЕШЕНИИ ЗАДАЧИ РАСПОЗНАВАНИЯ ЭМОЦИЙ
Д. В. Федотов1, М. Ю. Сидоров2
1Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
2Ульмский университет Германия, 89081, Ульм, аллея Альберта Эйнштейна, 43 Е-mail: fedotov.dm.v@gmail.com
Создание системы распознавания эмоций может повысить качество систем человеко-машинного взаимодействия. Такие системы могут найти применение при контроле эмоционального состояния людей, чья работа связана с длительным стрессом, например, космонавтов на космических станциях. Предлагается построение такой системы на основе нейроэволюционных технологий.
Ключевые слова: нейроэволюционное моделирование, эволюционные алгоритмы, распознавание эмоций.
ON USING EVOLUTIONARY ALGORITHMS FOR NEURAL NETWORK ADJUSTMENT
IN EMOTION RECOGNITION PROBLEMS
D. V. Fedotov1, M. Yu. Sidorov2
1Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation
2Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany Е-mail: fedotov.dm.v@gmail.com
Emotion recognition systems can help to increase the quality of human-computer interaction. Such systems can be used to control emotional condition of people working under continuous stress, e.g. at the space stations. Authors proposes to develop such systems using neuroevolutionary methods.
Keywords: neuroevolutionary modelling, evolutional algorithms, emotion recognition.
В настоящее время возрастает актуальность исследований в области взаимодействия человека и компьютерных устройств. Известным примером, завоевавшим популярность среди пользователей, являются голосовые помощники, например, Google Now, Siri, Cortana и S Voice. При попытках разработки искусственного интеллекта, контактирующего с человеком, возникает потребность в восприятии не только смысловой нагрузки, содержащейся в сообщениях, которыми обмениваются участники, но и эмоциональной составляющей. Системы распознавания эмоций могут значительно улучшить качество человеко-машинного взаимодействия, а также систем наблюдения в местах, где работа человека связана с сильным стрессом, например, на космических станциях.
При решении задач распознавания образов широко применяются нейронные сети в связи с гибкостью создаваемых моделей. Помимо классических полносвязных нейронных сетей, возможно применение сверточных нейронных сетей, которые позволяют строить сложные иерархии признаков и выявлять более тонкие закономерности в данных [1-4].
Выделение признаков из данных для решения задачи распознавания эмоций неоднозначно и в результате исследователь получает большое количество атрибутов, без информации о их значимости для решения поставленной задачи. В связи с этим, необходимо сокращение размерности признакового пространства, которое может быть выполнено как при помощи стандартных методов (например, метода главных компонент), так и с помощью универсальных алгоритмов, например, эволюционных (ЭА) [5-8].
Секция «Математические методы моделирования, управления и анализа данных»
Также, с помощью ЭА может быть выполнено обучение нейросетевых моделей. При решении данной задачи возможно применение таких алгоритмов, как генетический (genetic algorithm), метод роя частиц (particle swarm optimization), поиска кукушки (cuckoo search), дифференциальной эволюции (differential evolution), а также их комбинаций. [9-12].
Библиографические ссылки
1. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition // Proceedings of the IEEE, 86(11): 2278-2324, 1998.
2. Bottou L., LeCun Y., Bengio Y. Global training of document processing systems using graph transformer networks // Proceedings of Computer Vision and Pattern Recognition, Puerto-Rico, 1997.
3. LeCun Y., Bottou L., Bengio Y. Reading checks with graph transformer networks. In International Conference on Acoustics, Speech, and Signal Processing. Munich, 1997. Vol. 1. Pр. 151-154.
4. Comparison of learning algorithms for handwritten digit recognition / Y. LeCun, L. D. Jackel, L. Bottou, A. Brunot, C. Cortes, J. S. Denker, H. Drucker, I. Guyon, U. A. Muller, E. Sackinger, P. Simard, V. Vapnik // International Conference on Artificial Neural Networks ; F. Fogelman, P. Gallinari, ed. Paris, 1995. EC2 & Cie. P. 53-60.
5. Evolutionary feature selection for emotion recognition in multilingual speech analysis / C. Brester, E. Semenkin, M. Sidorov, I. Kovalev, P. Zelenkov // Proceedings of the IEEE Congress on Evolutionary Computation (CEC2015), Sendai, Japan, 2015. Pp. 2406-2411.
6. Self-adaptive multi-objective genetic algorithms for feature selection / C. Brester, E., Semenkin M. Sidorov, W. Minker // Proceedings of the International Conference on Engineering and Applied Sciences Optimization, Kos Island, Greece, 2014. Pp. 1838-1846.
7. Brester C., Sidorov M., Semenkin E. Acoustic Emotion Recognition: Two Ways of Features Selection based on Self-Adaptive Multi-Objective Genetic Algorithm // Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics (ICINC0'2014), Vienna, Austria. 2014. Vol. 2. Pp. 851-855.
8. Speech-Based Emotion Recognition: Feature Selection by Self-Adapted Multi-Criteria Genetic Algorithm / M., Sidorov C. Brester, W. Minker, E. Semenkin // Proceedings of the 9th edition of the Language Resources and Evaluation Conference, Reykjavik, Iceland, 2014. Pp. 3481-3485.
9. Kennedy J., Eberhart R. Particle Swarm Optimization // Proceedings of IEEE International Conference on Neural Networks, IV. 1995. Pp. 1942-1948.
10. Yang X .S., Deb S. Cuckoo search via Levy flights. In proceedings of World Congress on Nature & Biologically Inspired Computing. 2009. Pp. 210-214.
11. Storn R., Price K. Differential Evolution - A Simple and Efficient Heuristic for global Optimization over Continuous Spaces.
12. Brester C., Semenkin E., Sidorov M. Speech-based emotion recognition: Application of collective decision making concepts // Proceedings of the International Conference on Computer Science and Artificial Intelligence (ICCSAI2014), Wuhan, China, 2014. Pp. 216-220.
© Федотов Д. В., Сидоров М. Ю., 2016
