О применении многоагентных кооперативных алгоритмов глобальной оптимизации для решения задачи распознавания эмоций Текст научной статьи по специальности «Компьютерные и информационные науки»

Математические методы моделирования, управления и анализа данных.

3. Tulup'ev A. L., Nikolenko S. I., Sirotkin A. V. Bayesovstkie seti: logiko-veroyatnostnyy podkhod. SPb. : Nauka, 2006. 607 s.

4. Sirotkin A. V. Bayesovskie seti doveriya: derevo sochleneniy i ego veroyatnostnaya semantika // Trudy SPIIRAN. Vyp. 3, t. 1. SPb. : Nauka, 2006.

5. Niehaus J., Banzhaf W. Adaption of operator probabilities in genetic programming. In: Genetic Programming. Proc. 4th European Conference (EuroGP 2001), Como, Italy (2001).

© Трофимова Н. М., 2016

УДК 004.93

О ПРИМЕНЕНИИ МНОГОАГЕНТНЫХ КООПЕРАТИВНЫХ АЛГОРИТМОВ ГЛОБАЛЬНОЙ ОПТИМИЗАЦИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ЭМОЦИЙ

Д. В. Федотов1, М. Ю. Сидоров2

'Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

2Ульмский университет Германия, 89081, г. Ульм, аллея Альберта Эйнштейна, 43 E-mail: fedotov.dm.v@gmail.com

Рассматривается задача распознавания эмоций с использованием мулътимодалъных данных. Распознавание эмоций может существенно повысить качество систем человеко-машинного взаимодействия, которые могут найти применение при контроле эмоционального состояния людей, чья работа связана с длительным стрессом, например, космонавтов на космических станциях.

Ключевые слова: распознавание эмоций, многоагентные алгоритмы, эволюционные алгоритмы.

ON USING MULTI-AGENT COOPERATIVE ALGORITHMS OF GLOBAL OPTIMIZATION FOR EMOTION RECOGNITION PROBLEM

D. V. Fedotov1, M. Yu. Sidorov2

!Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation

2Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: fedotov.dm.v@gmail.com

Emotion recognition problem based on multimodal data is considered. Emotion recognition can significantly increase the quality of human-computer interaction systems, that can be used to control emotional condition of people working under continuous stress, e.g. at the space stations.

Keywords: emotion recognition, multi-agent algorithms, evolutionary algorithms.

В настоящее время высокую популярность набирают исследования, связанные с системами человеко-машинного взаимодействия. При контакте систем с человеком для обработки поступает два вида информации: смысловая нагрузка фраз, сказанных человеком, и их эмоциональная составляющая. Качество систем человеко-машинного взаимодействия может быть повышено с помощью применения алгоритмов распознавания эмоций.

В качестве классификатора для решения задач распознавания образов широко применяются нейронные сети, для настройки параметров которых могут использоваться различные алгоритмы глобальной оптимизации. В данной работе предлагается применение следующих эволюционных алгоритмов: генетический (genetic algorithm), метод роя частиц (particle

swarm optimization), поиска кукушки (cuckoo search), дифференциальной эволюции (differential evolution), а также их комбинаций [1-4].

Для повышения качества работы оптимизационных алгоритмов возможно применение кооперативных схем [5]. В данной работе для комбинирования перечисленных выше алгоритмов используется 2 схемы кооперации: островная модель и коэволюция [6; 7]. Островная модель предполагает независимое решение оптимизационной задачи с помощью различных методов (эволюционные алгоритмы, острова) с периодическим обменом лучшими найденными решениями. В коэволюции используется схожая модель, однако, помимо обмена лучшими решениями, происходит также перераспределение ресурсов.

Результаты будут представлены в докладе.

<Тешетневс^ие чтения. 2016

Библиографические ссылки

1. Kennedy J., Eberhart R. Particle Swarm Optimization // Proceedings of IEEE International Conference on Neural Networks. 1995. IV. Pp. 19421948,

2. Yang X. S., Deb S. Cuckoo search via Levy flights // Proceedings of World Congress on Nature & Biologically Inspired Computing. 2009. Pp. 210-214.

3. Storn R., Price K. Differential Evolution - A Simple and Efficient Heuristic for global Optimization over Continuous Spaces : Technical Report TR-95-012, ICSI, March 1995.

4. Brester C., Semenkin E., Sidorov M. Speech-based emotion recognition: Application of collective decision making concepts // Proceedings of the Intern. Conf. on Computer Science and Artificial Intelligence (ICCSAI2014). Wuhan, China. 2014. Pp. 216-220.

5. Sidorov M., Semenkin E., Minker W. Multi-agent cooperative algorithms of global optimization // Proceedings of 11th Intern. Conf. on in Control, Automation and Robotics (ICINCO). 2014. Vol. 1. Pp. 259-265.

6. Whitley D., Rana S., Heckendorn R. B. Island model genetic algorithms and linearly separable problems // Evolutionary computing. 1997. Pp. 109-125.

7. Potter M. A., De Jong K. A. A cooperative coevolutionary approach to function optimization // Parallel Problem Solving from NaturePPSN. 1994. III. Pp. 249-257.

References

1. Kennedy J., Eberhart R. Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networks, IV. 1995. Pp. 1942-1948.

2. Yang X. S., Deb S. Cuckoo search via Levy flights. Proceedings of World Congress on Nature & Biologically Inspired Computing. 2009. Pp. 210-214.

3. Storn R., Price K. Differential Evolution - A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Technical Report TR-95-012, ICSI, March 1995.

4.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.

5. Maxim Sidorov, Eugene Semenkin, Wolfgang Minker. Multi-agent cooperative algorithms of global optimization. Proceedings of 11th International Conference on in Control, Automation and Robotics (ICINCO). 2014. Vol. 1. Pp. 259-265,

6. Whitley D., Rana S., Heckendorn R. B. Island model genetic algorithms and linearly separable problems. Evolutionary computing. 1997. Pp. 109-125.

7. Potter M. A., De Jong K. A. A cooperative coevolutionary approach to function optimization. Parallel Problem Solving from NaturePPSN III. 1994. Pp. 249-257.

© Федотов Д. В., Сидоров М. Ю., 2016

УДК 528.8; 551.46

ВОЗМОЖНОСТИ РЕАЛИЗАЦИИ ЧИСЛЕННЫХ МОДЕЛЕЙ ВОДНЫХ ЭКОСИСТЕМ, ОСНОВАННЫХ НА СПУТНИКОВЫХ ДАННЫХ1

А. В. Картушинский

Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 Институт биофизики СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50 E-mail: kartalvas@rambler.ru

Обсуждаются проблемы использования спутниковых данных при численном моделировании динамических процессов в водных экосистемах. Рассматриваются возможности использования градиентных характеристик для моделирования динамических процессов в верхнем слое водных экосистем с использованием спутниковых данных по температуре, мутности и концентрации хлорофилла.

Ключевые слова: поверхностные фронтальные зоны, численное моделирование, градиентные поля, гидрологические процессы, нормализованный индекс мутности.

1 Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований в рамках научного проекта РФФИ № 13-05-00853 а.