Научная статья на тему 'О применении нейроэволюционных методов для решения задачи распознавания эмоций'

О применении нейроэволюционных методов для решения задачи распознавания эмоций Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
280
71
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
РАСПОЗНАВАНИЕ ЭМОЦИЙ / EMOTION RECOGNITION / СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ / CONVOLUTIONAL NEURAL NETWORKS / ЭВОЛЮЦИОННЫЕ АЛГОРИТМЫ / EVOLUTIONARY ALGORITHMS

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Федотов Д.В., Сидоров М.Ю.

Рассматривается задача распознавания эмоций по видео-, аудиои текстовым данным. Предлагается использование сверточных нейронных сетей, эволюционных алгоритмов и коллективов методов интеллектуального анализа данных.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

ON USING NEUROEVOLUTIONARY METHODS FOR EMOTION RECOGNITION PROBLEM

Emotion recognition problem based on video, audio and text information is considered. Author proposes to use convolutional neural networks, evolutionary algorithms and ensembles of intellectual data analysis methods.

Текст научной работы на тему «О применении нейроэволюционных методов для решения задачи распознавания эмоций»

Решетнеескцие чтения. 2015

тельно выше скорости дрейфа электронов, первый максимум начинает интенсивно расти, и в момент времени 4,2 ns они сравниваются.

Напряженность поля плазменного столба катодного пятна существенно понижена. Сам столб окружен объемным зарядом медленных положительных ионов, обеспечивающих высокую напряженность поля перед ним. На стадии сформировавшегося плазменного котла ионизация металлического пара идет преимущественно в тонком слое перед облаком ионов, а в столбе преобладает рекомбинация ионов. Ионизация обеспечивает постоянное удлинение проводящего плазменного столба и перемещение слоя объемного заряда на внешнюю границу текущего состояния, т. е. в направлении от катода. Это, в свою очередь, приводит к перемещению локального максимума электрического поля и зоны интенсивной ионизации и обеспечивает движение так называемой волны ионизации.

Библиографические ссылки

1. Особенности поведения электродуговых наноча-стиц CuO в магнитном поле / А. В. Ушаков [и др.] // ФТТ. 2015. № 57(5). С. 903-907.

2. Влияние концентрации кислорода на формирование кристаллических фаз наночастиц ZrO2 в процессе синтеза в плазме дугового разряда низкого давления / А. В. Ушаков, И. В. Карпов, А. А. Лепешев // ФТТ. 2015. № 57(11). С. 2251-2253.

3. Enhancing of magnetic flux pinning in YBa2Cu3O7-x/CuO granular composites / A. V. Ushakov [et al.] // J. Appl. Phys. 2015. № 118(2). P. 023907. URL: http://dx.doi.org/10.1063/ 1.4926549.

4. Technology Ready Use For Producing Nanomate-rials in the Plasma of a Low-Pressure Pulsed Arc Discharge / А. В. Ушаков [и др.] // Вестник СибГАУ. 2015. № 16(2). С. 485-490.

5. Автоэмиссия катода как возможный фактор перехода стримерного канала в искровой / Д. Г. Коре-

нюгин, А. М. Марциновский, К. Е. Орлов // Письма в ЖТФ. 2009. № 35(20). С. 34-40.

6. Rakhovskii V. Experimental Study of the Dynamics of Cathode Spots Development // IEEE Transactions on Plasma Science. 1976. № 4(2). P. 81-102.

References

1. Ushakov A. V., Karpov I. V., Lepeshev A. A., Petrov M. I., Fedorov L. Yu. Specific Features of the Behavior of Electroarc CuO Nanoparticles in a Magnetic Field / Physics of the Solid State, 2015. Vol. 57, no. 5, рp. 919-923.

2. Ushakov A. V., Karpov I. V., Lepeshev A. A. The influence of oxygen concentration on the formation of crystalline phases ZrO2 nanoparticles during the synthesis of the plasma arc discharge of low pressure // Physics of the Solid State, 2015. Vol. 57, no. 11, рp. 2251-2253.

3. Ushakov A. V., Karpov I. V., Lepeshev A. A., Petrov M. I. Enhancing of magnetic flux pinning in YBa2Cu3O7-x/CuO granular composites // J. Appl. Phys. 2015. Vol. 118, no 2, рp. 023907. URL: http://dx.doi.org/ 10.1063/1.4926549.

4. Ushakov A. V., Karpov I. V., Lepeshev A. A., Shaikhadinov A. A., Fedorov L. Yu. [Technology Ready Use For Producing Nanomaterials in the Plasma of a Low-Pressure Pulsed Arc Discharge] // Vestnik SibGA U. 2015. No. 16, рp. 485-490.

5. Korenyugin D. G., Martsinovsky A. M., Orlov K. E. Field electron emission from cathode as a possible factor in the transition from a streamer to spark discharge channel // Technical Physics Letters, 2009. Vol. 35, no. 10, рp. 944-947.

6. Rakhovskii V. Experimental Study of the Dynamics of Cathode Spots Development // IEEE Transactions on Plasma Science. 1976. No. 4(2), рp. 81-102.

© Ушаков А. В., Карпов И. В., Лепешев А. А., 2015

УДК 004.93

О ПРИМЕНЕНИИ НЕЙРОЭВОЛЮЦИОННЫХ МЕТОДОВ ДЛЯ РЕШЕНИЯ ЗАДАЧИ

РАСПОЗНАВАНИЯ ЭМОЦИЙ*

Д. В. Федотов1, М. Ю. Сидоров2

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

Е-таП: fedotov.dm.v@gmail.com 2Ульмский университет Германия, 89081, г. Ульм, аллея Альберта Эйнштейна, 43 Е-таП: maxim.sidorov@uni-ulm.de

Рассматривается задача распознавания эмоций по видео-, аудио- и текстовым данным. Предлагается использование сверточных нейронных сетей, эволюционных алгоритмов и коллективов методов интеллектуального анализа данных.

Ключевые слова: распознавание эмоций, сверточные нейронные сети, эволюционные алгоритмы.

* Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации в рамках проекта ММЕЕ157414Х0037.

Математические методы моделирования, управления и анализа данных

ON USING NEUROEVOLUTIONARY METHODS FOR EMOTION RECOGNITION PROBLEM

D. V. Fedotov1, M. Yu. Sidorov2

1Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: fedotov.dm.v@gmail.com 2Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: maxim.sidorov@uni-ulm.de

Emotion recognition problem based on video, audio and text information is considered. Author proposes to use convolutional neural networks, evolutionary algorithms and ensembles of intellectual data analysis methods.

Keywords: emotion recognition, convolutional neural networks, evolutionary algorithms.

В настоящее время набирают популярность исследования в области человеко-машинного взаимодействия. В жизнь прочно входят персональные голосовые помощники, такие как Google Now (Google), Siri (Apple), Cortana (Microsoft), S Voice (Samsung). Повысить качество систем человеко-машинного взаимодействия можно с помощью распознавания эмоций человека.

При решении задач классификации и распознавания образов широко используются нейронные сети. Для работы с задачами компьютерного зрения, анализа речи и предсказания временных рядов в 1980 году были разработаны сверточные нейронные сети. В основе сверточных нейронных сетей лежит система нейронов зрительной коры головного мозга. Широкое распространение сверточные нейронные сети получили в 1990-х годах [1-4].

Для решения задачи распознавания эмоций в рамках данной работы происходит накопление базы данных, содержащей 3 типа информации: видео; аудио; текст, который произносит говорящий (при наличии). Эмоции говорящих соответствуют одному из следующих вариантов: (нейтральная, грусть, злость, радость, удивление).

Помимо соответствующей эмоции каждая запись в базе данных содержит информацию о поле говорящего, его возрасте (если известен) и силе проявления эмоции. На настоящий момент в базе данных собрано более 150 видеороликов. Распределение эмоций представлено на рисунке.

Удивление

Распределение эмоции в базе данных

При решении задач с разнородными данными больших размерностей может возникнуть потребность в отборе информативных признаков. Для решения этой задачи возможно применение эволюционных алгоритмов, которые позволяют значительно сократить размерность данных [5-8].

Центральной технологией в разрабатываемой системе распознавания эмоций являются нейронные сети, которые также продемонстрировали высокое качество работы при решении подобных задач [9]. Для повышения гибкости системы предлагается использование коллективов методов интеллектуального анализа данных [10].

Результаты работы будут представлены в докладе.

References

1. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition // Proceedings of the IEEE. 1998. 86(11), рр. 2278-2324.

2. Bottou L., LeCun Y., Bengio Y. Global training of document processing systems using graph transformer networks // Proc. of Computer Vision and Pattern Recognition. Puerto-Rico, 1997.

3. LeCun Y., Bottou L., Bengio Y. Reading checks with graph transformer networks // Intern. Conf. on Acoustics, Speech, and Signal Processing. Munich, 1997. Vol. 1, pр. 151-154.

4. LeCun Y., Jackel L. D., Bottou L., Brunot A., Cortes C., Denker J. S., Drucker H., Guyon I., Muller U. A., Sackinger E., Simard P., Vapnik V. Comparison of learning algorithms for handwritten digit recognition // International Conference on Artificial Neural Networks / editors F. Fogelman, P. Gallinari. Paris, 1995. EC2 & Cie. Pр. 53-60.

5. Brester C., Semenkin E., Sidorov M., Kovalev I., Zelenkov P. Evolutionary feature selection for emotion recognition in multilingual speech analysis // Proceedings of the IEEE Congress on Evolutionary Computation (CEC2015), Sendai, Japan, 2015. Pp. 2406-2411.

6. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of the International Conference on Engineering and Applied Sciences Optimization. Kos Island, Greece, 2014. Pp. 1838-1846.

Решетнееские чтения. 2015

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 Intern. Conf. on Informatics in Contrgorithms, self-tuning, optimization, binary variables, multi-objective problems.

8. Sidorov M., Brester C., Minker W., Semenkin E. Speech-Based Emotion Recognition: Feature Selection by Self-Adapted Multi-Criteria Genetic Algorithm // Proceedings of the 9th edition of the Language Resources and Evaluation Conference (LREC). Reykjavik, Iceland, 2014. Pp. 3481-3485.

9. Sidorov M., Brester C., Semenkin E., Minker W. Speaker State Recognition with Neural Network-based

Classification and Self-adaptive Heuristic Feature Selection // Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO'2014). Vienna, Austria, 2014. Vol. 1. Pp. 699703.

10. 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.

© Федотов Д. В., Сидоров М. Ю., 2015

УДК 338.001.36

К ВОПРОСУ ОБ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ ПРЕДПРИЯТИЙ

Е. Р. Хасанов, М. О. Петросян, К. К. Першакова, Е. В. Туева, О. О. Смирнов

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

Рассмотрены общие вопросы анализа экономической эффективности предприятий. Приведены частные показатели, характеризующие экономическую эффективность предприятий, основные причины неэффективности деятельности предприятия.

Ключевые слова: эффективность предприятия, анализ эффективности, экономическая эффективность.

ON THE ECONOMIC EFFICIENCY OF ENTERPRISES E. R. Hasanov, М. О. Petrosyan, К. К. Pershakova, Е. V. Tueva, О. О. Smirnov

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

The general questions of the analysis of economic efficiency of enterprises are researched. Partial indicators that characterize the economic efficiency of enterprises are shown; the main reasons for the inefficiency of the company are described.

Keywords: enterprise efficiency, efficiency analysis, economical efficiency.

Успешное функционирование предприятий в современных условиях требует повышения эффективности производства, конкурентоспособности продукции и услуг на основе внедрения достижений научно-технического прогресса, эффективных форм хозяйствования и управления производством, активизации предпринимательства и т. д. [1-8].

Важная роль в реализации этой задачи отводится анализу хозяйственной деятельности предприятий. С его помощью вырабатываются стратегия и тактика развития предприятия, обосновываются планы и управленческие решения, осуществляется контроль над их выполнением, выявляются резервы повышения эффективности производства, оцениваются результаты деятельности предприятия, его подразделений и работников.

В современных экономических условиях деятельность каждого хозяйствующего субъекта является предметом внимания обширного круга участников

рыночных отношений (организация и лиц), заинтересованных в результате его функционирования. На основании доступной им отчетности, учетной информации указанные лица стремятся оценить финансовое положение предприятия. Основным инструментом для этого служит финансовый анализ, при помощи которого можно объективно оценить внутренние и внешние отношения анализируемого объекта: охарактеризовать его платежеспособность, эффективность и доходность деятельности, перспективы развития, а затем по его результатам принять обоснованные решения.

Финансовое состояние организации характеризуется совокупностью показателей, отражающих процесс формирования и использования его финансовых средств. В рыночной экономике финансовое состояние организации по сути дела отражает конечные результаты ее деятельности. Именно конечные резуль-

i Надоели баннеры? Вы всегда можете отключить рекламу.