Распознавание психоэмоционального состояния дистанционного студента по устной речи адаптивными интеллектуальными информационными технологиями
Автор: Брестер Кристина Юрьевна, Вишневская Софья Романовна, Семенкина Ольга Эрнестовна
Журнал: Сибирский аэрокосмический журнал @vestnik-sibsau
Рубрика: Математика, механика, информатика
Статья в выпуске: 3 (55), 2014 года.
Бесплатный доступ
Для преодоления негативных последствий и развития речевой коммуникативной компетенции дистанционного студента необходимо совершенствовать речевые диалоговые системы общения «человек-компьютер», что немыслимо без обеспечения возможности распознавания эмоций и психологического состояния обучающегося. Рассматривается процедура извлечения информативных признаков, основанная на адаптивном многокритериальном генетическом алгоритме, исследуется ее эффективность в сочетании с различными классификационными моделями. Результаты тестирования реализованного алгоритмического аппарата демонстрируют его эффективность и обосновывают целесообразность использования в модулях диалоговых систем, в частности, для распознавания эмоций в процессе дистанционного обучения.
Дистанционное обучение, интеллектуальная диалоговая система, распознавание эмоций, адаптивный многокритериальный генетический алгоритм, классификатор
Короткий адрес: https://sciup.org/148177288
IDR: 148177288
Список литературы Распознавание психоэмоционального состояния дистанционного студента по устной речи адаптивными интеллектуальными информационными технологиями
- Прикладная статистика: Классификации и снижение размерности: справ. изд./С.А. Айвазян [и др.]; под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989, 607 с.
- Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection//Proceedings of International Conference on Engineering and Applied Sciences Optimization (OPT-i’14). 2014. P. 1838-1846.
- Kohavi R., John G.H. Wrappers for feature subset selection//Artificial Intelligence, 97. 1997. P. 273-324.
- Venkatadri M., Srinivasa Rao K. A multiobjective genetic algorithm for feature selection in data mining//International J. of Computer Science and Information Technologies. 2010. Vol. 1, no. 5. P. 443-448.
- 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 Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO). 2014. P. 851-855.
- Zitzler E., Thiele L. Multiobjective evolutionary algorithms: A comparative case study and the strength pareto approach//Evolutionary Computation, IEEE Transactions on. 1999. Vol. 3, no. 4. P. 257-271.
- Semenkin E., Semenkina M. Self-configuring Genetic Algorithm with Modified Uniform Crossover Operator//Advances in Swarm Intelligence: Lecture Notes in Computer Science 7331. Springer-Verlag, Berlin Heidelberg, 2012. P. 414-421.
- Семенкина М.Е. Самоадаптивные эволюционные алгоритмы проектирования информационных технологий интеллектуального анализа данных//Искусственный интеллект и принятие решений. 2013. № 1. С. 13-23.
- Khritonenko D.I., Semenkin E.S. Distributed selfconfiguring evolutionary algorithms for artificial neural networks design//Вестник СибГАУ. 2013. № 4 (50). С. 112-116.
- Stanovov V.V., Semenkin E.S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems//Вестник СибГАУ. 2013. № 4 (50). С. 148-152.
- Eiben A.E., Hinterding R., Michalewicz Z. Parameter control in evolutionary algorithms//IEEE Transactions on Evolutionary Computation. 1999. 3(2). Рp. 124-141.
- Daridi F., Kharma N., Salik, J. Parameterless genetic algorithms: review and innovation//IEEE Canadian Review. 2004. (47). P. 19-23.
- Sergienko R., Semenkin E. Competitive Cooperation for Strategy Adaptation in Coevolutionary Genetic Algorithm for Constrained Optimization//IEEE World Congress on Computational Intelligence (WCCI’2010). Barcelona, Spain, 2010. P. 1626-1631.
- Сергиенко Р. Б. Исследование эффективности коэволюционного генетического алгоритма условной оптимизации//Вестник СибГАУ. 2009. № 3. С. 31-36.
- Hall M. [et al.]. The WEKA Data Mining Software: An Update, SIGKDD Explorations. 2009. Vol. 11, iss. 1.
- Burkhardt F. [et al.]. A database of german emotional speech//In Interspeech. 2005. P. 1517-1520.
- Haq S., Jackson P. Machine Audition: Principles, Algorithms and Systems, chapter Multimodal Emotion Recognition//IGI Global, Hershey PA. Aug. 2010. P. 398-423.
- Schmitt A., Ultes S., Minker W. A parameterized and annotated corpus of the cmu let’s go bus information system//In Intern. Conf. on Language Resources and Evaluation (LREC). 2012.
- Eyben F., Wöllmer M., Schuller B. Opensmile: the munich versatile and fast opensource audio feature extractor//Proceedings of the Intern. Conf. on Multimedia, 2010. ACM. P. 1459-1462.
- Boersma P. Praat, a system for doing phonetics by computer//Glot international. 2002. 5(9/10). P. 341-345.
