Формирование коллектива решающих правил многокритериальным эволюционным алгоритмом в задаче анализа эмоций человека по аудиоданным

Одной из важнейших задач современного этапа информатизации общества является развитие систем человеко-машинного интерфейса, в том числе систем автоматизированного распознавания эмоций человека. Эмоции человека выражены в виде комбинации двух показателей: Valence --- направленность эмоции (отрицательные или положительные) и Arousal --- выраженность эмоции (степень возбужденности). Эти показатели представлены вещественными числами. Для точности прогнозирования предложено использовать методы коллективного вывода. Точность коллективного решения оценена коэффициентом корреляции согласованности. Агенты (алгоритмы) в коллектив отобраны с помощью многокритериального эволюционного алгоритма. Применение многокритериального эволюционного алгоритма дало возможность автоматизировать процесс формирования коллектива, что позволило снизить затраты временных и материальных ресурсов. Коллектив построен на основе двух критериев: максимизации точности и минимизации числа агентов в коллективе. Для принятия решения коллективом применены такие способы, как простое голосование, взвешенное среднее, взвешенное среднее с учетом степени доверия к агенту, а также система на основе нечеткой логики. Для повышения эффективности решения задачи интеллектуального анализа данных предложена модификация системы на основе нечеткой логики. Проведены анализ и исследование эффективности многокритериального эволюционного алгоритма при решении задачи прогнозирования эмоционального поведения человека. Экспериментально выявлено, что применение многокритериального эволюционного алгоритма для автоматизированного формирования состава коллектива приводит к более точному решению задачи Исследование выполнено при поддержке Министерства науки и высшего образования Российской Федерации (Минобрнауки России) в рамках базового госбюджетного финансирования по проекту № 2.1680.2017/ПЧ

Литература

[1] Kuncheva L. Combining pattern classifiers. Methods and algorithms. Wiley, 2004.

[2] Hansen L.K., Salmon P. Neural network ensembles. IEEE Trans. Pattern Anal. Mach. Intell., 1990, vol. 12, no. 10, pp. 993--1001. DOI: 10.1109/34.58871

[3] Yamaguchi T., Mackin K.J., Nunohiro E., et al. Artificial neural network ensemble-based land-cover classifiers using MODIS data. Artif. Life Robotics, 2009, vol. 13, no. 2, pp. 570--574. DOI: 10.1007/s10015-008-0615-4

[4] Ridgeway G. The state of boosting. Proc. 31st Symp. Interface, 1999, pp. 172--181.

[5] Breiman L. Bagging predictors. Mach. Learn., 1996, vol. 24, no. 2, pp. 123--140. DOI: 10.1023/A:1018054314350

[6] Deb K., Agrawal S., Pratap A., et al. A fast elitist non-dominated sorting genetic algorithm for Multi-objective optimization: NSGA-II. Parallel Problem Solving from Nature PPSN VI. Springer, 2000, pp. 849--858. DOI: 10.1007/3-540-45356-3_83

[7] Zitzler E., Laumanns M., Thiele L. SPEA2: improving the strength Pareto evolutionary algorithm 2. TIK Report 103. Computer Engineering and Networks Laboratory, Swiss Federal Institute of Technology (ETH). Zurich, Switzerland, 2001.

[8] Gunes H., Pantic M. Automatic, dimensional and continuous emotion recognition. IJSE, 2010, vol. 1, no. 1, pp. 68--99. DOI: 10.4018/jse.2010101605

[9] Drucker H., Burges C.J., Kaufman L., et al. Support vector regression machines. Adv. Neural Inf. Process. Syst., 1997, vol. 9, pp. 155--161.

[10] Tipping M.E. Sparse Bayesian learning and the relevance vector machine, JMLR, 2001, vol. 1, pp. 211--244.

[11] Kwok T.-Y., Yeung D.-Y. Constructive algorithms for structure learning in feedforward neural networks for regression problems. IEEE Trans. Neural Netw., 1997, vol. 8, no. 3, pp. 630--645. DOI: 10.1109/72.572102

[12] Williams R.J., Zipser D. A learning algorithm for continually running fully recurrent neural networks. Neural Comput., 1989, vol. 1, no. 2, pp. 270--280. DOI: 10.1162/neco.1989.1.2.270

[13] Tian L., Moore J.D., Lai C. Emotion recognition in spontaneous and acted dialogues. Proc. ACII, 2015, pp. 698--704. DOI: 10.1109/ACII.2015.7344645

[14] Nicolaou M.A., Gunes H., Pantic M. Continuous prediction of spontaneous affect from multiple cues and modalities in valence-arousal space. IEEE Trans. Affect. Comput., 2011, vol. 2, no. 2, pp. 92--105. DOI: 10.1109/T-AFFC.2011.9

[15] Polyakova A., Lipinskiy L. A study of fuzzy logic ensemble system performance on face recognition problem. IOP Conf. Ser.: Mater. Sci. Eng., 2017, vol. 173, no. 1, art. 012013. DOI: 10.1088/1757-899X/173/1/012013

[16] Ringeval F., Sonderegger A., Sauer J., et al. Introducing the RECOLA multimodal corpus of remote collaborative and affective interactions. 10th IEEE Int. Conf. Workshops on Automatic Face and Gesture Recognition (FG), 2013, pp. 1--8. DOI: 10.1109/FG.2013.6553805

[17] Russell J.A. A circumplex model of affect. J. Pers. Soc. Psychol., 1980, vol. 39, no 6, pp. 1161--1178. DOI: 10.1037/h0077714

[18] Ringeval F., Eyben F., Kroupi E., et al. Prediction of asynchronous dimensional emotion ratings from audio-visual and physiological data. Pattern Recogni. Lett., 2015, vol. 66, pp. 22--30. DOI: 10.1016/j.patrec.2014.11.007