前言：中文期刊网精心挑选了神经网络情感分析范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络情感分析范文1
1 用户感知评价体系概述
1.1 概念简述
用户感知是指客户对网络质量是可深入认识、感知的，良好的网络质量感知是企业核心竞争能力的直接表现。
用户感知在移动通信业务中是指用户在主观感受上对移动网络业务的使用满意程度，它反映了用户对网络和业务的感受优劣度，反映了该移动网络业务的质量与用户本身期待之间的差异。
1.2 用户感知发展现状
传统的网络优化方法主要包括基于网管指标、路测指标的网络优化。其中路测指标主要通过DT（dimension test）测试、CQT（Call Quality Test）测试获得，其特点是从终端侧收集数据，主要用于检测网络运行质量，反映测试路线上的网络情况。网络指标主要为网管KPI，获取方式是网管数据、告警数据、用户投诉数据等，该指标的特点是从网络侧收集数据，反映网络运行质量，统计不同范围的网络情况。传统用户感知模型如图1。传统用户感知模型只能够反映网络侧因素对用户体验质量的影响，片面的将网络设备状态当做用户的实际感受。
目前，移动网络技术广泛的应用于社会的各方各面，人们对移动业务质量也提出了更高的要求。现在的网络优化已经由过去的单纯优化网络性能，改变成优化用户的感知满意度。因此提出改进型的用户感知模型如图2。
2 用户感知模型的指标筛选
影响语音业务用户感知的相关指标比较多，但是并非每一个指标对用户体验质量都有着绝对的影响。为了建立科学客观的指标体系，本文采用最小距离聚类算法去除相关性较强的指标，并结合实际情况筛选出适合的语音业务用户感知的评价指标。
聚类法是研究多要素事物分类问题的数量方法。基本原理是根据样本自身的属性，用数学方法按照某种相似性或差异性指标，定量地确定样本之间的亲疏关系，并按这种亲疏关系程度对样本进行聚类筛选。
重复进行以上步骤可以得到最小距离聚类谱系图，如图3。
通过最小距离聚类谱系图可以筛选出六项评价指标：平均呼叫时长G1、切换成功率G8、呼叫建立时长G9、业务信道分配成功率G4、寻呼成功率G6、掉话率G3。
3 利用模糊神经网络建立评价模型
人工神经网络起源于模拟人脑神经元的工作方式。人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络具有很强的自适应与自组织特性以及泛化能力、非线性映射能力、高度并行性。
根据人工神经网络的特点，可以利用其建立用户感知评价模型，从用户角度分析所提供的服务的满意程度，为之后的网络优化提供支持。
T-S模糊神经网络分为输入层、模糊化层、模糊规则计算曾和输出层等四层。输入层与输入向量连接，节点数与输入向量的维数相同。
利用模糊神经网络建立语音业务用户感知体系KPI-QOE的映射模型，通过大量数据样本对模型进行训练自动调整权值使得模型的性能及误差等符合要求。建立用户感知模糊神经网络模型流程如图4。
4 结语
我国通信领域正在进行日新月异的变化，而传统的无线网络优化技术已经难以满足当前技术革新的步伐。落后的用户感知评估体系滞后了用户体验对网络质量的直接影响，使得传统的QoE体系不能完全真实的反映用户感知，常常会出现网络的KPI情况很好，但是从用户的真实感受来看，网络的质量却不如人意。因此，改进用户体验评价体系是当务之急。一套合理有效的用户感知评价体系将成为企业改善服务质量，提升用户满意度，培养用户忠诚度的必然之选。
参考文献
[1]林闯，胡杰，孔祥震.用户体验质量（QOE）的模型与评价方法综述[J].计算机学报，2012（35）.
[2]冯国玲，徐旭东.用户感知评估体系的设计与实现[J].河北工业科技，2009（3）.
[3]李荣.浅析移动通信中的用户感知[J].电信快报，2008（5）.
神经网络情感分析范文2
【关键词】BP神经网络 加速度传感器 手势识别
手势识别的研究是一个非常有意义的课题，从识别方法上看，目前主要采用的是隐马尔可夫模型（HMM）、支持向量机（SVM）、分类决策树以及人工神经网络（ANN）等。在多种识别方法中，HMM方法的识别率较高，但计算时间复杂度较高，SVM需要的存储空间较大，而决策树仅仅对简单手势有较好的识别率，对于复杂手势则识别率较低。综上，本文根据佩戴式数据手套的实时性要求高，计算时间、空间复杂度低的特点，采用BP神经网络模型进行手语识别。
1 基于加速度的BP神经网络手势识别设计
1.1 手势动作的加速度数据
通过可穿戴的手势加速度数据手套，采集得到手势数据。并通过挑点去除和均值滤波对手势数据进行预处理。然后用紧邻极值法提取手势动作的加速度特征值，形成一个手势动作的特征值样本集。
1.2 BP神经网络的设计
根据BP神经网络算法的特点，主要有以下几个方面的设定。
1.2.1 训练样本数量的选择
训练所采用的样本数量的多少，会对手势识别的准确度有较大的影响，训练所采用的样本数量越多，在训练后，最终手势的识别效果越好。但是，在解决实际问题时，不可能无限制的进行样本识别，需要一种规则来选择合适的样本数量进行训练，一般情况下，训练样本数量P可由（1）式来进行计算。
（1）
其中，mε为网络中权值数量加上阈值数量，ε为给定的训练误差。
根据经验，训练样本的数量一般为mε的5到10倍，另外，还需要对样本进行筛选，选择具有代表性的样本进行训练。在样本训练的过程中，将不同类别混合，随机选择加入，以使BP神经网络能够适应各种不同的情况。
1.2.2 BP神经网络的结构设计
在设计BP神经网络的过程中，需要确定隐含层数量、输入层与输出层节点的数量、隐含层节点的数量。
BP神经网络中，当具备S型隐层，权值矩阵再加上阈值，理论上可以用来大致表示所有的线性非线性函数。虽然层数的增加可以提高精度，但会大大增加神经网络的复杂度。考虑到可穿戴设备中的计算能力低，存储空间小，故而选择一层网络。
一般情况下，输入层的节点数量由实际的样本向量的维数决定；输出层的节点数量为需要辨别的手势数量加一。
对于隐层节点数量的选择，一般情况下，可由（2）式得到大致的节点数。
（2）
其中，m为隐含层节点数，n为输入层节点数，l为输出层节点数。
1.2.3 初始权值的选择
对于初始权值，一般情况下选择较小的数，可以使每个神经元的输入小，可以避免多次训练后某些权值的不合理性。本文选取0到2之间的随机数。
1.2.4 学习率的选择
初次训练一般情况下在0.01到1之间选择学习率，然后依据学习率不断调整权值向量，最终获取比较好的权值组合，使得实际输入与期望输入之间的误差小于一定的范围。
1.3 利用BP神经网络的手势识别过程
BP神经网络的手势识别主要分为学习训练与手势识别，其过程如图1所示。
2 实验验证过程及结果分析
在本实验中，主要针对BP神经网络的实现过程做重点介绍，同时根据输出结果，分析BP神经网络的识别效果。
2.1 实验验证过程
本实验随机选择了20位实验者，使其按照预先设定的手势的起始与终止动作，执行十个阿拉伯数字的动作，每人重复10次，总共得到2000组手势动作样本。其中，任意选择其中的一半作为BP神经网络训练样本，剩余部分则用来进行各种手势的识别。训练时，所有样本打乱顺序，然后依次按照顺序输入。
由于需要识别0-9这十个阿拉伯数字，所以总共需要10个输出节点，激活函数采用sigmoid.而一般手语的特征点不超过16个，为了增加BP神经网络的接收能力，将输入节点设为20个。隐含层节点数设为12，训练终止误差设为0.01，学习效率设为0.1。识别效果见表1。
2.2 实验结果分析
在数据训练识别中，由于数字9和数字0的识别中，由于数字0的手势识五个手指全部握住，而在数字求的识别中，手语动作识食指只是一个弧度，没有彻底握住，导致了数字9和数字0的识别率较低。这一问题有待于以后的提高。
参考文献
[1]孔俊其.基于三维加速度传感器的手势识别及交互模型研究[J].传感技术学报，2009.
[2]李歌.基于BP神经网络的手势识别研究[D].秦皇岛：燕山大学，2013.
[3]徐川龙.基于三维加速度传感器的人体行为识别[D].杭州：浙江工业大学，2013.
[4]吴江琴.基于DGMM的中国手语识别系统[J].计算机研究与发展，2000.
[5]邹伟.一种中国手语单手词汇识别系统[J].系统仿真学报，2003.
神经网络情感分析范文3
【关键词】信息融合；BP神经网络；D-S证据理论
1.引言
在发电机故障诊断中，故障多种多样，而每种故障信息之间又存在着冗余性和相关性，针对某一个故障信息进行分析已满足不了对故障分析的可靠性。目前还没有哪种单一传感器对被测对象的状态进行完全可靠的描述，所以采用多传感器进行综合的诊断，已成为当前的趋势。
采用多传感器进行测量师，由于测得信息量很大，各测点提取的故障征兆必然存在着随机性和矛盾性。若将大量的高维信息输入同一个神经网络处理的话，必然会导致诊断时间过长，效果变差等失真结果。为避免这种情况出现，提出了BP神经网络和D-S证据理论结合的综合诊断方法。首先对个测点的信号进行神经网络的局部诊断，这就将所测得高维信息分解成了低维的信息，而后将各神经网络局部诊断结果利用D-S理论进行决策级融合，最终得到综合的诊断结果。
2.数据融合的发电机故障诊断模型
本文利用BP神经网络和D-S理论对发电机进行综合的故障诊断，首先将个测点的信号进行BP神经网络局部诊断，对所有的局部诊断数据进行归一化，并对其进行决策级的D-S理论融合，得到准确的故障信息。
具体方法如下：
假设在故障征兆域S中，对应第一通道神经网络的结果，对应第二通道神经网络的结果，以此类推，每个信任函数的焦点元素都对应不同神经网络目标诊断结果，所有诊断结果构成辨别框架，对每个通道的神经网络输出值进行归一化处理，作为各焦点元素的基本概率分配，其中n作为通道数，p为故障模式分类数，即焦元数，最后利用D-S理论的证据联合规则得到最终结果。如图1所示。
3.BP神经网络局部诊断
本文采用BP神经网络对发电机先进行局部的诊断，根据从各测量的数据信息利用BP神经网络逐个对其进行诊断，并进行归一化处理，从而判断故障情况。在进行局部诊断时，为了使相同数据间具有可比性，对采集的数据信息进归一化处理，归一化公式如下：
其中：表示归一化数据，表示第个数据，表示中的最大最小值。
神经网络的结构确定一个含有33个神经元的三层网络，每个层的个数为10，18和5。创建符合要求的BP神经网络：
令P表示网络输入样本向量，T表示网络的目标向量
创建该BP神经网络的程序为：
td=[0 1；0 l；0 l；0 1；0 1；0 1；0 1；0 1；0 1；0 l；0 l；0 l；0 1]；
net=newff(td,[18,5],{'tang','logsig','trainlm'{'tansig'，'logsig'}，'trainlm'）
训练网络的程序为：
net.trainParam.epochs=1000；％训练次数为1000
net.trainParam.goal=0.01；％训练目标为0.01
L.plr=0.1； ％学习速率为0.1
Net=train（net，P，T）
该网络训练结果为：
TRAINLM，Epoch 0／1000，MSE 0.427518／0.01，Gradient 3.54487／le一010
TRAINLM，Epoch 4／1000，MSE 0.00105968／0.01，Gradient 0.115357／le一010
TRAINLM，Performance goal met.
4.D-S证据理论决策融合诊断
本文中将BP神经网络的局部诊断结果转化为证据理论模型，
设信任函数对应第测点的判断结果，5个信任函数的焦点元素都是，这些不同的故障模式构成了分辨框，即有共同的分辨框。
将神经网络的训练误差作为不确定因素，将网络节点的输出作归一化处理，作为各焦点元素的基本概率值，计算公式为：
表示故障模式，；表示BP网络的结果，，
为网络的样本误差，，tjn,yjn分别对应第个神经元的期望值和实际值。
由于中状态相互独立，所以有：
，第一次的局部诊断数据排成横排，第二次的数据成竖排，再用D-S合并规则计算表中的各栏，可以得到其融合的结果；用融合的结果再与第三次局部诊断数据融合，即可得最终的结果，如表1，2所示。
从表2可以看出，经过数据融合的结果与理想目标输出比较接近，误差满足实际需求，从而证明了BP神经网络和D-S理论综合诊断方法的实效性。
5.结论
针对多传感器数据融合发电机故障特点，提出了将神经网络和D-S证据理论相结合的综合诊断思路，设计了诊断模型，利用BP神经网络进行局部诊断，然后采用D-S证据理论对局部诊断进行决策级融合，得到的结果基本满足实际需求，证明BP神经网络和D-S证据理论相结合的发电机故障综合诊断方法的实效性。
参考文献
[1]郝红勋.人工神经网络在航空发电机故障诊断中的应用[J].2006,03,18.
[2]王江萍.神经网络信息融合技术在故障诊断中的应用[J].石油机械,29,8:27-30.
[3]刘怀国,吴陈,张冰.D-S证据理论在多传感器数据融合中的应用[J].华东船舶工业学院学报,200l,15,3:20-25.
神经网络情感分析范文4
【论文关键词】健康心理学；心理测量学研究；大学生；网络成瘾；人格
近年来．大学生逐渐成为网络成瘾障碍(IntemetAdditionDisorder。IAD)的高发人群。以网络游戏成瘾和网络社交成瘾两种亚型最为常见．1AD成为损害大学生心身健康和社会适应能力的重要因素。以往研究表明．大学生的IAD个体常表现出广泛的心身症状和社会功能损害。包括焦虑、抑郁：社会适应能力下降：现实人际关系淡漠和生理功能障碍如睡眠障碍、食欲下降和体重减轻等。由于上网聊天的主要目的是无目的地打发时间和回避现实中的人际交往。因而网络社交成瘾者可能会体验到更多的心身症状和现实人际关系受损。而网络游戏高手可通过自己娴熟的操作技巧来获得同伴的尊重．在一定程度上有助于缓解游戏成瘾者的焦虑和抑郁情绪。值得关注的是．在大学生群体中．不同的网络成瘾内容可能导致个体沉迷或过度卷入程度存在差异，从而对成瘾者的心理健康水平产生不同影响。然而，关于不同亚型IAD大学生的心理健康水平差异国内尚未见有研究涉及。
对大学生IAD成因的探讨主要集中在个体的易感素质、认知方式和情感激活程度等内因方面，其中以人格特质的作用最受重视。相关研究表明，人格特质与大学生IAD的形成有密切关系，情绪不稳定、高神经质倾向的个体接触网络后更易发展成为IAD=61。IAD个体常表现出某些适应不良的人格和心理特征如爱幻想、低自尊、社交恐怖、抑郁、焦虑、缺乏自信和更具好奇心等。由于大学生群体中存在不同的IAD亚型，可以假设，不同IAD亚型的促发因素以及人格特质在不同IAD亚型的预测作用可能存在差异。然而，国内外关于上述问题的研究却相对缺乏。
综上所述，本研究拟考察大学生中网络游戏成瘾者和网络社交成瘾者的分布情况，比较两种IAD亚型大学生的心理健康水平和人格特质的差异，并进一步分析人格在不同亚型IAD中的预测作用，以期为针对性干预策略的实施和有效性评估提供理论和实验依据。
1对象与方法
1．1对象
选择中山大学、华南师范大学和广东商学院三所高校的大学本科生为研究对象。发放问卷800份，回收有效问卷654份。其中男性297人，女性357人，平均年龄20．29+_1．39岁。大一176人(26．91％)，大二195人f28．82％)，大三119人f18．20％)，大四164人(25．08％)。各年级男女比例和专业基本匹配。
1．2工具
1．2．1一般病理性网络使用量表(GeneralizedPathol-ogicalIntemetUseScale．GPIUS)中文版GPIUS由Caplan编制，李欢欢等修订，量表共27个条目，包括6个维度：过度使用、网络渴求、社交认知和收益、功能损害、心境转换和网络社交。量表采用利克特五点评分。“1”表示“完全不符合”，“5”表示“完全符合”。量表得分>73，表明个体存在网络社交成瘾倾向，分数越高，成瘾倾向越明显。
1．2．2大学生网络游戏认知一成瘾量表(Internet GameCognition—additionScale，IGCAS)为自编量表I，条目来源于网络成瘾的临床表现、DSM一1V的病理性赌博和物质滥用诊断标准，以及参考CaplantTl编制的一般性网络成瘾量表(GeneralizedPathologicalIntemetUseScale，GPIUS)中关于网络功能的认知条目。量表包括13个条目。采用利克特五点评分。“1”表示“完全不符合”，“5”表示“完全符合”。本研究中，该量表在654名大学生样本中使用获得比较满意的信效度，各分量表和总量表的d系数在0．90～0．94。探索性因素分析结果显示量表包括2个维度：游戏非适应认知和成瘾行为，可解释方差61．63％。量表得分>32，表明个体存在网络游戏成瘾倾向，分数越高，成瘾倾向越明显。
1．2．3症状自评量表(SeIfratingChecklist，SCL-90)由Derogatis编制，王征宇等修订。量表共包括90个条目，涉及躯体化、强迫、人际关系敏感、抑郁、焦虑、低对、恐怖和精神病性等9个方面的心理和生理症状描述。
1．2．4艾森克人格问卷(简式)(EysenckPersonalityQuesitonnaire，EPQ)由钱铭怡等修订。问卷包括48个条目，划分为神经质、精神质、外向性和掩饰性4个维度。
1．2．5 Young成瘾量表(中文版)共包括8个条目：突显性、过度使用、戒断反应、控制失败、情绪调节、分心、隐瞒和忽视社交生活。当被试对8题中的5题回答“是”，且能够排除其他精神疾病所导致，则被诊断为IAD。
1．3施测程序和数据处理
本研究以班级为单位进行集体施测，主试为有经验的教师和经过系统培训的研究生。数据处理使用SPSS13．0软件包。
2结果
2．1大学生两种IAD亚型的发生率
以Young量表分>5，GPIUS得分>73，IGCAS得分5。GPIUS得分32为网络游戏成瘾的人组标准。以Young量表分
2．2网络社交成瘾组、网络游戏成瘾组与对照组大学生的SCL一90得分差异比较
在非成瘾组大学生489人中随机选取89人，作为对照组。通过One—WayANOVA，考察网络社交成瘾组、网络游戏成瘾组和对照组之间的SCL一90得分差异，并采用Seheffe进行事后比较。结果显示：三组的SCL一90各因子分和总分的总体比较差异显著(P
2．3网络社交成瘾组、网络游戏成瘾组与对照组大学生的EPQ得分差异比较
方差分析结果显示，三组在精神质得分上的总体比较存在显著差异(P
2．4大学生IAD倾向、人格特质和心理症状的关系
相关分析结果显示，GPIUS量表分与SCL一90各因子和总分呈正相关，相关系数值为0．21~0．32，有统计学显著性fP
2．5大学生的两种IAD亚型影响因素的回归分析
为进一步了解大学生网络社交成瘾和网络游戏成瘾的影响因素，以及人格特质在两种亚型IAD中是否具有预测作用。以性别、年龄、专业、每周上网时间、精神质、神经质和外向性作为自变量，以GPIUS量表分和ICGAS量表分作为因变量，进行逐步回归分析。结果显示，性别是网络游戏成瘾的危险因素。而每周上网时间、精神质和外向性对网络社交成瘾有显著的正向预测作用。详见表3和表4。
3讨论
3．1大学生中网络社交成瘾和网络游戏成瘾的分布特征
国外早期有研究报道大学生IAD发生率为6—15％，国内朱克京等的研究则报道为9．9％。但是，并未见研究报道不同IAD亚型在大学生中的分布情况。本研究发现，大学生的网络社交成瘾和游戏成瘾发生率分别为13．6％，为11．6％．略高于朱克京等的研究数据。提示随着网络逐渐步入大学生的日常生活，大学生IAD的发生率可能存在增高的趋势，而网络社交成瘾和游戏成瘾已成为大学生群体中IAD的主要亚型。进一步分析发现．网络社交成瘾的分布无性别差异，表明男生和女生在使用互联网非特定的社交服务功能包括网络聊天．BBS和BLOG时，均存在发展成为网络社交成瘾者的危险性。而在游戏成瘾者中，男生所占比例显著高于女生。可能的原因是，当前的网络游戏主要包括动作类，格斗类，赛车类，角色扮演类(MMRPG)，即时战略类，回合式战略类，模拟类和体育游戏类等，游戏的内容和挑战性对于男生具有更大的吸引力．网络游戏更易成为男生获得同伴或社会赞许，满足好奇心和冒险渴望的虚拟载体，继而导致其成瘾行为的产生。提示性别是游戏成瘾的危险因素，男生发展成为游戏成瘾者的危险性要高于女生。
3．2大学生网络社交成瘾者和网络游戏成瘾者的心理健康水平与人格特质差异
本研究发现，与对照组大学生相比，网络游戏成瘾者的社交恐怖因子分显著增高．而网络社交成瘾者的SCL一90各因子分均显著增高，表明网络社交成瘾者和网络游戏成瘾者表现出不同程度的情绪、行为和生理症状，两种亚型的IAD大学生均存在心理健康状况不良，与国内外相关研究结果一致。
值得注意的是，除恐怖和偏执因子外，网络社交成瘾者的SCL一90其余因子分也显著高于游戏成瘾者。GPIUS得分与SCL一90各因子分和总分呈显著正相关，而IGCAS得分仅与强迫和恐怖因子得分呈显著正相关。提示在大学生群体中，网络社交成瘾者所表现的心理症状更为广泛，网络社交成瘾对个体心理健康的损害程度较网络游戏成瘾严重。此外，行为缺乏控制、害怕或回避社交、敌对和易紧张为两种亚型IAD者共同的心理行为症状。表明今后干预策略的实施应更关注网络社交成瘾的大学生人群，而指导IAD大学生学会适当的处理人际关系、降低负性情绪水平和加强行为控制能力是普适性的干预策略。
已有大量研究探讨人格与IAD的关系．如罗天玉等的研究发现：成瘾者在大五人格问卷中的开放性和宜人性维度得分显著低于对照组．而神经质、外向性和严谨性得分与对照组相比无显著差异。雷雳等的研究则发现，神经质、外向性和宜人性对网络成瘾具有显著的正向预测作用。未进行网络成瘾亚型的划分，使得不同研究中的网络成瘾样本有明显的异质性．可能是导致这些研究结果不一致的重要原因。本研究在亚型划分的基础上，考察了不同IAD亚型大学生人格特质的差异。结果发现，网络社交成瘾者的精神质得分要显著高于游戏成瘾组和对照组．而网络游戏成瘾组在精神质、神经质和外向性得分上与对照组相比无显著差异。表明两种亚型IAD的人格易感因素存在差异，精神质得分高的个体通常表现出孤独、难以适应外部环境、与他人不友好和喜欢寻衅滋事等行为特征，存在现实人际关系不良。对于此类型的大学生来说，网络提供了他们一个与现实环境有很大差异的社交平台．网络聊天成为他们回避现实的人际交往以及由此产生的焦虑和不适的主要方式。此外，由于网络聊天的匿名性特点．个体不需要对自己网络上的言论承担责任，网络聊天甚至成为他们进行言语攻击和发泄不满情绪的虚拟载体，并因此获得满足感，使得他们更愿意投入到网络的社交功能服务当中．从而更易发展成为网络社交成瘾。而本研究未发现网络游戏成瘾大学生存在明显的人格易感因素，提示大学生在接触网络到发展为游戏成瘾的过程中，可能存在除人格因素以外的其他中介变量。此外，本研究发现，GPIUS总分、精神质与SCL一90各因子分和总分存在显著正相关，表明精神质的个性特征是导致网路社交成瘾大学生心理健康水平低于网络游戏成瘾大学生的重要原因。
神经网络情感分析范文5
关键词：仿生算法；神经网络；遗传算法
中图分类号：TP183文献标识码：Adoi: 10.3969/j.issn.1003-6970.2011.03.017
An Improved Algorithm of Bionic Research and Analysis
Yue Tong-sen, Wang Da-hai
(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)
【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.
【Key words】Bionic algorithm; Neural network; Genetic algorithm
0引言
人工神经网络[1]和遗传算法[2]是仿生算法[3]的典型方法，它们的优化问题一直是众多研究者所倍为关注的研究热点之一。在人工神经网络和遗传算法结构的研究中发现，人工神经网络具有很好的模式分类的特性，遗传算法有很好的动态变更权值的特性，基于此，本文提出了一种改进的基于人工神经网络和遗传算法的算法。本章的改进算法，就是对人工神经网络和遗传算法进行了变换，增强了对输入权值的变化速度，并提出用减少输入层个数的方法是加快神经网络学习的有效方法，取得了良好的实验效果。
1神经网络和遗传算法的特究点
1.1神经网络和遗传算法的不同点
1．神经网络是多层感知机，而遗传算法是单层感知机。神经网络是由输入层，隐含层和输出层够成，但遗传算法的基因组是一个数组，不管基因的长度有多长，其结构仍然是一个单层感知机。
2． 神经网络的隐含神经元个数是不确定的，而输出层和输入层的个数是可以确定的。我们希望输入层的个数用新的方法得到降低，这样神经网络的训练速度就可以提高。同时对于隐含层的层数，一般情况设为1。每层的神经元个数也并不是越多越好，是要根据问题的情况而变动的。但神经网络的隐含层是不确定的，而且隐含层的个数也是不确定的。对于遗传算法，它的二进制的长度是可以确定的，但是交叉和变异的比例是变动的。对于单点交叉比例，我们可以设定为黄金分割点。虽然设定为黄金分割点作为单点交叉比例没有用数学方法严格的证明，但是，大量的实验表明，选择黄金分割点往往可以得到较好的结果。对于变异比例，没有交好的方法确定，只能设计交互式的实验来调试决定。
3．权值的更新方式不一样。神经网络的权值的更新方式是时时的，而遗传算法权值的更新方式是批量的。
4．两者应用的范围不一样。神经网络主要应用于模式匹配，错误诊断，监视病人的状态，特征提取，数据过滤。而遗传算法主要应用在计算机辅助设计，日程安排，经济学的投资研究等。
1.2神经网络和遗传算法的相同点
1．有教师的学习。神经网络的输出是有目标的，当然是确定的。同时对于遗传算法的目标也是确定的。所以两者都是有目标的，也就是有教师的学习。
2．随机近似优化过程。神经网络中，如果把网络的权值初始化为接近于0的值，那么在早期的梯度下降步骤中，网络将表现为一个非常平滑的函数，近似为输入的线性函数，这是因为sigmoid函数本身在权值靠近0时接近线性。同样，遗传算法的初始个体都是随机产生的，它的交叉和变异都是一个不断近似的过程。
3．并行化。神经网络的每个神经元是独立的，如果把每个神经元分配一个处理器，那么就可以采用并行的方式。同样，遗传算法很自然地适合并行实现，有粗粒度并行方法和细粒度并行方法。有粗粒度并行方法就是把群体细分成相对独立的个体群，称为类属，然后为每个类属分配一个不同的计算节点，在每个节点进行标准的GA搜索。细粒度并行方法就是给每个个体分配一个处理器，然后相邻的个体间发生重组。
2算法的研究及改进
结合人工神经网络和遗传算法的研究的本质，通过两种算法结合的研究及改进，提高算法的收敛速度，从大量的数据中模拟生物的特性来完成特定的任务和解决问题的方法和方向。由于遗传算法是单层感知机，而神经网络是多层感知机，所以可以从多层感知机的多层性，我们想象为遗传算法是单层感知机作为神经网络是多层感知机的输入层。这样，我们就可以采用遗传算法的动态变更权值的特性来对神经网络输入层有效性的遗传和变异。这种算法适合与没有输入，只有输出的应用，就像无人驾驶技术中控制行驶的速度和方向的控制一样。基本的框架如图1：
图1结合人工神经网络和遗传算法的框图
Fig.1 Combined with artificial neural network and genetic algorithm diagram
最上面的是智能体，神经网络的输出来控制智能体，控制中心将神经网络的权值用遗传算法的初始体来提供。
2.1遗传算法的基因作为神经网络的权值变量
遗传算法的基因的初始化必须要满足神经网络的输入要求，一般遗传算法的基因都是0，1编码。但是为了达到神经网络的输入要求，是要在（-1，+1）之间随机产生。
2.2遗传传算法中杂交点选择
遗传算法中，一般都是采用随机平均变异[4][5]的方式，但是如果输入是由遗传算法的基因提供的话，为了保证在变异的时候，采用标记变异的方法。我们可以首先根据图2的神经网络来考虑：
图2遗传算法作为人工神经网络和的权值图
Fig.2 Genetic algorithm as artificial neural network and the weights of figure
很显然，（0.3,-0.8,-0.2）是神经元1的权值 ；(0.6,0.1,-0.1)是神经元2的的权值；(0.4,0.5) 神经元3的权值。为了在遗传算法中的杂交过程中，不破坏每个神经元的权值个数，特意标记（3，6）所在的箭头。
2.3引入神经网络输入层的数据预处理
神经网络的计算问题是神经网络应用中最为关键的问题。如何提高网络的训练速度是算法研究的重点。我们在思考问题的时候，总是希望问题越简单越容易解决。同样，我们也可以通过对数据的预处理，来降低问题的难度。
为了减少输入层的个数，我们可以先对数据进行预处理。预处理的方法为如下流程：
（1）.计算机器人前进方向Position(x,y)和目标的所在的位置Location(x,y)。
（2）.归一化Position(x,y) 和Location(x,y)。
（3）.用点乘的计算公式计算两者点乘。
（4）.用符号重载的方式计算是顺时针还是相反。
（5）.计算角度=第3步的结果*第4步的结果。
3实验结果及分析
3.1实验框架
将本算法应用于扫雪机器人的智能控制中，设计的主要模块：
3.1.1神经网络部分的设计
神经网络的输入由四个变量组成：扫雪机器人方向向量（由两个变量组成，即在X和Y的分量），发现目标，即雪的向量（由两个变量组成，即在X和Y的分量）。神经网络的隐含层由一层组成，而且由10个神经元。神经网络的输出由两个变量组成，V1和V2，分别作用在机器人的左轮和右轮上。神经网络的响应函数采用SIGMOD。
3.1.2遗传算法部分的设计
遗传算法的初始化是为神经网络提供权值，所以是由[-1，1]随机数产生。遗传算法的变异是采用随机变量的变异，选择采用轮转法。
3.1.3扫雪机器人
扫雪机器人用神经网络来控制，当找到目标后，它的适值就加一。这样就随着发现目标越多，它的适值就越大。学习能力是通过不断的学习后，它的适值就会加强。如果直接采用机器人前进方向和目标的所在的位置，那么神经网络的输入为四个变量。
3.2结果与分析
如果直接采用机器人前进方向和目标的所在的位置，那么神经网络的输入为四个变量。通过对扫雪机器人的学习过程，没有进行预处理的数据，即四个变量输入神经网络后的参数设定：神经网络的输入为4，神经元为6个，输出个数为2个，如图3所示：
图3网络的参数设定图
Fig.3 Network parameters set figure
我们设定初始的适值为0，如果发现一个目标后，它所对应的适值就加上1，这样经过50次的进化后，没有进行数据预处理的最大值是25，平均值是10.1333。如表1所示：
将50次的统计结果用柱状图进行对比,如图4所示。
图4进化50代后的加入数据预处理和没有加入预处理的对比图
Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram
为了减少输入层的个数，我们可以先对数据进行预处理下面，用统计的方法对数据进行的结果分析，如表2所示。
将进化100代后，对比两者的对比柱状图如图5所示。
图5进化50代后的加入数据预处理和没有加入预处理的对比图
Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram
实验结果表明，为了减少输入层的个数，先对数据进行预处理。通过对扫雪机器人的过程的数据分析进行分析，数据预处理后的智能进化学习能力相对于原始数据的智能进化学习能力有明显的提高。
4结束语
本文提出了基于神经网络和遗传算法结合的改进算法，对于遗传算法的变异操作进行改进，不会破坏单个神经元的输入权值的基础上，采用数据预处理的方法来减少输入层的个数，从而提高进化学习的能力。从实验数据中可以看到，本章提出的改进算法加快了学习速度，达到了提高智能学习的预期
目的。
参考文献
[1] 乔俊飞，韩桂红．神经网络结构动态优化设计的分析与展望[J].控制理论与应用，2010,3(13):350-357.
[2] 葛继科，邱玉辉,吴春明，等．遗传算法研究综述[J].计算机应用研究,2008,10(9):2911-2916.
[3] 丁建立，陈增强，袁著祉．智能仿生算法及其网络优化中的应用研究进展[J].计算机工程与应用，2003,12(3):10-15
[4] 巩敦卫，等．交互式遗传算法原来及其应用[M].北京:国防工业出版社,2007.
神经网络情感分析范文6
【论文关键词】健康心理学；心理测量学研究；大学生；网络成瘾；人格
近年来．大学生逐渐成为网络成瘾障碍(intemetadditiondisorder。iad)的高发人群。以网络游戏成瘾和网络社交成瘾两种亚型最为常见．1ad成为损害大学生心身健康和社会适应能力的重要因素。以往研究表明．大学生的iad个体常表现出广泛的心身症状和社会功能损害。包括焦虑、抑郁：社会适应能力下降：现实人际关系淡漠和生理功能障碍如睡眠障碍、食欲下降和体重减轻等。由于上网聊天的主要目的是无目的地打发时间和回避现实中的人际交往。因而网络社交成瘾者可能会体验到更多的心身症状和现实人际关系受损。而网络游戏高手可通过自己娴熟的操作技巧来获得同伴的尊重．在一定程度上有助于缓解游戏成瘾者的焦虑和抑郁情绪。值得关注的是．在大学生群体中．不同的网络成瘾内容可能导致个体沉迷或过度卷入程度存在差异，从而对成瘾者的心理健康水平产生不同影响。然而，关于不同亚型iad大学生的心理健康水平差异国内尚未见有研究涉及。
对大学生iad成因的探讨主要集中在个体的易感素质、认知方式和情感激活程度等内因方面，其中以人格特质的作用最受重视。相关研究表明，人格特质与大学生iad的形成有密切关系，情绪不稳定、高神经质倾向的个体接触网络后更易发展成为iad=61。iad个体常表现出某些适应不良的人格和心理特征如爱幻想、低自尊、社交恐怖、抑郁、焦虑、缺乏自信和更具好奇心等。由于大学生群体中存在不同的iad亚型，可以假设，不同iad亚型的促发因素以及人格特质在不同iad亚型的预测作用可能存在差异。然而，国内外关于上述问题的研究却相对缺乏。
综上所述，本研究拟考察大学生中网络游戏成瘾者和网络社交成瘾者的分布情况，比较两种iad亚型大学生的心理健康水平和人格特质的差异，并进一步分析人格在不同亚型iad中的预测作用，以期为针对性干预策略的实施和有效性评估提供理论和实验依据。
1对象与方法
1．1对象
选择中山大学、华南师范大学和广东商学院三所高校的大学本科生为研究对象。发放问卷800份，回收有效问卷654份。其中男性297人，女性357人，平均年龄20．29+_1．39岁。大一176人(26．91％)，大二195人f28．82％)，大三119人f18．20％)，大四164人(25．08％)。各年级男女比例和专业基本匹配。
1．2工具
1．2．1一般病理性网络使用量表(generalizedpathol-ogicalintemetusescale．gpius)中文版gpius由caplan编制，李欢欢等修订，量表共27个条目，包括6个维度：过度使用、网络渴求、社交认知和收益、功能损害、心境转换和网络社交。量表采用利克特五点评分。“1”表示“完全不符合”，“5”表示“完全符合”。量表得分>73，表明个体存在网络社交成瘾倾向，分数越高，成瘾倾向越明显。
1．2．2大学生网络游戏认知一成瘾量表(internet gamecognition—additionscale，igcas)为自编量表i，条目来源于网络成瘾的临床表现、dsm一1v的病理性赌博和物质滥用诊断标准，以及参考caplanttl编制的一般性网络成瘾量表(generalizedpathologicalintemetusescale，gpius)中关于网络功能的认知条目。量表包括13个条目。采用利克特五点评分。“1”表示“完全不符合”，“5”表示“完全符合”。本研究中，该量表在654名大学生样本中使用获得比较满意的信效度，各分量表和总量表的d系数在0．90～0．94。探索性因素分析结果显示量表包括2个维度：游戏非适应认知和成瘾行为，可解释方差61．63％。量表得分>32，表明个体存在网络游戏成瘾倾向，分数越高，成瘾倾向越明显。
1．2．3症状自评量表(seifratingchecklist，scl-90)由derogatis编制，王征宇等修订。量表共包括90个条目，涉及躯体化、强迫、人际关系敏感、抑郁、焦虑、低对、恐怖和精神病性等9个方面的心理和生理症状描述。
1．2．4艾森克人格问卷(简式)(eysenckpersonalityquesitonnaire，epq)由钱铭怡等修订。问卷包括48个条目，划分为神经质、精神质、外向性和掩饰性4个维度。
1．2．5 young成瘾量表(中文版)共包括8个条目：突显性、过度使用、戒断反应、控制失败、情绪调节、分心、隐瞒和忽视社交生活。当被试对8题中的5题回答“是”，且能够排除其他精神疾病所导致，则被诊断为iad。
1．3施测程序和数据处理
本研究以班级为单位进行集体施测，主试为有经验的教师和经过系统培训的研究生。数据处理使用spss13．0软件包。
2结果
2．1大学生两种iad亚型的发生率
以young量表分>5，gpius得分>73，igcas得分<32为网络社交成瘾的人组标准。以young量表分>5。gpius得分<73。igcas得分>32为网络游戏成瘾的人组标准。以young量表分<5，gpius得分<73，igcas得分<32为非成瘾组的人组标准，考察两种iad亚型在大学生中的分布情况。结果表明：符合网络社交成瘾倾向标准者89人，占13．6％(89／654)，其中男生38人，占42．6％(38／89)，女生51人，占57．4％(51／89)，男女比例无显著差异(x2=1．22，p>0．05)。符合网络游戏成瘾倾向标准者76人，占11．6％(76／654)，其中男生55人，占72．4％(55／76)，女生21人，占27．6％(217／6)，男女比例差异有统计学显著性(x2=15．21，19<0．o1)。
2．2网络社交成瘾组、网络游戏成瘾组与对照组大学生的scl一90得分差异比较
在非成瘾组大学生489人中随机选取89人，作为对照组。通过one—wayanova，考察网络社交成瘾组、网络游戏成瘾组和对照组之间的scl一90得分差异，并采用seheffe进行事后比较。结果显示：三组的scl一90各因子分和总分的总体比较差异显著(p<o．o1)。网络社交成瘾组的scl一90各因子分和总分高于对照组(p<0．01)。网络游戏成瘾组仅在恐怖因子上得分高于对照组(p<o．05)。除恐怖和偏执因子外，网络社交成瘾者的其余因子分和总分也高于网络游戏成瘾者。详见表1。
2．3网络社交成瘾组、网络游戏成瘾组与对照组大学生的epq得分差异比较
方差分析结果显示，三组在精神质得分上的总体比较存在显著差异(p<o．05)。事后检验表明，网络社交成瘾者的精神质得分高于游戏成瘾者和对照组（p<o．01；／9<0．01)。网络游戏成瘾组的epq各因子分与对照组相比差异不显著。见表2。
2．4大学生iad倾向、人格特质和心理症状的关系
相关分析结果显示，gpius量表分与scl一90各因子和总分呈正相关，相关系数值为0．21~0．32，有统计学显著性fp<0．01)。igcas量表分仅与强迫因子(r=0．11，p<o．05)和恐怖因子分(r=o．14．p<o．05)呈显著正相关。gpius量表分与精神质(1=-0．13，／9<0．05)和外向性(r-=0．12，／9<0．05)呈显著正相关。精神质与scl一90各因子分和总分呈正相关，相关系数值为0．15～0．25，有统计学显著性fp<0．011。
2．5大学生的两种iad亚型影响因素的回归分析
为进一步了解大学生网络社交成瘾和网络游戏成瘾的影响因素，以及人格特质在两种亚型iad中是否具有预测作用。以性别、年龄、专业、每周上网时间、精神质、神经质和外向性作为自变量，以gpius量表分和icgas量表分作为因变量，进行逐步回归分析。结果显示，性别是网络游戏成瘾的危险因素。而每周上网时间、精神质和外向性对网络社交成瘾有显著的正向预测作用。详见表3和表4。
3讨论
3．1大学生中网络社交成瘾和网络游戏成瘾的分布特征
国外早期有研究报道大学生iad发生率为6—15％，国内朱克京等的研究则报道为9．9％。但是，并未见研究报道不同iad亚型在大学生中的分布情况。本研究发现，大学生的网络社交成瘾和游戏成瘾发生率分别为13．6％，为11．6％．略高于朱克京等的研究数据。提示随着网络逐渐步入大学生的日常生活，大学生iad的发生率可能存在增高的趋势，而网络社交成瘾和游戏成瘾已成为大学生群体中iad的主要亚型。进一步分析发现．网络社交成瘾的分布无性别差异，表明男生和女生在使用互联网非特定的社交服务功能包括网络聊天．bbs和blog时，均存在发展成为网络社交成瘾者的危险性。而在游戏成瘾者中，男生所占比例显著高于女生。可能的原因是，当前的网络游戏主要包括动作类，格斗类，赛车类，角色扮演类(mmrpg)，即时战略类，回合式战略类，模拟类和体育游戏类等，游戏的内容和挑战性对于男生具有更大的吸引力．网络游戏更易成为男生获得同伴或社会赞许，满足好奇心和冒险渴望的虚拟载体，继而导致其成瘾行为的产生。提示性别是游戏成瘾的危险因素，男生发展成为游戏成瘾者的危险性要高于女生。
3．2大学生网络社交成瘾者和网络游戏成瘾者的心理健康水平与人格特质差异
本研究发现，与对照组大学生相比，网络游戏成瘾者的社交恐怖因子分显著增高．而网络社交成瘾者的scl一90各因子分均显著增高，表明网络社交成瘾者和网络游戏成瘾者表现出不同程度的情绪、行为和生理症状，两种亚型的iad大学生均存在心理健康状况不良，与国内外相关研究结果一致。
值得注意的是，除恐怖和偏执因子外，网络社交成瘾者的scl一90其余因子分也显著高于游戏成瘾者。gpius得分与scl一90各因子分和总分呈显著正相关，而igcas得分仅与强迫和恐怖因子得分呈显著正相关。提示在大学生群体中，网络社交成瘾者所表现的心理症状更为广泛，网络社交成瘾对个体心理健康的损害程度较网络游戏成瘾严重。此外，行为缺乏控制、害怕或回避社交、敌对和易紧张为两种亚型iad者共同的心理行为症状。表明今后干预策略的实施应更关注网络社交成瘾的大学生人群，而指导iad大学生学会适当的处理人际关系、降低负性情绪水平和加强行为控制能力是普适性的干预策略。
已有大量研究探讨人格与iad的关系．如罗天玉等的研究发现：成瘾者在大五人格问卷中的开放性和宜人性维度得分显著低于对照组．而神经质、外向性和严谨性得分与对照组相比无显著差异。雷雳等的研究则发现，神经质、外向性和宜人性对网络成瘾具有显著的正向预测作用。未进行网络成瘾亚型的划分，使得不同研究中的网络成瘾样本有明显的异质性．可能是导致这些研究结果不一致的重要原因。本研究在亚型划分的基础上，考察了不同iad亚型大学生人格特质的差异。结果发现，网络社交成瘾者的精神质得分要显著高于游戏成瘾组和对照组．而网络游戏成瘾组在精神质、神经质和外向性得分上与对照组相比无显著差异。表明两种亚型iad的人格易感因素存在差异，精神质得分高的个体通常表现出孤独、难以适应外部环境、与他人不友好和喜欢寻衅滋事等行为特征，存在现实人际关系不良。对于此类型的大学生来说，网络提供了他们一个与现实环境有很大差异的社交平台．网络聊天成为他们回避现实的人际交往以及由此产生的焦虑和不适的主要方式。此外，由于网络聊天的匿名性特点．个体不需要对自己网络上的言论承担责任，网络聊天甚至成为他们进行言语攻击和发泄不满情绪的虚拟载体，并因此获得满足感，使得他们更愿意投入到网络的社交功能服务当中．从而更易发展成为网络社交成瘾。而本研究未发现网络游戏成瘾大学生存在明显的人格易感因素，提示大学生在接触网络到发展为游戏成瘾的过程中，可能存在除人格因素以外的其他中介变量。此外，本研究发现，gpius总分、精神质与scl一90各因子分和总分存在显著正相关，表明精神质的个性特征是导致网路社交成瘾大学生心理健康水平低于网络游戏成瘾大学生的重要原因。
