神經網絡情感分析

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡情感分析范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡情感分析范文第1篇

關鍵詞：自主角色; 神經網絡; 遺傳算法

中圖分類號： TP183

文獻標識碼：A

0引言

隨著計算機圖形學和硬件技術的高速發展，計算機游戲近十幾年也取得了很大的發展，游戲軟件已成為軟件產業中非常重要的內容。游戲的類型主要包括FPS（第一人稱射擊）、RPG（角色扮演類型）和RTS（即時戰略游戲）等幾種類型，這些不同類型的游戲都要求游戲控制的角色（NPC）與玩家控制的角色（PLAYER）要有行為的交互，交互的方式直接影響玩家對游戲的興趣度。因此，對NPC與PLAYER之間的角色交互行為方式的研究已經成為游戲軟件中的一個非常重要的研究課題。

目前大多數游戲中的角色行為的交互方式采用的是確定型的交互行為，其特征主要表現在角色的行為都是預先確定的，這種類型的行為實現起來較為簡單，也是目前大多數游戲所采用的交互方式。像這種確定性的行為往往體現不出角色的自主性，而且還會導致角色行動單調乏味，其行動很容易被玩家所預測,降低游戲的可玩性。為此,我們需要在游戲軟件中設計和實現這樣的NPC角色，它能夠根據當前環境的變化以及以往的經驗知識來動態地改變對PLAYER的行為。具有這種能力的角色，我們稱之為自主角色,也稱為自適應角色。具有自主和自適應特點的角色可具有推理能力和自適應能力,在游戲環境下可更受玩家的歡迎。

一款擁有自主角色的游戲能夠牢牢地吸引玩家的注意力，從而延長這款游戲的生命周期，因此促使游戲開發人員花更多的時間來研究自主角色的實現。一些公司已經開始嘗試從人工智能領域發展出更加高級的技術，如采用決策樹或者強化學習來實現角色的自主性，也有的像著名的游戲Colin McRae Rally2則采用了學習系統和神經網絡來實現角色的自主性。

有關自主角色行為的論文已經有很多做出了卓有成效的成績，如在Reynolds的文獻［1］中，對自主角色的群體行為進行了描述。Blumberg和Galyean［2］中引入更多的行為控制機制，并考慮了行為學習這樣一個令人感興趣的問題。對于自主角色的更高層次的認知能力方面，John David Fungc［3］中指出，認知模型是用于創建虛擬世界的模型“金字塔”的頂層，底層的行為模型作為認知模型和物理學模型之間的緩沖區，并將情景演算(situation calculus)［4］用于高度動態的虛擬世界。

但是，上述各種方法因為側重點不同，各有優缺點，且相互之間較為獨立，因此本文結合上述一些方法的優點，在此基礎上提出了基于認知角色建模，采用神經網絡和遺傳算法相結合的游戲自主角色的設計思路?；诖?，各小節安排如下：

第一節確定了基于認知建模方法的游戲自主角色模型；第二節介紹了神經網絡在實現自主角色中的應用；第三節說明了遺傳算法對神經網絡的優化；第四節對自主角色的實驗進行了分析。

1基于認知建模的角色自主性模型

由于認知建模方法能夠采用精確的數學方式來定義自主角色的行為和學習模式，因此本文采用認知建模方法來對游戲角色的自主性進行建模。這里將游戲中存在的非玩家控制的角色簡稱為NPC,通過認知建模方法研究NPC的高級行為規劃，指導NPC,提高NPC的智能水平能力，使NPC能夠對環境作出判斷，并根據當前的狀態進行推理，進而完成相應的行動序列,有利于創建聰明自主的智能體――具有認知能力的自主的角色。

在計算機游戲中，我們將游戲角色關于他所在世界的內部模型稱“認知模型”(Cognitive Model)。認知模型可以用于游戲中，控制一類自主的角色。通過認知模型支配游戲角色對其所在環境的了解程度，如何獲取知識，以及如何利用知識選擇行動。

NPC的行為分為“預定義的”和“非確定性的”兩種，建立的認知模型也各不相同。建立預定義行為的認知模型比較簡單，只要將事先定義好的NPC所在環境的領域知識賦予NPC系統，NPC就可以根據人們的要求采取某種行動。而非確定性的行為不容易控制。為了實現人為的控制，我們采取一種折中的方法，即將領域知識和人的指導賦予NPC，使NPC主動地向人們希望它達到的目標發展?？捎上旅娴墓奖硎?

知識+指導=行為

領域知識能夠用來規劃目標，而指導對如何達到目標提供一種框架計劃。

當然NPC在決定采取什么樣的行動時并不需要整個虛擬世界的知識。所以，我們認為NPC的認知模型是角色對其虛擬世界的一種內部簡化模型〔simplified model〕。

為此我們在現有游戲系統之上營造一個通過認知模型定義的高級行為規劃器來實現對NPC的行為指導。規劃器模型設計如圖1所示。

NPC的預定義行為和非確定行為都可以形式化為認知模型，通過認知模型來指導NPC高級行為規劃器，由于神經網絡在非確定中的強大的學習作用，因此本項目通過神經網絡來實現NPC高級行為規劃器的三個方面：目標引導、行為協調、約束滿足。

2基于人工神經網絡的角色自主系統

這里,我們采用的是神經網絡中的BP網絡作為NPC的感知系統。BP算法是一種用于多層前向網絡的學習算法，它包括輸入層、輸出層和隱含層，隱含層可以是多層結構。BP網絡的學習過程包括兩個階段:第一階段計算前向輸出;第二階段從反向調整連接權矩陣。

在前向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層，每一層神經元的輸出作為上層神經元的輸入.如果在輸出層，實際輸出值與期望輸出值有誤差時，則以反向將誤差信號逐層修改連接權系數并且反復迭代，最后使實際輸出值與期望值的均方差為最小。在修正連接權系數時，通常采用梯度下降算法。

BP神經網絡使用的是指導式的學習方法,即在學習過程中,向網絡提供有明確輸入和輸出目標的樣本對。BP學習算法是基于最小二乘法LMS 算法,運用梯度下降方法,使網絡的實際輸出與期望輸出的均方差最小。網絡的學習過程是一種誤差邊向后傳播邊修正連接權的過程。因為BP網絡對以分類為主要目的的學習非常有效,所以,我們采用B P網絡進行NPC分類的自學習。需要輸入NPC自主系統中BP網絡的特征參數主要是NPC的生命值,NPC的攻擊力，NPC的防御力，NPC的情感值等，玩家虛擬角色的生命值,玩家虛擬角色的攻擊力，玩家虛擬角色的防御力，玩家虛擬角色的情感值等。

NPC在虛擬游戲環境下，在與玩家的不斷交互中刺激著感知系統，在外界環境發生變化時產生認知模型指導下的自主行為，通過神經網絡最終演化成具有自主性的行為系統，同時，利用遺傳算法使適應度有一定程度的增加，使NPC更適應外界環境的變化。關于NPC的感知系統的設置如下：

1） 輸入參數的確定

NPC的感知系統由人工神經網絡構成，虛擬游戲環境的特征參數作為輸入送入神經網絡進行學習。在我們的游戲項目中，輸入主要包括三種類型：布爾類型、枚舉類型和連續類型三種，但是這三種類型都需要轉化成神經網絡所認可的實數類型。

2） 權重的確定

權重有些類似于生物神經網絡的樹突聯結，權重影響了輸出變量的值，并且定義了神經網絡的行為，實際上訓練或者演化神經網絡的主要目標就是確定NPC神經網絡的權重。為了確定每個輸入參數的權重，需要確定激活函數。

3） 激活函數的確定

激活函數確定了輸入與輸出參數之間的映射關系，針對NPC自主角色的神經網絡，我們采用的是非線性激活函數，具體采用的是S型激活函數。

3基于遺傳算法的神經網絡優化

神經網絡的基本特征是大規模并行處理、容錯性、自適應性和自組織性，適合處理直覺和形象思維信息。神經網絡與遺傳算法的結合使神經網絡的訓練有了一個嶄新的面貌，目標函數既不要求連續，也不要求可微，僅要求該問題可計算，而且它的搜索始終遍及整個解空間，因此容易得到全局最優解。用遺傳算法優化神經網絡，可以使得神經網絡具有自進化、自適應能力，從而構造出進化的神經網絡(ENN)［5］。

研究NPC的進化,要建立NPC在虛擬環境中進行的各種行為模型。另外,同虛擬環境本身也會發生競爭。由于適應度是NPC競爭力大小的直接反映,為了建立NPC的競爭機制,首先要建立NPC的適應度函數。

首先,NPC的適應度函數和NPC的種類相關。在同一環境下,不同NPC的適應度肯定是不相同的［6］。同時,為了表現NPC自學習對進化的影響,有了學習能力的同種NPC適應度的取值也有所不同。其次,NPC的適應度還與其所處的不同階段有關。適應度取值在其不同階段中不是一成不變的。

在環境不發生變化時,NPC的適應度函數F(t)可以用此函數表示:

其中,參數a表示NPC的生命力值;參數k表示NPC的類型,不同的NPC對同一游戲環境的適應性是不一樣的,當k取不同的值時,會得到適應度不同的各種NPC。接著按照以下工作步驟操作：

1） 從NPC神經網絡中提取權重向量；

2） 用遺傳算法演化出一個新的網絡權重群體；

3） 把新的權重插入到NPC神經網絡；

4） 轉到第一步進行重復，直至獲得理想的性能。

4試驗分析

我們的實驗測試場景如下：

在一個仿真的三維游戲環境下,游弋著若干個NPC角色和一個玩家控制的虛擬角色,主角可以漫游整個游戲場景,這些NPC當遇到主角后,可能會對主角采取不同的行為,比如攻擊行為,逃避行為,團隊作戰行為,對話行為等,所有這些行為的決策都取自于神經網絡的訓練。

在采用神經網絡算法之前，所有的NPC無論強弱，都會主動向玩家角色發起攻擊，而在采用神經網絡算法之后，這些NPC都具有了一個人工大腦，每個NPC在與玩家角色的交互過程不斷地學習，不斷地演化，最終變成自主角色，具體表現在：NPC根據以往與玩家角色交互過程中的經驗，從而產生較為理智的行為，比如當NPC感覺玩家的綜合實力要高于自己時，它可能會采取逃避的行為，而當NPC感覺其綜合實力要高于玩家時，它往往會主動攻擊玩家。

表1和表2列舉了應用神經網絡算法前后的測試數據。

應用神經網絡算法所采取的實驗方案如下：

(1) 對于NPC感知系統的輸入，包括與虛擬玩家角色的距離， 虛擬玩家的攻擊力，防御力，生命力，魔法力，信譽度，NPC自身的攻擊力，防御力，生命力，魔法力，信譽度。并將參數歸一化，使最終的參數范圍位于[-1, 1]之間；

(2) 對于NPC感知系統的輸出，包括躲避，單獨攻擊，潛伏，召喚同伴，團隊攻擊等行為。即將神經元的輸出元設計成五個，這些行為通過一些標志符來確定，例如， 如果代表攻擊的輸出位為1，則其他位為零。

通過對比兩組測試試驗,可以發現后一組試驗中,NPC能夠根據自己的實力和玩家的實力對比，理智的采取一些行為（比如退避，呼喚同伴協同作戰）而不是一味盲目攻擊， NPC的存活率顯然就很高，因此也顯得較為智能。

神經網絡情感分析范文第2篇

關鍵詞：人工智能；傳統繪畫藝術；藝術審美；大數據

傳統繪畫藝術從地域上來說可以簡單的分為中國傳統繪畫藝術以及西方傳統繪畫藝術。中國傳統繪畫多講究神韻，躍然紙上的色彩和線條都頗具象征性，畫家所呈現出的往往是一種意境。傳統的西方繪畫在文藝復興時期達到了鼎盛的狀態，從畫面結構來說比中國傳統繪畫更注重科學與現實的結合。透視，幾何，材料等概念的靈活運用使畫作在畫家筆下達到了一種均衡的美。無論是中西哪種繪畫都需要借用筆，刀等工具，通過墨，顏料等繪畫材料，在紙，木板，織物等平面工具上，通過構圖、造型和顏色等表現手法，創造出可視的形象。

人工智能（Artificial Intelligence AI）是一門技術科學，主要研究用機器模仿人類的思維、感知等智能活動，用理論、方法、技術及應用系統使機器能夠代替人類做復雜的智力勞動。

傳統繪畫與人工智能作為人類智慧活動的兩個方向有著各自不同的特性，但隨著科學技術的大力發展，藝術家與科學家在各自不同的領域越來越意識到兩者的共同性。人工智能技術在傳統繪畫上的應用，把科學技術與傳統繪畫有機地結合在了一起，為創造和傳播傳統繪畫藝術提供了先進的方式，大數據的支持，為傳統繪畫領域帶來了新變革。

一、人工智能下傳統繪畫藝術的發展與創作

早期用來表現傳統繪畫的新媒體方式多采用了數字化復刻繪畫，或者通過動漫、電影、攝影等方式來表F。融入人工智能技術后，傳統繪畫藝術就范圍來說仍然屬于新媒體藝術的一個組成部分，但卻呈現出了多樣的變化。

自1973年始，Harold Cohen（畫家，San Diego加州大學教授）所編譯的電腦程序“AARON”就開始了自動繪畫的過程。

2013年，電腦程序“The Painting Fool”，在巴黎舉辦了展覽會，新聞媒體競相報道，其中部分作品花了多年時間創作。從形式上來說這就是一場傳統意義上的藝術作品展。

年初Google旗下的深度學習神經網絡研究小組通過算法教會計算機自主創作繪畫的能力。Google稱其為Deep Dream。本次繪畫作品展引來了大批對科技與現代藝術感興趣的觀眾。最終，由人工智能創作的繪畫被一位專業的拍賣商拍下，最高單幅的價格甚至達到了八千美元。在Deep Dream的創作中主體內容包括了各種天馬行空的海景，漩渦；風格奇幻的城堡以及各種擁有三頭六臂的動物。從風格上看接近法國的后期印象派，有輪廓但不具體，有繽紛的色彩，但卻不是客觀物體原來的色彩，然而整幅畫面的躍動感卻似乎能表達出作者的主觀情感。

此外，受眾們可以利用公開的代碼，編譯出屬于自己的Deep Dream圖像，藝術家的靈感有時來源于對某一物體的想象。Deep Dream正是從這個方面折射出了人類的創造力和想象力。

人工智能創作傳統繪畫不得不提到兩個概念，即深度學習和神經網絡。2006年，杰弗里?希爾頓等人提出了深度學習的概念。深度學習是人工智能學科下的一個分支，通過編譯教導計算機進行無監督學習，以此來解決深層優化的問題。深度學習概念是目前人工智能像人腦一樣處理數據的關鍵算法。

人工神經網絡，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。（百度百科）

Deep Dream中的畫作即是由人工神經網絡創作，也就是用軟件模擬大腦神經元處理信息的方式。軟件先要接受大數據訓練，通過分析數百萬個大數據后才能識別圖像中的物體。在Deep Dream創作繪畫的過程中，程序先向神經網絡輸入一張圖片，然后由神經網絡進行自我調整，軟件之前已經有了數據庫，神經網絡要從中尋找出與數據庫中物體相似的地方再進行編譯，于是一幅人工智能畫作就完成了。

二、人工智能下的傳統繪畫藝術傳播的文化價值

人工智能創作的繪畫在傳播時呈現了兩級分化的局面，一方面有人高價收購人工智能繪畫，而另一方面，有人卻對這樣的迷幻風格難以接受。暫不論人工智能繪畫的畫作質量，在文化價值上，人工智能繪畫是否能算是創作并且富有感染力嗎？

繪畫創作就其動機來說存在多種類別，有的是有感于情境而創作，作者將情感上的匯集融入繪畫作品；有的是為特定目的而創作，比如早期石刻的農耕漁織狩獵圖等；還有的畫作則是為了宣揚宗教觀念，教育宗教信徒而創作。由此可見，在這些創作動機中，既存在單純表達情感思想的藝術，也有為傳播特定信息的藝術，還有為將宗教觀念具象化，通過繪畫創作更直觀的進行表達的藝術。在評論藝術的本質時，有感于情境而作的繪畫創作更接近繪畫藝術的本質，在這種繪畫藝術作品中可能包含了普遍的對人類情感及相關價值觀的探索?；蛟S，人工智能下的繪畫藝術應該獨立成為一個門類，畢竟相較于人工智能的邏輯化、程序化。繪畫藝術應是屬于人類展現天賦，表達情感的領域。

傳統繪畫藝術誕生至今，文化價值的體現皆是因為畫作中的主體性、不確定性、奇思妙想，抽象感知展現了人類靈魂深處的情感。

三、人工智能下傳統繪畫藝術的傳播

繪畫作品具有其獨特的傳播的功能，首先繪畫是一種是具備信息承載能力和傳播能力的傳播介質。其次，繪畫作品中的內在感染力以及受眾欣賞過程中能動的二次創作也為傳統繪畫作品的傳播提供了動因。此外，經濟基礎決定上層建筑，隨著人們物質水平的逐年提高，越來越多的人們走進博物館，美術館，藝術長廊等多種藝術場所，借由這些渠道了解藝術，欣賞藝術，以此來滿足精神需求的增長，由此可見，當下藝術產業領域正受到各方的重視。然而現代社會，藝術生產與藝術消費市場分離的局面，也使傳統繪畫作品的傳播成為必然趨勢。

對藝術信息產生情感反饋是人類獨有的思維和能力，通過人工智能的神經網絡以及大數據分析不僅能創作繪畫，還能對傳統的繪畫藝術作品進行分析判斷，繼而整理出一套基于大數據分析的傳播方案。這樣的方案是否可行呢，在當今這個信息爆炸以及媒介去中心化的時代下，越來越多的受眾通過各種方式接觸到傳統繪畫藝術，因此當受眾面臨繪畫藝術鑒賞時，便產生了選擇障礙。

傳統的繪畫藝術傳播是指在藝術創作和鑒賞階段所形成的人內信息交流。它的傳播模式分為人際傳播，把關人推薦和群體傳播等。這些傳統的傳播方式經過多年來的驗證確實具有一定的實際意義的，但在針對個體差異上的分類推薦卻不是很明顯，面對龐大的信息量以及高度差異化的傳播需求，如今傳統的藝術傳播方式，其可行性正在逐漸下降。而人工智能應用于藝術傳播，通過云計算可以精確而高效地分析和處理藝術信息。并且通過龐大的大數據資源加強索引優勢，速度與精度的大幅度提升正是傳統的藝術傳播過程中所缺失的。

τ諢婊藝術來說，千人千面，每個人都有自己獨到的理解，同一件作品可能有的人喜愛，而有的人無感，在海量繪畫作品中篩選出針對目標受眾的藝術作品，尤其是不具備繪畫專業知識的受眾在面對諸多繪畫作品時，往往會沒有頭緒，不知如何進行選擇和鑒賞。

四、結語

在人工智能傳播傳統繪畫作品時，受眾并不純粹只是受者，而是具備了雙重身份，由被動的欣賞者轉變為了主動的創作者。借助神經網絡，每個人都具備通過繪畫表達內心情感的能力。雖然當前的人工智能下傳統繪畫藝術的發展還存在這一定的不確定性，但是相信隨著人工智能技術的高速發展，今后人工智能創作的繪畫一定會在現今的繪畫領域獨樹一幟。此外人工智能的神經網絡尚不能對所有繪作品充分理解，但是在速度和精度方面卻得到了很大的提升，如果再結合當下其他一些完善的學科，比如結合個體信息，設計心理學，消費學，歷史學，哲學等多方位的研究。人工智能系統就能根據受眾的個人信息等預測處其的欣賞層次以及需求推薦給受眾相應的作品。

人工智能使傳統的繪畫藝術具備了無限延伸的維度空間和各種難以預料的不確定性，顛覆了傳統的繪畫傳播體系，實現了傳統繪畫藝術最本質的創作與傳播。

【參考文獻】

[1]陳端端.藝術傳播的人工智能應用需求研究[D].東南大學，2014.

[2]劉峰.傳統繪畫藝術的新媒體傳播研究[D].山東大學，2012.

[3]李連德.一本書讀懂人工智能（圖解版）[M].北京：人民郵電出版社，2016.

[4]李同娟.人工智能能否創造藝術[D].中國傳媒大學，2015.

[5]郭全中.大數據時代下的智能傳播及其盈利模式，2015（01）：15-19.

神經網絡情感分析范文第3篇

關鍵詞 網絡文化 大學生 價值觀 多層感知器

一、研究背景

21世紀是網絡信息的時代，網民數量飛快增長。據中國互聯網絡信息中心（CNNIC）信息顯示，截至 2012 年 6 月底，手機網民規模達到 3.88億，電腦網民為 3.80 億，互聯網普及率為 39.9%。20-29歲網民所占比重為30.2%，具有大專及以上學歷網民比例為21.6%，學生網民的比重為28.6%。大學生早已成為網民中的生力軍，尤其隨著手機功能的增加，網絡文化對大學生的影響也越來越大，影響有好有壞，而如何客觀的評價網絡文化對大學生的影響也成為亟待解決的問題。以往對該方面的研究主要是從理論上加以分析，本研究使用多層感知器模型，較為客觀的評價了網絡文化對大學生價值觀的影響。

二、模型介紹

多層前饋神經網絡由Rumelhan提出，所采用的是誤差反向傳播的學習算法，又被稱為誤差反向傳播神經網絡，簡稱EBP網絡（Error Back Propagation）。

多層前饋神經網絡的神經節點是逐層的排列，一般包括輸入層、輸出層和隱含層。在同一層內的神經元節點之間是相互獨立的，而相鄰層次之間的節點是連接，前面一層的神經元的輸出變量作為后一層神經元的輸入變量。如圖1所示

三、網絡文化對大學生價值觀影響的模型建立

3.1 輸入變量及輸出變量的選擇

通過查閱大量的文獻及咨詢長期從事學生思想教育工作的專家確定了網絡文化對大學生價值觀的影響主要體現在以下幾個方面，即求知觀、交往觀、整治觀、道德觀及自由觀。輸出變量使用大學生的綜合測評成績。各輸入變量及輸出變量的得分見表1。

表1 各輸入變量及輸出變量的得分見情況

（二）模型結果

以求知觀、交往觀、整治觀、道德觀及自由觀的得分作為輸入變量，綜合測評成績最為輸出變量，建立多層感知器網絡模型，并分析各輸入變量對輸出變量的重要程度。網絡文化對大學生的政治觀、道德觀及求知觀主要起到了積極的作用，大學生崇尚整治透明，而隨著政府網站的開通，政府信息的透明度大幅提高，使大學生對我黨、我們政府有更加清楚、全面的認識，便于樹立正確的政治觀；在道德觀上，隨著網絡的普及，大學生各種社會關系也變得多樣化和負責化，特別是在矛盾中，大學生的道德觀必然會有新的覺醒，網絡也使大學生的道德觀更加豐富；網絡的發展，使文化的傳播更加快捷，大學生可以通過網絡獲取更多的知識。而網絡文化對大學生的文化觀和交往觀有負面影響，長此以往，可能使大學生的情感更加淡漠，人與人之間的關系變的更加疏遠；在網絡中，大學生不但是信息的接受者，同時也是信息的制造者，而在網絡中，由于缺少了現實生活中的各種約束，許多人可以隨心所欲的言論及進行信息的傳播，而這些信息中許多為不切實際的或者為的言論，而這些問題使大學生的行為更加散漫，表現為無政府狀態。

四、結論

本研究使用多層感知器神經網絡模型，客觀評價了網絡文化對大學生價值觀的影響，研究結果與實際情況相符。網絡文化對大學生的影響是多方面的，既有正面影響，又有負面影響，在大學生價值觀的教育中，可嘗試通過以下幾個途徑幫助大學生樹立正確的價值觀：1.積極開展網絡文化，努力創造安全、健康的校園文化氛圍；2.進一步加強對大學生進行網絡法律意識及網絡道德觀念教育；3.加強校園網絡的建設，發揮校園網服務；4.進一步加強校園網絡的管理及安全監控。

參考文獻：

[1]中國互聯網絡信息中心，第30次《中國互聯網絡發展狀況統計報告》.

[2]Jianhui Wu， Qi Ren， Houjun Xu， et al. Comparison of Modeling of Data with Different Variation Degree with BP Neutral Network[J]. Journal of Convergence Information Technology，2012，7（13）：180-188.

[3]曠勇. 目前大學生價值觀調查分析及思考[M]. 北京： 高等教育出版社， 2003 年.

神經網絡情感分析范文第4篇

關鍵詞：人工智能 機器 學習 情感識別

中圖分類號：TP18 文獻標識碼：A 文章編號：1674-098X（2016）06（a）-0077-02

人工智能是一門涵蓋多學科知識，而又被當今社會廣泛應用于多領域，給人帶來便捷、高效的同時，又讓業界為其擔心的交叉學科知識的綜合產物。隨著各種智能機器人開始服務于各大領域，有超強力量的機械手臂，高效解決問題的專家系統，公眾日?？山佑|到的可穿戴智能設備，從智能手機到各類功能的3D打印技術，從谷歌眼鏡到全息投影，各類機器設備如雨后春筍不斷涌出。

1 人工智能的發展

“人工智能”簡稱AI，是集心理認知，機器學習，情感識別，人機交互以及數據保存、決策等于一身的多學科技術。其最早被提出是由McCarthy在20世紀中葉的達特茅斯會議上，這也成為人工智能正式誕生的標志。在人工智能經歷兩個低谷后的最近一個階段，從1993年開始，人工智能其實取得了一些里程碑似的成果。比如在1997年，國際象棋冠軍卡斯帕羅夫被深藍戰勝；英國皇家學會舉行的“2014圖靈測試”中“尤金?古斯特曼”第一次“通過”圖靈測試，而這一天恰為計算機科學之父阿蘭?圖靈（Alan Turing）逝世60周年紀念日。2015年以來，“人工智能”開始成為諸多業界人士關注的焦點之一。2016年3月AlphaGo在首爾以4∶1戰勝圍棋世界冠軍李世石，繼而引發了人工智能將如何改變人類社會的思考。

2 從AlphaGo看人工智能的“情感機制”與人類的關系

機器學習算法的本質是選擇一個萬能函數建立預測模型[1]。首先用戶輸入大量訓練樣本數據，機器對模型進行訓練，選擇可以使預測的模型達到最優的參數集，從而使模型能夠更好地擬合訓練樣本數據的空間分布[2]。谷歌公司在訓練AlphaGo時，收集了20萬職業圍棋高手的對局，在經過不同版本AlphaGo之間的自我對弈，生成了3 000多萬個對局，包含了人類圍棋領域所積累的所有豐富和全面的知識與經驗。相比IBM“深藍”戰勝國際象棋卡斯帕羅夫，其依靠了強大的運算能力取得了勝利，AlphaGo的最大進步是從“計算加記憶”進化到“擬合加記憶”法則[2]。智能設備具有了海量數據存儲和高速的計算本領，人機交互（human-computer interaction）系統研發過程遇到的瓶頸仍是識別和表達情感方面。

情感在人際交往中扮演著重要的角色，情緒的識別主要是識別人類傳遞情緒的信號。既可以通過語言直接傳遞，也可以通過語調、面目表情、姿勢等進行表達。機器具有智能，“情感”是十分重要的一環。這要求機器具有對認知的解釋與建構，而認知的關鍵問題則是自主和情感意識。

對人工智能的威脅霍金總結說：“人工智能在短時間內發展取決于應用它的人，長遠來看到底其能否被控制是我們需要關注的內容?！贬槍θ祟悓τ凇叭斯ぶ悄芙K將超越人類”的擔憂可以概括為以下兩點：（1）蠹生于木，而反食于木。恰如部分美國科幻片中所展現的場景，人類創造的機器因被賦予人類情感智力而脫離人類控制。（2）機器因其具有人類交互的情感且很少產生人工失誤而逐漸取代人類的勞動，致使人類無用武之地而待業失業。從技術飛速發展過程來看，智能設備的應用往往只是其在某一功能極大化的使用，如，專家系統其解決的只是某一領域內復雜問題解決方案的決策提供；虛擬現實技術是生活場景的實體化展現，以方便用戶更好地體驗現實場景；服務領域的機器人，提供的只是某一行業的服務，恰如汽車提供的只是快速的代步工具而不能與人交流一樣，智能機器只是發揮其某一單方面的優勢，從而更好地輔助人類完成特定的工作。在未來社會，那些簡單重復性的勞動將被機器所取代；此外，還有一些通過大量數據進行判別決策類的輸出，從而更好地為人類提供建議；同時對社會生活中重大、復雜工業系統中的故障處理，這些存在危險的領域中有智能設備的存在其實質是對人類安全及人類價值的禮遇；而對于那些與人交流密切的服務領域內，則更需要人與人的溝通，才能更好地服務于人。這些機器的存在解放了人的身體，進而可以使人類投入更多精力在科研領域。而人工智能與人類之間的關系，可以用“共存”一詞進行概括，即按勞分配，取長補短[2]。

3 機器學習理論

目前最受社會關注的智能算法，當屬日本學者福島教授基于Hubel Wiese的視覺認知模型提出的卷積神經網絡模型（Convolution Neural Network，CNN），是一種深度監督學習下的機器學習模型。深度學習的概念來源于人工神經網絡，常見的深度學習算法包括：受限波爾茲曼機（Restricted Boltzmann Machine，RBN），Deep Belief Networks（DBN），卷積網絡（Convolutional Network），堆棧式自動編碼器（Stacked Auto-encoders）。該算法的提出是為解決起初基于1943年，美國心理學家W.S.McCulloch和數學家W.A.Pitts生物神經元計算模型（M-P）[2]的早期人工神經網絡中，網絡層超過4層后，用傳統反向傳遞算法訓練而無法收斂的問題而提出。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成高層屬性類別或特征，從而發現數據的分布特征。重要的人工神經網絡算法包括：感知器神經網絡（Perceptron Neural Network），反向傳遞（Back Propagation），Hopfield網絡，自組織映射（Self-Organizing Map，SOM），學習矢量量化（Learning Vector Quantization，LVQ）。

簡單介紹一下神經網絡：

對應公式為，通過不同權重的多輸入，得到輸出，該單元也被稱為邏輯回歸模型。當多個單元相互關聯，并進行分層后即形成了神經網絡模型。

4 人工智能的未來

當前，人才輩出的社會促進技術手段的不斷創新，大數據，物聯網，虛擬現實、云計算等技術發展與機器人人工智能領域不斷融合發展，這無疑將推動產業方式發生改變。

而針對人工智能，李開復老師針對機器越發智能化而帶給人類的危機表示：人工智能的真實危機在于未來機器將養活無所事事的人。這也在激勵著人類，機器的智能，在代替人類部分勞動后，需要我們潛心于高科技的發展，進而不被社會所淘汰。斯特羅斯說“人工智能之于人類，最需要擔心的是其自發意識。無人機并不能殺人，指導無人機的坐標并投射地獄火導彈的人才能殺人?！边@一說法表明其認為人類已經生活在后人工智能世界了，但人們還沒有意識到人工智能都是我們的人。這足以表明，人工智能產品的設計，一方面是為人類帶來了更加綠色，智能，方便的生活方式，而另一方面其法律規范意識，以及人才價值觀及道德的培養更值得社會關注。

參考文獻

[1] 于玲，吳鐵軍.LS-Ensem：一種用于回歸的集成算法[J].計算機學報，2006（5）：719-726.

神經網絡情感分析范文第5篇

[關鍵詞]科技突破；智能機器人

中圖分類號：TP242 文獻標識碼：A 文章編號：1009-914X（2017）16-0098-01

前言

電源《她》就是這樣一部探討人和科技建立起親密關系主題的電影。這部電影引起了科技界的熱議。電影里的男主角西奧多在人生最失意和孤獨的時候，愛上了他的電腦和手機智能操作系統OS1。這個虛擬系統化身一個有著自我學習能力的聰明女性，名叫薩曼莎。她就像蘋果手機里的Siri，可以和西奧多聊天并為他處理各種郵件、日程安排。逐漸地，西奧多發現自己愛上了薩曼莎，因為她是如此的幽默風趣，兩人的情感交流自然親密。她又會不會在生活中存在呢。

1 智能系統代替人

科技本著解決人類難題的使命創造出了這樣聰明的智能系統，以滿足孤獨者的情感寄托需求。但世界真的會因為一個無所不能的智能系統就充滿幸福嗎？而是她其實僅僅是由一串代碼制造出來的虛擬服務。而這并不符合人類在付出真實感情時所期待的回報。不要把你的生活難題統統拋給科技來解決。這個信號并不僅僅存在于電影中。更重要的是，即使記憶消失，也并不意味人類就能遠離曾經犯下的錯誤。一般人以為一切都能回到過去時，但是發現現實不像她想象中美好，因為這個以前的人不可能帶來那種真實的不可捉摸的變化。這些所刻畫的技術都是因解決人類的痛苦而誕生，無論是幫助需求者逃避問題還是創造一個不會制造問題的智能人?？蛇^于依賴技術的結果就是它太容易讓我們在表面上擺脫困難，卻失去了痛苦反思時的成長。

2 現在的智能系統

阿爾法圍棋（AlphaGo）是一款圍棋人工智能程序，由谷歌（Google）旗下DeepMind公司的戴維?西爾弗、艾佳?黃和戴密斯?哈薩比斯與他們的團隊開發，這個程序利用“價值網絡”去計算局面，用“策略網絡”去選擇下子。

阿爾法圍棋（AlphaGo）的主要工作原理是“深度學習”。“深度學習”是指多層的人工神經網絡和訓練它的方法。一層神經網絡會把大量矩陣數字作為輸入，通過非線性激活方法取權重，再產生另一個數據集合作為輸出。這就像生物神經大腦的工作機理一樣，通過合適的矩陣數量，多層組織鏈接一起，形成神經網絡“大腦”進行精準復雜的處理，就像人們識別物體標注圖片一樣。經過過濾，13 個完全連接的神經網絡層產生對它們看到的局面判斷。這些層能夠做分類和邏輯推理。這些網絡通過反復訓練來檢查結果，再去校對調整參數，去讓下次執行更好。

僅僅是外觀出挑并不能令PowerEgg成為一款“黑科技產品”，其獨有“super easy control”易用操控功能是重點加分項。這款體感遙控器為無人機小白用戶，甚至女性和兒童，大開方便之門。包括紅外+可見光一體掛載的四旋翼無人機、可在海拔6000米工作的無人直升機、可連續飛行12小時的固定翼無人機等。臻迪旗下設有多個海內外研發機構，研發范圍涉及無人機編隊算法及服務、消費級智能機器人等領域

Atlas機器人由美國波士頓動力公司為主開發，和由美國國防部國防高等研究計劃署（DARPA）的資助和監督，專為各種搜索及拯救任務而設計，Atlas是世界上最精密的機器人之一，借助于四肢和身軀的傳感器維持身體平衡，再加上頭部的激光雷達和立體視覺傳感器幫助導航和避障，Atlas已經能夠適應戶外和室內的環境。它不僅被設計能夠行走、取物，并且能夠在戶外穿越嚴酷地形，使用手腳攀爬。在人工智能的幫助下，Atlas能夠第一時間作出反應：爬起來、撿起來等動作。

百度無人駕駛車包括高精度地圖、定位、感知、智能決策與控制四大模塊。

百度自主采集和制作的高精度地圖記錄完整的三維道路信息，能在厘米級精度實現車輛定位。同時，百度無人駕駛車依托國際領先的交通場景物體識別技術和環境感知技術，實現高精度車輛探測識別、跟蹤、距離和速度估計、路面分割、車道線檢測。

Oculus Rift是一款為電子游戲設計的頭戴式顯示器。它將虛擬現實接入游戲中，使得玩家們能夠身臨其境，對游戲的沉浸感大幅提升。已經很可能改變將來的游戲方式，讓科幻大片中描述的美好前景距離我們又近了一步。雖然最初是為游戲打造，但是Oculus已經決心將Rift應用到更為廣泛的領域，包括觀光、電影、醫藥、建筑、空間探索以及戰場上。Oculus Rift這款設備很可能改變未來人們游戲的方式。 Oculus Rift具有兩個目鏡，每個目鏡的分辨率為 640×800，雙眼的視覺合并之后擁有 1280×800 的分辨率。并且具有陀螺儀控制的視角是這款游戲產品一大特色，這樣一來，體驗的沉浸感大幅提升。

3 結論

中國智能市場有規模最大、影響最廣、專業性最強的品牌展會，回歸現實卻發現一個不爭的事實，科技創新20年未迎大變革。產品做足科技感。我們不缺市場，缺的是人才。機器人等其他領域是個跨學科行業，包括機械工程、人工智能等，中國機器人產業要發展，要加強相關人才培養，另一方面緊盯核心零部件研發和生產，在基礎研究、工藝等方面多下功夫。

參考文獻

[1] 王遐.隨車起重機行業掃描[J].工程機械與維修，2006（3）：68-71

[2] 王金諾，于蘭峰.起重運輸機金屬結構[M].北京：中國鐵道出版社，2002

[3] 盧章平，張艷.不同有限元分析網格的轉化[J].機械設計與研究，2009（6）：10-14

[4] 朱秀娟.有限元分析網格劃分的關鍵技巧[J].機械工程與自動化，2009（1）：185-18