摘  要： 針對事例檢索算法中最近鄰算法判斷盲目、計(jì)算量大等問題，改進(jìn)為聚類C-均值算法；對C-均值聚類對初值敏感，分類結(jié)果受到取定的類別數(shù)目及聚類中心初始位置的影響，及易陷于局部極小值等問題，再次將改進(jìn)的算法結(jié)合改進(jìn)后的最大最小距離法，以優(yōu)化初始聚類，將最終改進(jìn)的算法進(jìn)行了仿真比較。將最終改進(jìn)的算法運(yùn)用于情感智能教學(xué)中，創(chuàng)建了面部表情的子表情模板，提高了表情的識(shí)別率。
關(guān)鍵詞： CBR；事例檢索；聚類C-均值算法；表情識(shí)別

　智能教學(xué)系統(tǒng)(ITS)從概念形成到現(xiàn)在一直是計(jì)算機(jī)科學(xué)和教育科學(xué)領(lǐng)域結(jié)合的一個(gè)研究熱點(diǎn)。此后情感識(shí)別成為最大的研究熱點(diǎn)，進(jìn)而也產(chǎn)生了一些適用的方法，比如可穿戴情感識(shí)別設(shè)備[1]等；還出現(xiàn)了一些關(guān)于情感教學(xué)系統(tǒng)(ATS)的研究 [2]。但目前這些研究還處于起步階段，仍存在一定問題。本文將基于事例的推理(CBR)運(yùn)用于情感智能教學(xué)中，首先針對事例檢索算法中最近鄰算法判斷盲目、計(jì)算量大等問題，改進(jìn)為C-均值聚類算法；再針對C-均值聚類對初值敏感等缺點(diǎn)，二次優(yōu)化為改進(jìn)的最大最小距離法；最后將改進(jìn)的算法運(yùn)用于面部表情子表情模板的分類中，以提高表情識(shí)別率。
1 基于事例的推理(CBR)和事例的檢索
1.1 基本原理
　CBR的理念是將新問題抽象為一個(gè)新事例，通過從事例庫中檢索最相近的事例，參考其解決方案作為新事例的解決方法，在此基礎(chǔ)上再進(jìn)行事例修正。修正后的新事例及其解決方法繼續(xù)存入事例庫中，實(shí)現(xiàn)解決問題經(jīng)驗(yàn)的學(xué)習(xí)[3]。CBR系統(tǒng)是一個(gè)完整的循環(huán)，在事例的提取(Retrieve)、重用(Reuse)、修正(Revise)、保存(Retain)[4]過程中，事例檢索是重要環(huán)節(jié)，而且檢索本身具有一定的模糊性，大多數(shù)情況下檢索到與新問題類似的事例，然后根據(jù)新舊事例之間的相似程度判斷推理的可信程度。
1.2 基于聚類的改進(jìn)算法
　在CBR系統(tǒng)中事例檢索廣泛采用的是最近鄰法，其基本原理是：通過判斷新事例與每一舊事例的歐氏距離，找出相似的事例。由于此算法沒有控制策略，導(dǎo)致判斷盲目、計(jì)算量大，是一種低效率的算法[5]。對此提出如下改進(jìn)：首先對事例庫進(jìn)行聚類預(yù)處理，使得歸類后同一類事例之間的特征向量相互靠近，并且找到每個(gè)聚類的均值。然后，新事例直接與每個(gè)代表點(diǎn)進(jìn)行比較，找到與它最相近的聚類并在這個(gè)聚類中采用以上的最近鄰法搜索最相近的事例[6]。
　C-均值算法是一種常用的聚類算法，引用聚類C-均值算法對事例庫進(jìn)行聚類之后，便可采用最近鄰法進(jìn)行推理。推理時(shí)，新事例只需要與每個(gè)代表點(diǎn)進(jìn)行比較，找到與它最相近的聚類并在這個(gè)聚類中搜索最相近的事例，這樣避免了盲目搜索，實(shí)現(xiàn)了算法優(yōu)化。但是，C-均值算法對初值敏感，即不同的初值可能會(huì)導(dǎo)致不同的聚類結(jié)果，分類結(jié)果還受到取定的類別數(shù)目及聚類中心的初始位置的影響。由于是基于梯度下降的算法，則不可避免地會(huì)常常陷于局部極小值。
1.3 最大最小距離算法的二次改進(jìn)
1.3.1 算法思想
　在最大最小距離算法中，原則是取盡可能離遠(yuǎn)的對象作為聚類中心，初始聚類中心通過隨機(jī)指定。在C-均值聚類算法的基礎(chǔ)上添加優(yōu)化選取初始聚類中心，對該算法進(jìn)行首次改進(jìn)。為了解決聚類結(jié)果對初始聚類中心敏感的問題，加入粗分類環(huán)節(jié)，對該算法進(jìn)行二次改進(jìn)：初始聚類中心同時(shí)選取樣本中距離最遠(yuǎn)的兩個(gè)樣本作為前兩個(gè)初始中心，然后運(yùn)用最大最小距離算法進(jìn)一步確定其余初始中心進(jìn)行粗分類，具體的算法流程：
　(1)聚類類別數(shù)C的確定。范圍為樣本集的數(shù)據(jù)個(gè)數(shù)N。
　(2)第一、二個(gè)聚類中心的確定。計(jì)算樣本集中任意兩點(diǎn)的歐氏距離di1~i2，取dn1~n2=max{di1~i2}，其中n1，n2的取值范圍也為樣本集的數(shù)據(jù)個(gè)數(shù)N，則dn1~n2對應(yīng)的點(diǎn)z1，z2為所求。
　(3)其余聚類中心的確定。取樣本集中的任一點(diǎn)，計(jì)算出與步驟(2)得出的兩個(gè)中心點(diǎn)的距離，分別取最小值組成一維的最小值數(shù)組，數(shù)組中的最大值對應(yīng)的點(diǎn)為第三個(gè)聚類中心。重復(fù)執(zhí)行此步驟，就可得到所有的聚類中心值。
　(4)粗分類。當(dāng)所有的聚類中心都確定后，將樣本集中各數(shù)據(jù)按最小距離原則分配到各類中去，得到粗分類的分類結(jié)果。
1.3.2 仿真比較
　運(yùn)用改進(jìn)的最大最小距離算法進(jìn)行粗分類，初始的隨機(jī)數(shù)據(jù)矩陣組成事例庫，數(shù)據(jù)樣本單位為相對度量。確定最優(yōu)的聚類數(shù)C=4，而后運(yùn)用C-均值聚類算法進(jìn)行分類，比較圖如圖1所示。

2 基于事例推理的情感智能教學(xué)研究
2.1 教學(xué)智能情感化模型設(shè)計(jì)
　教學(xué)智能情感模型主要包括：情感識(shí)別模塊、情感分析模塊、反饋模塊及評價(jià)模塊。此外，系統(tǒng)還有在線教學(xué)模塊、教學(xué)反饋模塊、登錄退出模塊等，結(jié)構(gòu)設(shè)計(jì)如圖2所示。
2.2 基于改進(jìn)事例推理的情感識(shí)別模塊
　學(xué)生的情感狀態(tài)能夠基于語音、面部表情、血壓等機(jī)制進(jìn)行識(shí)別。為了有效地理解學(xué)生的情感狀態(tài)，本識(shí)別模型采用基于多模式的情感識(shí)別方法，此方法分為三部分：基于視覺的面部表情識(shí)別、身體動(dòng)作識(shí)別、以及基于聽覺的會(huì)話信息(語音)識(shí)別。本文重點(diǎn)研究面部表情識(shí)別。
2.2.1 面部表情識(shí)別流程
　具體的面部表情識(shí)別流程如圖3所示。所有的表情圖像都要經(jīng)過小波變換求出特征向量，并對特征向量進(jìn)行訓(xùn)練、投影變換，以求得特征空間。表情模板的建立、表情的分類等都在此特征空間進(jìn)行。

2.2.2 基于改進(jìn)C-均值聚類的子類表情模板
　由于表情因人而異，因此很難只使用一個(gè)表情模板來代表一種表情，需要對每種表情再劃分成多個(gè)子類。本文選用耶魯大學(xué)計(jì)算視覺與控制中心創(chuàng)建的Yale人臉數(shù)據(jù)庫，來進(jìn)行子表情模板的劃分。其中，有15位志愿者的各種表情，只選用“高興”表情，如圖4所示。對圖中每一位志愿者的表情，經(jīng)過Hough小波變換求出特征向量和一階矩，對樣本屬性單位進(jìn)行無量綱化和歸一化，并使用分析方法對特征向量進(jìn)行訓(xùn)練，投影變換到特征空間。對子類表情的再分類，則采用上文改進(jìn)后的最終算法進(jìn)行聚類，聚類的結(jié)果如圖5所示。

　根據(jù)圖5，將圖4的“高興”表情進(jìn)行模板劃分，再次分為兩個(gè)子表情模板，各子表情模板如圖6、7所示。
基于事例推理(CBR)研究的興起，體現(xiàn)了人類認(rèn)識(shí)世界、改造世界的一種方法論上的轉(zhuǎn)變。而CBR是一種方法而非一種技術(shù)，這種界定使CBR成為一個(gè)開放的系統(tǒng)，在解決非結(jié)構(gòu)化、知識(shí)獲取困難、復(fù)雜環(huán)境下的決策問題方面顯示了其優(yōu)越性，對CRB理論、技術(shù)的研究和應(yīng)用具有廣闊的前景和巨大的現(xiàn)實(shí)意義。

參考文獻(xiàn)
[1] PICARD R W， Affective learning -a manifesto[J]． BT Technology Journal． 2004，22(4)：253-269.
[2] ALEXANDER S T V． An affect-sensitive intelligent tutoring system with an animated pedagogical agent that adapts to student emotion like a human tutor[M]． Massey University，Albany， New Zealand， 2007.
[3] 韓軍，車文剛．CBR—一種新型的人工智能推理方法[J]．昆明理工大學(xué)學(xué)報(bào)(理工版)，2003，28(1)：88-91．
[4] PLAZA E， ARMENGOL E， TIAGO S． The explanatory power of symbolic similarity in case-based reasoning[J]．Artificial Intelligence Review， 2005，24：145-161．
[5] 陳真勇，何永勇，褚福磊．基于遺傳進(jìn)化的最近鄰聚類算法及其應(yīng)用[J]．控制與決策，2002(7)：466-471．
[6] 魏傳鋒，龐彧．改進(jìn)的最近鄰法在基于事例推理中的應(yīng)用[J]．系統(tǒng)仿真學(xué)報(bào)，2005，17(5)：1045-1047．
[7] 單凱晶，肖懷鐵．初始聚類中心選取的核C-均值聚類算法[J]．計(jì)算機(jī)仿真，2009，26(7)：118-121．