摘 要： 針對事例檢索算法中最近鄰算法判斷盲目、計算量大等問題，改進為聚類C-均值算法；對C-均值聚類對初值敏感，分類結果受到取定的類別數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，再次將改進的算法結合改進后的最大最小距離法，以優化初始聚類，將最終改進的算法進行了仿真比較。將最終改進的算法運用于情感智能教學中，創建了面部表情的子表情模板，提高了表情的識別率。
關鍵詞： CBR；事例檢索；聚類C-均值算法；表情識別
智能教學系統(ITS)從概念形成到現在一直是計算機科學和教育科學領域結合的一個研究熱點。此后情感識別成為最大的研究熱點，進而也產生了一些適用的方法，比如可穿戴情感識別設備[1]等；還出現了一些關于情感教學系統(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)運用于情感智能教學中，首先針對事例檢索算法中最近鄰算法判斷盲目、計算量大等問題，改進為C-均值聚類算法；再針對C-均值聚類對初值敏感等缺點，二次優化為改進的最大最小距離法；最后將改進的算法運用于面部表情子表情模板的分類中，以提高表情識別率。
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，在此基礎上再進行事例修正。修正后的新事例及其解決方法繼續存入事例庫中，實現解決問題經驗的學習[3]。CBR系統是一個完整的循環，在事例的提取(Retrieve)、重用(Reuse)、修正(Revise)、保存(Retain)[4]過程中，事例檢索是重要環節，而且檢索本身具有一定的模糊性，大多數情況下檢索到與新問題類似的事例，然后根據新舊事例之間的相似程度判斷推理的可信程度。
1.2 基于聚類的改進算法
在CBR系統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，導致判斷盲目、計算量大，是一種低效率的算法[5]。對此提出如下改進：首先對事例庫進行聚類預處理，使得歸類后同一類事例之間的特征向量相互靠近，并且找到每個聚類的均值。然后，新事例直接與每個代表點進行比較，找到與它最相近的聚類并在這個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行聚類之后，便可采用最近鄰法進行推理。推理時，新事例只需要與每個代表點進行比較，找到與它最相近的聚類并在這個聚類中搜索最相近的事例，這樣避免了盲目搜索，實現了算法優化。但是，C-均值算法對初值敏感，即不同的初值可能會導致不同的聚類結果，分類結果還受到取定的類別數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，則不可避免地會常常陷于局部極小值。
1.3 最大最小距離算法的二次改進
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的對象作為聚類中心，初始聚類中心通過隨機指定。在C-均值聚類算法的基礎上添加優化選取初始聚類中心，對該算法進行首次改進。為了解決聚類結果對初始聚類中心敏感的問題，加入粗分類環節，對該算法進行二次改進：初始聚類中心同時選取樣本中距離最遠的兩個樣本作為前兩個初始中心，然后運用最大最小距離算法進一步確定其余初始中心進行粗分類，具體的算法流程：
(1)聚類類別數C的確定。范圍為樣本集的數據個數N。
(2)第一、二個聚類中心的確定。計算樣本集中任意兩點的歐氏距離di1~i2，取dn1~n2=max{di1~i2}，其中n1，n2的取值范圍也為樣本集的數據個數N，則dn1~n2對應的點z1，z2為所求。
(3)其余聚類中心的確定。取樣本集中的任一點，計算出與步驟(2)得出的兩個中心點的距離，分別取最小值組成一維的最小值數組，數組中的最大值對應的點為第三個聚類中心。重復執行此步驟，就可得到所有的聚類中心值。
(4)粗分類。當所有的聚類中心都確定后，將樣本集中各數據按最小距離原則分配到各類中去，得到粗分類的分類結果。
1.3.2 仿真比較
運用改進的最大最小距離算法進行粗分類，初始的隨機數據矩陣組成事例庫，數據樣本單位為相對度量。確定最優的聚類數C=4，而后運用C-均值聚類算法進行分類，比較圖如圖1所示。
2 基于事例推理的情感智能教學研究
2.1 教學智能情感化模型設計
教學智能情感模型主要包括：情感識別模塊、情感分析模塊、反饋模塊及評價模塊。此外，系統還有在線教學模塊、教學反饋模塊、登錄退出模塊等，結構設計如圖2所示。
2.2 基于改進事例推理的情感識別模塊
學生的情感狀態能夠基于語音、面部表情、血壓等機制進行識別。為了有效地理解學生的情感狀態，本識別模型采用基于多模式的情感識別方法，此方法分為三部分：基于視覺的面部表情識別、身體動作識別、以及基于聽覺的會話信息(語音)識別。本文重點研究面部表情識別。
2.2.1 面部表情識別流程
具體的面部表情識別流程如圖3所示。所有的表情圖像都要經過小波變換求出特征向量，并對特征向量進行訓練、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行。
2.2.2 基于改進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表情模板來代表一種表情，需要對每種表情再劃分成多個子類。本文選用耶魯大學計算視覺與控制中心創建的Yale人臉數據庫，來進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，經過Hough小波變換求出特征向量和一階矩，對樣本屬性單位進行無量綱化和歸一化，并使用分析方法對特征向量進行訓練，投影變換到特征空間。對子類表情的再分類，則采用上文改進后的最終算法進行聚類，聚類的結果如圖5所示。
根據圖5，將圖4的“高興”表情進行模板劃分，再次分為兩個子表情模板，各子表情模板如圖6、7所示。
基于事例推理(CBR)研究的興起，體現了人類認識世界、改造世界的一種方法論上的轉變。而CBR是一種方法而非一種技術，這種界定使CBR成為一個開放的系統，在解決非結構化、知識獲取困難、復雜環境下的決策問題方面顯示了其優越性，對CRB理論、技術的研究和應用具有廣闊的前景和巨大的現實意義。
參考文獻
[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]．昆明理工大學學報(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．基于遺傳進化的最近鄰聚類算法及其應用[J]．控制與決策，2002(7)：466-471．
[6] 魏傳鋒，龐彧．改進的最近鄰法在基于事例推理中的應用[J]．系統仿真學報，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]．計算機仿真，2009，26(7)：118-121．