本發(fā)明涉及機(jī)器人領(lǐng)域，具體涉及一種通過(guò)情感控制的機(jī)器人。
背景技術(shù)：
：機(jī)器人是自動(dòng)執(zhí)行工作的機(jī)器裝置。它既可以接受人類指揮，又可以運(yùn)行預(yù)先編排的程序，也可以根據(jù)以人工智能技術(shù)制定的原則綱領(lǐng)行動(dòng)。它的任務(wù)是協(xié)助或取代人類工作的工作，目前在工業(yè)、醫(yī)學(xué)、農(nóng)業(yè)甚至軍事等領(lǐng)域中均等有重要用途。情感在人們相互交際過(guò)程中起著極其重要的作用。借助情感表達(dá)所伴隨著的外在表現(xiàn)信息，如情感化的語(yǔ)音信號(hào)或面部表情，人們可以很方便地相互溝通、相互了解。對(duì)于人類情感方面的研究，一直是生理學(xué)、神經(jīng)學(xué)、心理學(xué)等領(lǐng)域的重要研究方向，近幾年來(lái)倍受工程領(lǐng)域研究者的關(guān)注。當(dāng)前，對(duì)于單模態(tài)情感研究較多，但是對(duì)于多模態(tài)情感融合的研究較為有限。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述問(wèn)題，本發(fā)明提供一種通過(guò)情感控制的機(jī)器人。本發(fā)明的目的采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：一種通過(guò)情感控制的機(jī)器人，其特征是，包括機(jī)器人和與機(jī)器人相連的情感控制系統(tǒng)，所述機(jī)器人包括：底盤、機(jī)器人外殼和機(jī)器人手臂，所述底盤上安裝有直流無(wú)刷電機(jī)、驅(qū)動(dòng)輪、軸支架、二層支柱，所述軸支架一側(cè)設(shè)置有用于支撐直流無(wú)刷電機(jī)的電機(jī)支架，所述二層支柱上安裝有二層支撐板，所述二層支撐板上部左右兩側(cè)分別安裝電機(jī)驅(qū)動(dòng)器，所述二層支撐板下部設(shè)置有減震彈簧，所述二層支撐板上部中間位置安裝三層支柱，所述三層支柱上部設(shè)置三層支撐板，所述三層支撐板上部安裝機(jī)器人控制單元，所述機(jī)器人控制單元包括主控制板和設(shè)置在主控制板上的保險(xiǎn)、繼電器、空氣開(kāi)關(guān)、WIFI模塊、天線；所述機(jī)器人外殼上設(shè)置有電源開(kāi)關(guān)、急停開(kāi)關(guān)、操作觸摸屏和光電傳感器。優(yōu)選地，所述底盤上還設(shè)置有LMS激光傳感器。優(yōu)選地，所述機(jī)器人手臂上設(shè)置有用戶觸摸屏。本發(fā)明的有益效果為：操作方便、功能多樣、靈活性好、使用效果好、設(shè)計(jì)人性化。附圖說(shuō)明利用附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但附圖中的實(shí)施例不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1是本發(fā)明機(jī)器人的結(jié)構(gòu)示意圖；圖2是本發(fā)明情感控制系統(tǒng)的結(jié)構(gòu)示意圖。附圖標(biāo)記：語(yǔ)音情感識(shí)別處理模塊1、表情情感識(shí)別處理模塊2、多模態(tài)情感融合識(shí)別處理模塊3、控制模塊4、聲學(xué)特征提取子模塊11、聲學(xué)特征降維子模塊12、語(yǔ)音情感分類處理子模塊13、表情特征提取子模塊21、表情特征降維子模塊22、表情情感分類處理子模塊23。具體實(shí)施方式結(jié)合以下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。應(yīng)用場(chǎng)景1參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景中的一個(gè)具體實(shí)施例一種通過(guò)情感控制的機(jī)器人，其特征是，包括機(jī)器人和與機(jī)器人相連的情感控制系統(tǒng)，所述機(jī)器人包括：底盤、機(jī)器人外殼和機(jī)器人手臂，所述底盤上安裝有直流無(wú)刷電機(jī)、驅(qū)動(dòng)輪、軸支架、二層支柱，所述軸支架一側(cè)設(shè)置有用于支撐直流無(wú)刷電機(jī)的電機(jī)支架，所述二層支柱上安裝有二層支撐板，所述二層支撐板上部左右兩側(cè)分別安裝電機(jī)驅(qū)動(dòng)器，所述二層支撐板下部設(shè)置有減震彈簧，所述二層支撐板上部中間位置安裝三層支柱，所述三層支柱上部設(shè)置三層支撐板，所述三層支撐板上部安裝機(jī)器人控制單元，所述機(jī)器人控制單元包括主控制板和設(shè)置在主控制板上的保險(xiǎn)、繼電器、空氣開(kāi)關(guān)、WIFI模塊、天線；所述機(jī)器人外殼上設(shè)置有電源開(kāi)關(guān)、急停開(kāi)關(guān)、操作觸摸屏和光電傳感器。優(yōu)選地，所述底盤上還設(shè)置有LMS激光傳感器。本優(yōu)選實(shí)施例通過(guò)引入數(shù)據(jù)透?jìng)骷夹g(shù)，操作方便、功能多樣、靈活性好、使用效果好、設(shè)計(jì)人性化。優(yōu)選地，所述機(jī)器人手臂上設(shè)置有用戶觸摸屏。本優(yōu)選實(shí)施例更加方便客戶體驗(yàn)。優(yōu)選地，所述情感控制系統(tǒng)包括語(yǔ)音情感識(shí)別處理模塊1、表情情感識(shí)別處理模塊2、多模態(tài)情感融合識(shí)別處理模塊3和控制模塊4：(1)語(yǔ)音情感識(shí)別處理模塊1，用于獲取用戶的語(yǔ)音信號(hào)，并對(duì)語(yǔ)音信號(hào)進(jìn)行處理，最終輸出語(yǔ)音情感識(shí)別結(jié)果，其包括聲學(xué)特征提取子模塊11、聲學(xué)特征降維子模塊12和語(yǔ)音情感分類處理子模塊13；所述聲學(xué)特征提取子模塊11用于提取聲學(xué)特征數(shù)據(jù)；所述聲學(xué)特征降維子模塊12用于采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理；所述語(yǔ)音情感分類處理子模塊13用于采用已訓(xùn)練好的支持向量機(jī)作為語(yǔ)音情感識(shí)別分類器，對(duì)降維后的聲學(xué)特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出語(yǔ)音情感識(shí)別結(jié)果，支持向量機(jī)的核函數(shù)采用高斯核函數(shù)；(2)表情情感識(shí)別處理模塊2，用于獲取用戶的表情圖像，并對(duì)表情圖像特征進(jìn)行處理，最終生成表情情感識(shí)別結(jié)果，其包括表情特征提取子模塊21、表情特征降維子模塊22和表情情感分類處理子模塊23；所述表情特征提取子模塊21用于采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提?。凰霰砬樘卣鹘稻S子模塊22用于采用所述改進(jìn)的局部線性嵌入方法對(duì)所述表情特征數(shù)據(jù)進(jìn)行降維處理，并采用形態(tài)學(xué)處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓(xùn)練好的稀疏分類器作為表情情感識(shí)別分類器，對(duì)降維、濾波處理后的表情特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出表情情感識(shí)別結(jié)果；(3)多模態(tài)情感融合識(shí)別處理模塊3，用于基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，根據(jù)預(yù)定的多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識(shí)別結(jié)果，在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作。本優(yōu)選實(shí)施例設(shè)置多模態(tài)情感融合識(shí)別處理模塊3，基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，增強(qiáng)了識(shí)別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識(shí)別結(jié)果包括高級(jí)別和低級(jí)別的褒義情感，中性情感以及高級(jí)別和低級(jí)別的貶義情感組成的5個(gè)級(jí)別情感類型。所述在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作，具體為：所述控制模塊基于預(yù)先設(shè)置的語(yǔ)音特征數(shù)據(jù)庫(kù)，匹配所述用戶的語(yǔ)音信號(hào)的語(yǔ)音特征，從而進(jìn)行用戶身份驗(yàn)證，若驗(yàn)證通過(guò)，控制模塊控制機(jī)器人執(zhí)行相應(yīng)的操作。所述采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理，包括：(1)將提取的聲學(xué)特征數(shù)據(jù)中的聲學(xué)特征向量看成是高維空間中的樣本數(shù)據(jù)點(diǎn)，設(shè)M維的N個(gè)樣本數(shù)據(jù)點(diǎn)為Xi，Xi∈RM，i∈[1，N]，類別號(hào)為Ci，嵌入輸出的N個(gè)m維的降維數(shù)據(jù)點(diǎn)為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對(duì)每個(gè)樣本數(shù)據(jù)點(diǎn)Xi確定其鄰域點(diǎn)的數(shù)目K，鄰域點(diǎn)的距離公式為：L′=1-e-Lλ,Ci=CjL+δ1max(L)+δ2min(L),Ci≠Cj]]>式中，L′是結(jié)合樣本數(shù)據(jù)點(diǎn)類別信息計(jì)算后的距離，L是忽略樣本數(shù)據(jù)點(diǎn)類別信息的原始?xì)W氏距離，參數(shù)λ用來(lái)防止L過(guò)快增長(zhǎng)，max(L)表示最大歐氏距離，min(L)表示最小歐式距離，常數(shù)因子δ1、δ2(0≤δ1、δ2≤1)，共同控制距離計(jì)算時(shí)樣本數(shù)據(jù)點(diǎn)類別信息的結(jié)合數(shù)量程度；(2)利用每個(gè)樣本數(shù)據(jù)點(diǎn)Xi的鄰域點(diǎn)計(jì)算出樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij，要求最小化下列損失函數(shù)：s(W)=Σi=1N||Xi-Σj=1KWijXj||2]]>式中，Wij為Xi與Xj之間的權(quán)值，且需滿足對(duì)Xi的非鄰域點(diǎn)，Wij＝0；(3)計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點(diǎn)之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點(diǎn)間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij以及其鄰域點(diǎn)計(jì)算出該樣本數(shù)據(jù)點(diǎn)的輸出值，具體是將所有的樣本數(shù)據(jù)點(diǎn)Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達(dá)到最小，要求最小化下列損失函數(shù)：ω(Y)=Σi=1NQij||Yi-ΣXj∈Ω(Xi)WijYj||2=tr(YMYT)]]>式中，需滿足其中構(gòu)建一個(gè)稀疏矩陣M＝(I-W)T(I-W)，通過(guò)求解這個(gè)稀疏矩陣的前m個(gè)最小的非零特征值所對(duì)應(yīng)的特征向量作為樣本數(shù)據(jù)點(diǎn)Xi的嵌入輸出值。所述自適應(yīng)二維Gabor小波變換方法中的Gabor濾波器的核函數(shù)定義為：Φα,β=||kα,β||2σ2e-||kα,β||2||z||22σ2[eikα,βz-e-σ22]]]>式中，α、β分別表示核函數(shù)的方向和頻率大小，α、β按照按如下方法設(shè)置：當(dāng)表情圖像質(zhì)量較好時(shí)，選取三個(gè)中心頻率β＝{0，1，2}和六個(gè)方向α＝{0，1，…，5}組成的18個(gè)Gabor濾波器用于特征提??；當(dāng)表情圖像受到腐蝕、遮擋時(shí)，選取四個(gè)中心頻率β＝{0，1…，3}和八個(gè)方向α＝{0，1，…，7}組成的32個(gè)Gabor濾波器用于特征提??；σ表示采用高斯函數(shù)窗口的大小，用來(lái)決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進(jìn)行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個(gè)子塊特征數(shù)目選擇σ，特征數(shù)目大的子塊設(shè)定σ＝π，特征數(shù)目少的子塊設(shè)定σ＝2π；kα,β為小波矢量，其中，kβ和分別表示Gabor濾波器在頻率和方向空間的采樣方式。所述預(yù)定的多模態(tài)情感融合策略為：設(shè)已經(jīng)計(jì)算出一個(gè)測(cè)試樣本x對(duì)于c類的分類情況下，采用n個(gè)分類器進(jìn)行分類得到的后驗(yàn)概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對(duì)n個(gè)分類器取得的后驗(yàn)概率按照方差規(guī)則集成得到一個(gè)新的后驗(yàn)概率集合{qj(x)，j＝1,2,…,c}，從中按照預(yù)定的挑選規(guī)則挑選出合適的后驗(yàn)概率值所對(duì)應(yīng)的類別作為要輸出的用戶情感識(shí)別結(jié)果；對(duì)于j類測(cè)試樣本，按照方差規(guī)則獲得的新的后驗(yàn)概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對(duì)于j類測(cè)試樣本，最終所獲得的識(shí)別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗(yàn)概率集合中的后驗(yàn)概率值按照從大到小順序進(jìn)行排列的前3個(gè)后驗(yàn)概率值為qj(x)max,qj(x)max-1,j(x)max-2，若選擇qj(x)max作為合適的后驗(yàn)概率值，否則選擇qj(x)max-1作為合適的后驗(yàn)概率值,其中Qq為設(shè)定的后驗(yàn)概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實(shí)施例設(shè)置改進(jìn)的局部線性嵌入方法，需要確定的參數(shù)比較少，只有鄰域數(shù)k和輸出維數(shù)d，大大減少了運(yùn)算量，且可以學(xué)習(xí)出任意維數(shù)的低維流形，提高了識(shí)別速度；采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個(gè)解析的全局最優(yōu)解；在聲學(xué)特征降維子模塊12對(duì)聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理的過(guò)程中，計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和，并將其考慮到低維重構(gòu)的損失函數(shù)中，降低了噪聲的影響和數(shù)據(jù)樣本外點(diǎn)對(duì)降維的干擾，進(jìn)一步提高了情感識(shí)別的精度；設(shè)置預(yù)定的多模態(tài)情感融合策略，并根據(jù)多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果，使識(shí)別結(jié)果更加可靠準(zhǔn)確。本應(yīng)用場(chǎng)景設(shè)定后驗(yàn)概率權(quán)值為Qq＝1.4，識(shí)別精度相對(duì)提高了12％。應(yīng)用場(chǎng)景2參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景中的一個(gè)具體實(shí)施例一種通過(guò)情感控制的機(jī)器人，其特征是，包括機(jī)器人和與機(jī)器人相連的情感控制系統(tǒng)，所述機(jī)器人包括：底盤、機(jī)器人外殼和機(jī)器人手臂，所述底盤上安裝有直流無(wú)刷電機(jī)、驅(qū)動(dòng)輪、軸支架、二層支柱，所述軸支架一側(cè)設(shè)置有用于支撐直流無(wú)刷電機(jī)的電機(jī)支架，所述二層支柱上安裝有二層支撐板，所述二層支撐板上部左右兩側(cè)分別安裝電機(jī)驅(qū)動(dòng)器，所述二層支撐板下部設(shè)置有減震彈簧，所述二層支撐板上部中間位置安裝三層支柱，所述三層支柱上部設(shè)置三層支撐板，所述三層支撐板上部安裝機(jī)器人控制單元，所述機(jī)器人控制單元包括主控制板和設(shè)置在主控制板上的保險(xiǎn)、繼電器、空氣開(kāi)關(guān)、WIFI模塊、天線；所述機(jī)器人外殼上設(shè)置有電源開(kāi)關(guān)、急停開(kāi)關(guān)、操作觸摸屏和光電傳感器。優(yōu)選地，所述底盤上還設(shè)置有LMS激光傳感器。本優(yōu)選實(shí)施例通過(guò)引入數(shù)據(jù)透?jìng)骷夹g(shù)，操作方便、功能多樣、靈活性好、使用效果好、設(shè)計(jì)人性化。優(yōu)選地，所述機(jī)器人手臂上設(shè)置有用戶觸摸屏。本優(yōu)選實(shí)施例更加方便客戶體驗(yàn)。優(yōu)選地，所述情感控制系統(tǒng)包括語(yǔ)音情感識(shí)別處理模塊1、表情情感識(shí)別處理模塊2、多模態(tài)情感融合識(shí)別處理模塊3和控制模塊4：(1)語(yǔ)音情感識(shí)別處理模塊1，用于獲取用戶的語(yǔ)音信號(hào)，并對(duì)語(yǔ)音信號(hào)進(jìn)行處理，最終輸出語(yǔ)音情感識(shí)別結(jié)果，其包括聲學(xué)特征提取子模塊11、聲學(xué)特征降維子模塊12和語(yǔ)音情感分類處理子模塊13；所述聲學(xué)特征提取子模塊11用于提取聲學(xué)特征數(shù)據(jù)；所述聲學(xué)特征降維子模塊12用于采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理；所述語(yǔ)音情感分類處理子模塊13用于采用已訓(xùn)練好的支持向量機(jī)作為語(yǔ)音情感識(shí)別分類器，對(duì)降維后的聲學(xué)特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出語(yǔ)音情感識(shí)別結(jié)果，支持向量機(jī)的核函數(shù)采用高斯核函數(shù)；(2)表情情感識(shí)別處理模塊2，用于獲取用戶的表情圖像，并對(duì)表情圖像特征進(jìn)行處理，最終生成表情情感識(shí)別結(jié)果，其包括表情特征提取子模塊21、表情特征降維子模塊22和表情情感分類處理子模塊23；所述表情特征提取子模塊21用于采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提??；所述表情特征降維子模塊22用于采用所述改進(jìn)的局部線性嵌入方法對(duì)所述表情特征數(shù)據(jù)進(jìn)行降維處理，并采用形態(tài)學(xué)處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓(xùn)練好的稀疏分類器作為表情情感識(shí)別分類器，對(duì)降維、濾波處理后的表情特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出表情情感識(shí)別結(jié)果；(3)多模態(tài)情感融合識(shí)別處理模塊3，用于基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，根據(jù)預(yù)定的多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識(shí)別結(jié)果，在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作。本優(yōu)選實(shí)施例設(shè)置多模態(tài)情感融合識(shí)別處理模塊3，基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，增強(qiáng)了識(shí)別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識(shí)別結(jié)果包括高級(jí)別和低級(jí)別的褒義情感，中性情感以及高級(jí)別和低級(jí)別的貶義情感組成的5個(gè)級(jí)別情感類型。所述在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作，具體為：所述控制模塊基于預(yù)先設(shè)置的語(yǔ)音特征數(shù)據(jù)庫(kù)，匹配所述用戶的語(yǔ)音信號(hào)的語(yǔ)音特征，從而進(jìn)行用戶身份驗(yàn)證，若驗(yàn)證通過(guò)，控制模塊控制機(jī)器人執(zhí)行相應(yīng)的操作。所述采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理，包括：(1)將提取的聲學(xué)特征數(shù)據(jù)中的聲學(xué)特征向量看成是高維空間中的樣本數(shù)據(jù)點(diǎn)，設(shè)M維的N個(gè)樣本數(shù)據(jù)點(diǎn)為Xi，Xi∈RM，i∈[1，N]，類別號(hào)為Ci，嵌入輸出的N個(gè)m維的降維數(shù)據(jù)點(diǎn)為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對(duì)每個(gè)樣本數(shù)據(jù)點(diǎn)Xi確定其鄰域點(diǎn)的數(shù)目K，鄰域點(diǎn)的距離公式為：L′=1-e-Lλ,Ci=CjL+δ1max(L)+δ2min(L),Ci≠Cj]]>式中，L′是結(jié)合樣本數(shù)據(jù)點(diǎn)類別信息計(jì)算后的距離，L是忽略樣本數(shù)據(jù)點(diǎn)類別信息的原始?xì)W氏距離，參數(shù)λ用來(lái)防止L過(guò)快增長(zhǎng)，max(L)表示最大歐氏距離，min(L)表示最小歐式距離，常數(shù)因子δ1、δ2(0≤δ1、δ2≤1)，共同控制距離計(jì)算時(shí)樣本數(shù)據(jù)點(diǎn)類別信息的結(jié)合數(shù)量程度；(2)利用每個(gè)樣本數(shù)據(jù)點(diǎn)Xi的鄰域點(diǎn)計(jì)算出樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij，要求最小化下列損失函數(shù)：s(W)=Σi=1N||Xi-Σj=1KWijXj||2]]>式中，Wij為Xi與Xj之間的權(quán)值，且需滿足對(duì)Xi的非鄰域點(diǎn)，Wij＝0；(3)計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點(diǎn)之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點(diǎn)間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij以及其鄰域點(diǎn)計(jì)算出該樣本數(shù)據(jù)點(diǎn)的輸出值，具體是將所有的樣本數(shù)據(jù)點(diǎn)Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達(dá)到最小，要求最小化下列損失函數(shù)：ω(Y)=Σi=1NQij||Yi-ΣXj∈Ω(Xi)WijYj||2=tr(YMYT)]]>式中，需滿足其中構(gòu)建一個(gè)稀疏矩陣M＝(I-W)T(I-W)，通過(guò)求解這個(gè)稀疏矩陣的前m個(gè)最小的非零特征值所對(duì)應(yīng)的特征向量作為樣本數(shù)據(jù)點(diǎn)Xi的嵌入輸出值。所述自適應(yīng)二維Gabor小波變換方法中的Gabor濾波器的核函數(shù)定義為：Φα,β=||kα,β||2σ2e-||kα,β||2||z||22σ2[eikα,βz-e-σ22]]]>式中，α、β分別表示核函數(shù)的方向和頻率大小，α、β按照按如下方法設(shè)置：當(dāng)表情圖像質(zhì)量較好時(shí)，選取三個(gè)中心頻率β＝{0，1，2}和六個(gè)方向α＝{0，1，…，5}組成的18個(gè)Gabor濾波器用于特征提?。划?dāng)表情圖像受到腐蝕、遮擋時(shí)，選取四個(gè)中心頻率β＝{0，1…，3}和八個(gè)方向α＝{0，1，…，7}組成的32個(gè)Gabor濾波器用于特征提取；σ表示采用高斯函數(shù)窗口的大小，用來(lái)決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進(jìn)行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個(gè)子塊特征數(shù)目選擇σ，特征數(shù)目大的子塊設(shè)定σ＝π，特征數(shù)目少的子塊設(shè)定σ＝2π；kα,β為小波矢量，其中，kβ和分別表示Gabor濾波器在頻率和方向空間的采樣方式。所述預(yù)定的多模態(tài)情感融合策略為：設(shè)已經(jīng)計(jì)算出一個(gè)測(cè)試樣本x對(duì)于c類的分類情況下，采用n個(gè)分類器進(jìn)行分類得到的后驗(yàn)概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對(duì)n個(gè)分類器取得的后驗(yàn)概率按照方差規(guī)則集成得到一個(gè)新的后驗(yàn)概率集合{qj(x)，j＝1,2,…,c}，從中按照預(yù)定的挑選規(guī)則挑選出合適的后驗(yàn)概率值所對(duì)應(yīng)的類別作為要輸出的用戶情感識(shí)別結(jié)果；對(duì)于j類測(cè)試樣本，按照方差規(guī)則獲得的新的后驗(yàn)概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對(duì)于j類測(cè)試樣本，最終所獲得的識(shí)別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗(yàn)概率集合中的后驗(yàn)概率值按照從大到小順序進(jìn)行排列的前3個(gè)后驗(yàn)概率值為qj(x)max,qj(x)max-1,j(x)max-2，若選擇qj(x)max作為合適的后驗(yàn)概率值，否則選擇qj(x)max-1作為合適的后驗(yàn)概率值,其中Qq為設(shè)定的后驗(yàn)概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實(shí)施例設(shè)置改進(jìn)的局部線性嵌入方法，需要確定的參數(shù)比較少，只有鄰域數(shù)k和輸出維數(shù)d，大大減少了運(yùn)算量，且可以學(xué)習(xí)出任意維數(shù)的低維流形，提高了識(shí)別速度；采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個(gè)解析的全局最優(yōu)解；在聲學(xué)特征降維子模塊12對(duì)聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理的過(guò)程中，計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和，并將其考慮到低維重構(gòu)的損失函數(shù)中，降低了噪聲的影響和數(shù)據(jù)樣本外點(diǎn)對(duì)降維的干擾，進(jìn)一步提高了情感識(shí)別的精度；設(shè)置預(yù)定的多模態(tài)情感融合策略，并根據(jù)多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果，使識(shí)別結(jié)果更加可靠準(zhǔn)確。本應(yīng)用場(chǎng)景設(shè)定后驗(yàn)概率權(quán)值為Qq＝1.45，識(shí)別精度相對(duì)提高了10％。應(yīng)用場(chǎng)景3參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景中的一個(gè)具體實(shí)施例一種通過(guò)情感控制的機(jī)器人，其特征是，包括機(jī)器人和與機(jī)器人相連的情感控制系統(tǒng)，所述機(jī)器人包括：底盤、機(jī)器人外殼和機(jī)器人手臂，所述底盤上安裝有直流無(wú)刷電機(jī)、驅(qū)動(dòng)輪、軸支架、二層支柱，所述軸支架一側(cè)設(shè)置有用于支撐直流無(wú)刷電機(jī)的電機(jī)支架，所述二層支柱上安裝有二層支撐板，所述二層支撐板上部左右兩側(cè)分別安裝電機(jī)驅(qū)動(dòng)器，所述二層支撐板下部設(shè)置有減震彈簧，所述二層支撐板上部中間位置安裝三層支柱，所述三層支柱上部設(shè)置三層支撐板，所述三層支撐板上部安裝機(jī)器人控制單元，所述機(jī)器人控制單元包括主控制板和設(shè)置在主控制板上的保險(xiǎn)、繼電器、空氣開(kāi)關(guān)、WIFI模塊、天線；所述機(jī)器人外殼上設(shè)置有電源開(kāi)關(guān)、急停開(kāi)關(guān)、操作觸摸屏和光電傳感器。優(yōu)選地，所述底盤上還設(shè)置有LMS激光傳感器。本優(yōu)選實(shí)施例通過(guò)引入數(shù)據(jù)透?jìng)骷夹g(shù)，操作方便、功能多樣、靈活性好、使用效果好、設(shè)計(jì)人性化。優(yōu)選地，所述機(jī)器人手臂上設(shè)置有用戶觸摸屏。本優(yōu)選實(shí)施例更加方便客戶體驗(yàn)。優(yōu)選地，所述情感控制系統(tǒng)包括語(yǔ)音情感識(shí)別處理模塊1、表情情感識(shí)別處理模塊2、多模態(tài)情感融合識(shí)別處理模塊3和控制模塊4：(1)語(yǔ)音情感識(shí)別處理模塊1，用于獲取用戶的語(yǔ)音信號(hào)，并對(duì)語(yǔ)音信號(hào)進(jìn)行處理，最終輸出語(yǔ)音情感識(shí)別結(jié)果，其包括聲學(xué)特征提取子模塊11、聲學(xué)特征降維子模塊12和語(yǔ)音情感分類處理子模塊13；所述聲學(xué)特征提取子模塊11用于提取聲學(xué)特征數(shù)據(jù)；所述聲學(xué)特征降維子模塊12用于采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理；所述語(yǔ)音情感分類處理子模塊13用于采用已訓(xùn)練好的支持向量機(jī)作為語(yǔ)音情感識(shí)別分類器，對(duì)降維后的聲學(xué)特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出語(yǔ)音情感識(shí)別結(jié)果，支持向量機(jī)的核函數(shù)采用高斯核函數(shù)；(2)表情情感識(shí)別處理模塊2，用于獲取用戶的表情圖像，并對(duì)表情圖像特征進(jìn)行處理，最終生成表情情感識(shí)別結(jié)果，其包括表情特征提取子模塊21、表情特征降維子模塊22和表情情感分類處理子模塊23；所述表情特征提取子模塊21用于采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提取；所述表情特征降維子模塊22用于采用所述改進(jìn)的局部線性嵌入方法對(duì)所述表情特征數(shù)據(jù)進(jìn)行降維處理，并采用形態(tài)學(xué)處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓(xùn)練好的稀疏分類器作為表情情感識(shí)別分類器，對(duì)降維、濾波處理后的表情特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出表情情感識(shí)別結(jié)果；(3)多模態(tài)情感融合識(shí)別處理模塊3，用于基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，根據(jù)預(yù)定的多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識(shí)別結(jié)果，在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作。本優(yōu)選實(shí)施例設(shè)置多模態(tài)情感融合識(shí)別處理模塊3，基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，增強(qiáng)了識(shí)別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識(shí)別結(jié)果包括高級(jí)別和低級(jí)別的褒義情感，中性情感以及高級(jí)別和低級(jí)別的貶義情感組成的5個(gè)級(jí)別情感類型。所述在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作，具體為：所述控制模塊基于預(yù)先設(shè)置的語(yǔ)音特征數(shù)據(jù)庫(kù)，匹配所述用戶的語(yǔ)音信號(hào)的語(yǔ)音特征，從而進(jìn)行用戶身份驗(yàn)證，若驗(yàn)證通過(guò)，控制模塊控制機(jī)器人執(zhí)行相應(yīng)的操作。所述采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理，包括：(1)將提取的聲學(xué)特征數(shù)據(jù)中的聲學(xué)特征向量看成是高維空間中的樣本數(shù)據(jù)點(diǎn)，設(shè)M維的N個(gè)樣本數(shù)據(jù)點(diǎn)為Xi，Xi∈RM，i∈[1，N]，類別號(hào)為Ci，嵌入輸出的N個(gè)m維的降維數(shù)據(jù)點(diǎn)為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對(duì)每個(gè)樣本數(shù)據(jù)點(diǎn)Xi確定其鄰域點(diǎn)的數(shù)目K，鄰域點(diǎn)的距離公式為：L′=1-e-Lλ,Ci=CjL+δ1max(L)+δ2min(L),Ci≠Cj]]>式中，L′是結(jié)合樣本數(shù)據(jù)點(diǎn)類別信息計(jì)算后的距離，L是忽略樣本數(shù)據(jù)點(diǎn)類別信息的原始?xì)W氏距離，參數(shù)λ用來(lái)防止L過(guò)快增長(zhǎng)，max(L)表示最大歐氏距離，min(L)表示最小歐式距離，常數(shù)因子δ1、δ2(0≤δ1、δ2≤1)，共同控制距離計(jì)算時(shí)樣本數(shù)據(jù)點(diǎn)類別信息的結(jié)合數(shù)量程度；(2)利用每個(gè)樣本數(shù)據(jù)點(diǎn)Xi的鄰域點(diǎn)計(jì)算出樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij，要求最小化下列損失函數(shù)：s(W)=Σi=1N||Xi-Σj=1KWijXj||2]]>式中，Wij為Xi與Xj之間的權(quán)值，且需滿足對(duì)Xi的非鄰域點(diǎn)，Wij＝0；(3)計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點(diǎn)之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點(diǎn)間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij以及其鄰域點(diǎn)計(jì)算出該樣本數(shù)據(jù)點(diǎn)的輸出值，具體是將所有的樣本數(shù)據(jù)點(diǎn)Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達(dá)到最小，要求最小化下列損失函數(shù)：ω(Y)=Σi=1NQij||Yi-ΣXj∈Ω(Xi)WijYj||2=tr(YMYT)]]>式中，需滿足其中構(gòu)建一個(gè)稀疏矩陣M＝(I-W)T(I-W)，通過(guò)求解這個(gè)稀疏矩陣的前m個(gè)最小的非零特征值所對(duì)應(yīng)的特征向量作為樣本數(shù)據(jù)點(diǎn)Xi的嵌入輸出值。所述自適應(yīng)二維Gabor小波變換方法中的Gabor濾波器的核函數(shù)定義為：Φα,β=||kα,β||2σ2e-||kα,β||2||z||22σ2[eikα,βz-e-σ22]]]>式中，α、β分別表示核函數(shù)的方向和頻率大小，α、β按照按如下方法設(shè)置：當(dāng)表情圖像質(zhì)量較好時(shí)，選取三個(gè)中心頻率β＝{0，1，2}和六個(gè)方向α＝{0，1，…，5}組成的18個(gè)Gabor濾波器用于特征提??；當(dāng)表情圖像受到腐蝕、遮擋時(shí)，選取四個(gè)中心頻率β＝{0，1…，3}和八個(gè)方向α＝{0，1，…，7}組成的32個(gè)Gabor濾波器用于特征提?。沪冶硎静捎酶咚购瘮?shù)窗口的大小，用來(lái)決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進(jìn)行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個(gè)子塊特征數(shù)目選擇σ，特征數(shù)目大的子塊設(shè)定σ＝π，特征數(shù)目少的子塊設(shè)定σ＝2π；kα,β為小波矢量，其中，kβ和分別表示Gabor濾波器在頻率和方向空間的采樣方式。所述預(yù)定的多模態(tài)情感融合策略為：設(shè)已經(jīng)計(jì)算出一個(gè)測(cè)試樣本x對(duì)于c類的分類情況下，采用n個(gè)分類器進(jìn)行分類得到的后驗(yàn)概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對(duì)n個(gè)分類器取得的后驗(yàn)概率按照方差規(guī)則集成得到一個(gè)新的后驗(yàn)概率集合{qj(x)，j＝1,2,…,c}，從中按照預(yù)定的挑選規(guī)則挑選出合適的后驗(yàn)概率值所對(duì)應(yīng)的類別作為要輸出的用戶情感識(shí)別結(jié)果；對(duì)于j類測(cè)試樣本，按照方差規(guī)則獲得的新的后驗(yàn)概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對(duì)于j類測(cè)試樣本，最終所獲得的識(shí)別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗(yàn)概率集合中的后驗(yàn)概率值按照從大到小順序進(jìn)行排列的前3個(gè)后驗(yàn)概率值為qj(x)max,qj(x)max-1,qj(x)max-2，若選擇qj(x)max作為合適的后驗(yàn)概率值，否則選擇qj(x)max-1作為合適的后驗(yàn)概率值,其中Qq為設(shè)定的后驗(yàn)概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實(shí)施例設(shè)置改進(jìn)的局部線性嵌入方法，需要確定的參數(shù)比較少，只有鄰域數(shù)k和輸出維數(shù)d，大大減少了運(yùn)算量，且可以學(xué)習(xí)出任意維數(shù)的低維流形，提高了識(shí)別速度；采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個(gè)解析的全局最優(yōu)解；在聲學(xué)特征降維子模塊12對(duì)聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理的過(guò)程中，計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和，并將其考慮到低維重構(gòu)的損失函數(shù)中，降低了噪聲的影響和數(shù)據(jù)樣本外點(diǎn)對(duì)降維的干擾，進(jìn)一步提高了情感識(shí)別的精度；設(shè)置預(yù)定的多模態(tài)情感融合策略，并根據(jù)多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果，使識(shí)別結(jié)果更加可靠準(zhǔn)確。本應(yīng)用場(chǎng)景設(shè)定后驗(yàn)概率權(quán)值為Qq＝1.5，識(shí)別精度相對(duì)提高了15％。應(yīng)用場(chǎng)景4參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景中的一個(gè)具體實(shí)施例一種通過(guò)情感控制的機(jī)器人，其特征是，包括機(jī)器人和與機(jī)器人相連的情感控制系統(tǒng)，所述機(jī)器人包括：底盤、機(jī)器人外殼和機(jī)器人手臂，所述底盤上安裝有直流無(wú)刷電機(jī)、驅(qū)動(dòng)輪、軸支架、二層支柱，所述軸支架一側(cè)設(shè)置有用于支撐直流無(wú)刷電機(jī)的電機(jī)支架，所述二層支柱上安裝有二層支撐板，所述二層支撐板上部左右兩側(cè)分別安裝電機(jī)驅(qū)動(dòng)器，所述二層支撐板下部設(shè)置有減震彈簧，所述二層支撐板上部中間位置安裝三層支柱，所述三層支柱上部設(shè)置三層支撐板，所述三層支撐板上部安裝機(jī)器人控制單元，所述機(jī)器人控制單元包括主控制板和設(shè)置在主控制板上的保險(xiǎn)、繼電器、空氣開(kāi)關(guān)、WIFI模塊、天線；所述機(jī)器人外殼上設(shè)置有電源開(kāi)關(guān)、急停開(kāi)關(guān)、操作觸摸屏和光電傳感器。優(yōu)選地，所述底盤上還設(shè)置有LMS激光傳感器。本優(yōu)選實(shí)施例通過(guò)引入數(shù)據(jù)透?jìng)骷夹g(shù)，操作方便、功能多樣、靈活性好、使用效果好、設(shè)計(jì)人性化。優(yōu)選地，所述機(jī)器人手臂上設(shè)置有用戶觸摸屏。本優(yōu)選實(shí)施例更加方便客戶體驗(yàn)。優(yōu)選地，所述情感控制系統(tǒng)包括語(yǔ)音情感識(shí)別處理模塊1、表情情感識(shí)別處理模塊2、多模態(tài)情感融合識(shí)別處理模塊3和控制模塊4：(1)語(yǔ)音情感識(shí)別處理模塊1，用于獲取用戶的語(yǔ)音信號(hào)，并對(duì)語(yǔ)音信號(hào)進(jìn)行處理，最終輸出語(yǔ)音情感識(shí)別結(jié)果，其包括聲學(xué)特征提取子模塊11、聲學(xué)特征降維子模塊12和語(yǔ)音情感分類處理子模塊13；所述聲學(xué)特征提取子模塊11用于提取聲學(xué)特征數(shù)據(jù)；所述聲學(xué)特征降維子模塊12用于采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理；所述語(yǔ)音情感分類處理子模塊13用于采用已訓(xùn)練好的支持向量機(jī)作為語(yǔ)音情感識(shí)別分類器，對(duì)降維后的聲學(xué)特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出語(yǔ)音情感識(shí)別結(jié)果，支持向量機(jī)的核函數(shù)采用高斯核函數(shù)；(2)表情情感識(shí)別處理模塊2，用于獲取用戶的表情圖像，并對(duì)表情圖像特征進(jìn)行處理，最終生成表情情感識(shí)別結(jié)果，其包括表情特征提取子模塊21、表情特征降維子模塊22和表情情感分類處理子模塊23；所述表情特征提取子模塊21用于采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提取；所述表情特征降維子模塊22用于采用所述改進(jìn)的局部線性嵌入方法對(duì)所述表情特征數(shù)據(jù)進(jìn)行降維處理，并采用形態(tài)學(xué)處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓(xùn)練好的稀疏分類器作為表情情感識(shí)別分類器，對(duì)降維、濾波處理后的表情特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出表情情感識(shí)別結(jié)果；(3)多模態(tài)情感融合識(shí)別處理模塊3，用于基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，根據(jù)預(yù)定的多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識(shí)別結(jié)果，在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作。本優(yōu)選實(shí)施例設(shè)置多模態(tài)情感融合識(shí)別處理模塊3，基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，增強(qiáng)了識(shí)別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識(shí)別結(jié)果包括高級(jí)別和低級(jí)別的褒義情感，中性情感以及高級(jí)別和低級(jí)別的貶義情感組成的5個(gè)級(jí)別情感類型。所述在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作，具體為：所述控制模塊基于預(yù)先設(shè)置的語(yǔ)音特征數(shù)據(jù)庫(kù)，匹配所述用戶的語(yǔ)音信號(hào)的語(yǔ)音特征，從而進(jìn)行用戶身份驗(yàn)證，若驗(yàn)證通過(guò)，控制模塊控制機(jī)器人執(zhí)行相應(yīng)的操作。所述采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理，包括：(1)將提取的聲學(xué)特征數(shù)據(jù)中的聲學(xué)特征向量看成是高維空間中的樣本數(shù)據(jù)點(diǎn)，設(shè)M維的N個(gè)樣本數(shù)據(jù)點(diǎn)為Xi，Xi∈RM，i∈[1，N]，類別號(hào)為Ci，嵌入輸出的N個(gè)m維的降維數(shù)據(jù)點(diǎn)為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對(duì)每個(gè)樣本數(shù)據(jù)點(diǎn)Xi確定其鄰域點(diǎn)的數(shù)目K，鄰域點(diǎn)的距離公式為：L′=1-e-Lλ,Ci=CjL+δ1max(L)+δ2min(L),Ci≠Cj]]>式中，L′是結(jié)合樣本數(shù)據(jù)點(diǎn)類別信息計(jì)算后的距離，L是忽略樣本數(shù)據(jù)點(diǎn)類別信息的原始?xì)W氏距離，參數(shù)λ用來(lái)防止L過(guò)快增長(zhǎng)，max(L)表示最大歐氏距離，min(L)表示最小歐式距離，常數(shù)因子δ1、δ2(0≤δ1、δ2≤1)，共同控制距離計(jì)算時(shí)樣本數(shù)據(jù)點(diǎn)類別信息的結(jié)合數(shù)量程度；(2)利用每個(gè)樣本數(shù)據(jù)點(diǎn)Xi的鄰域點(diǎn)計(jì)算出樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij，要求最小化下列損失函數(shù)：s(W)=Σi=1N||Xi-Σj=1KWijXj||2]]>式中，Wij為Xi與Xj之間的權(quán)值，且需滿足對(duì)Xi的非鄰域點(diǎn)，Wij＝0；(3)計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點(diǎn)之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點(diǎn)間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij以及其鄰域點(diǎn)計(jì)算出該樣本數(shù)據(jù)點(diǎn)的輸出值，具體是將所有的樣本數(shù)據(jù)點(diǎn)Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達(dá)到最小，要求最小化下列損失函數(shù)：ω(Y)=Σi=1NQij||Yi-ΣXj∈Ω(Xi)WijYj||2=tr(YMYT)]]>式中，需滿足其中構(gòu)建一個(gè)稀疏矩陣M＝(I-W)T(I-W)，通過(guò)求解這個(gè)稀疏矩陣的前m個(gè)最小的非零特征值所對(duì)應(yīng)的特征向量作為樣本數(shù)據(jù)點(diǎn)Xi的嵌入輸出值。所述自適應(yīng)二維Gabor小波變換方法中的Gabor濾波器的核函數(shù)定義為：Φα,β=||kα,β||2σ2e-||kα,β||2||z||22σ2[eikα,βz-e-σ22]]]>式中，α、β分別表示核函數(shù)的方向和頻率大小，α、β按照按如下方法設(shè)置：當(dāng)表情圖像質(zhì)量較好時(shí)，選取三個(gè)中心頻率β＝{0，1，2}和六個(gè)方向α＝{0，1，…，5}組成的18個(gè)Gabor濾波器用于特征提??；當(dāng)表情圖像受到腐蝕、遮擋時(shí)，選取四個(gè)中心頻率β＝{0，1…，3}和八個(gè)方向α＝{0，1，…，7}組成的32個(gè)Gabor濾波器用于特征提取；σ表示采用高斯函數(shù)窗口的大小，用來(lái)決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進(jìn)行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個(gè)子塊特征數(shù)目選擇σ，特征數(shù)目大的子塊設(shè)定σ＝π，特征數(shù)目少的子塊設(shè)定σ＝2π；kα,β為小波矢量，其中，kβ和分別表示Gabor濾波器在頻率和方向空間的采樣方式。所述預(yù)定的多模態(tài)情感融合策略為：設(shè)已經(jīng)計(jì)算出一個(gè)測(cè)試樣本x對(duì)于c類的分類情況下，采用n個(gè)分類器進(jìn)行分類得到的后驗(yàn)概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對(duì)n個(gè)分類器取得的后驗(yàn)概率按照方差規(guī)則集成得到一個(gè)新的后驗(yàn)概率集合{qj(x)，j＝1,2,…,c}，從中按照預(yù)定的挑選規(guī)則挑選出合適的后驗(yàn)概率值所對(duì)應(yīng)的類別作為要輸出的用戶情感識(shí)別結(jié)果；對(duì)于j類測(cè)試樣本，按照方差規(guī)則獲得的新的后驗(yàn)概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對(duì)于j類測(cè)試樣本，最終所獲得的識(shí)別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗(yàn)概率集合中的后驗(yàn)概率值按照從大到小順序進(jìn)行排列的前3個(gè)后驗(yàn)概率值為qj(x)max,qj(x)max-1,qj(x)max-2，若選擇qj(x)max作為合適的后驗(yàn)概率值，否則選擇qj(x)max-1作為合適的后驗(yàn)概率值,其中Qq為設(shè)定的后驗(yàn)概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實(shí)施例設(shè)置改進(jìn)的局部線性嵌入方法，需要確定的參數(shù)比較少，只有鄰域數(shù)k和輸出維數(shù)d，大大減少了運(yùn)算量，且可以學(xué)習(xí)出任意維數(shù)的低維流形，提高了識(shí)別速度；采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個(gè)解析的全局最優(yōu)解；在聲學(xué)特征降維子模塊12對(duì)聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理的過(guò)程中，計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和，并將其考慮到低維重構(gòu)的損失函數(shù)中，降低了噪聲的影響和數(shù)據(jù)樣本外點(diǎn)對(duì)降維的干擾，進(jìn)一步提高了情感識(shí)別的精度；設(shè)置預(yù)定的多模態(tài)情感融合策略，并根據(jù)多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果，使識(shí)別結(jié)果更加可靠準(zhǔn)確。本應(yīng)用場(chǎng)景設(shè)定后驗(yàn)概率權(quán)值為Qq＝1.55，識(shí)別精度相對(duì)提高了10％。應(yīng)用場(chǎng)景5參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景中的一個(gè)具體實(shí)施例一種通過(guò)情感控制的機(jī)器人，其特征是，包括機(jī)器人和與機(jī)器人相連的情感控制系統(tǒng)，所述機(jī)器人包括：底盤、機(jī)器人外殼和機(jī)器人手臂，所述底盤上安裝有直流無(wú)刷電機(jī)、驅(qū)動(dòng)輪、軸支架、二層支柱，所述軸支架一側(cè)設(shè)置有用于支撐直流無(wú)刷電機(jī)的電機(jī)支架，所述二層支柱上安裝有二層支撐板，所述二層支撐板上部左右兩側(cè)分別安裝電機(jī)驅(qū)動(dòng)器，所述二層支撐板下部設(shè)置有減震彈簧，所述二層支撐板上部中間位置安裝三層支柱，所述三層支柱上部設(shè)置三層支撐板，所述三層支撐板上部安裝機(jī)器人控制單元，所述機(jī)器人控制單元包括主控制板和設(shè)置在主控制板上的保險(xiǎn)、繼電器、空氣開(kāi)關(guān)、WIFI模塊、天線；所述機(jī)器人外殼上設(shè)置有電源開(kāi)關(guān)、急停開(kāi)關(guān)、操作觸摸屏和光電傳感器。優(yōu)選地，所述底盤上還設(shè)置有LMS激光傳感器。本優(yōu)選實(shí)施例通過(guò)引入數(shù)據(jù)透?jìng)骷夹g(shù)，操作方便、功能多樣、靈活性好、使用效果好、設(shè)計(jì)人性化。優(yōu)選地，所述機(jī)器人手臂上設(shè)置有用戶觸摸屏。本優(yōu)選實(shí)施例更加方便客戶體驗(yàn)。優(yōu)選地，所述情感控制系統(tǒng)包括語(yǔ)音情感識(shí)別處理模塊1、表情情感識(shí)別處理模塊2、多模態(tài)情感融合識(shí)別處理模塊3和控制模塊4：(1)語(yǔ)音情感識(shí)別處理模塊1，用于獲取用戶的語(yǔ)音信號(hào)，并對(duì)語(yǔ)音信號(hào)進(jìn)行處理，最終輸出語(yǔ)音情感識(shí)別結(jié)果，其包括聲學(xué)特征提取子模塊11、聲學(xué)特征降維子模塊12和語(yǔ)音情感分類處理子模塊13；所述聲學(xué)特征提取子模塊11用于提取聲學(xué)特征數(shù)據(jù)；所述聲學(xué)特征降維子模塊12用于采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理；所述語(yǔ)音情感分類處理子模塊13用于采用已訓(xùn)練好的支持向量機(jī)作為語(yǔ)音情感識(shí)別分類器，對(duì)降維后的聲學(xué)特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出語(yǔ)音情感識(shí)別結(jié)果，支持向量機(jī)的核函數(shù)采用高斯核函數(shù)；(2)表情情感識(shí)別處理模塊2，用于獲取用戶的表情圖像，并對(duì)表情圖像特征進(jìn)行處理，最終生成表情情感識(shí)別結(jié)果，其包括表情特征提取子模塊21、表情特征降維子模塊22和表情情感分類處理子模塊23；所述表情特征提取子模塊21用于采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提??；所述表情特征降維子模塊22用于采用所述改進(jìn)的局部線性嵌入方法對(duì)所述表情特征數(shù)據(jù)進(jìn)行降維處理，并采用形態(tài)學(xué)處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓(xùn)練好的稀疏分類器作為表情情感識(shí)別分類器，對(duì)降維、濾波處理后的表情特征數(shù)據(jù)進(jìn)行情感識(shí)別并輸出表情情感識(shí)別結(jié)果；(3)多模態(tài)情感融合識(shí)別處理模塊3，用于基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，根據(jù)預(yù)定的多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識(shí)別結(jié)果，在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作。本優(yōu)選實(shí)施例設(shè)置多模態(tài)情感融合識(shí)別處理模塊3，基于所述語(yǔ)音情感識(shí)別結(jié)果和表情情感識(shí)別結(jié)果，增強(qiáng)了識(shí)別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識(shí)別結(jié)果包括高級(jí)別和低級(jí)別的褒義情感，中性情感以及高級(jí)別和低級(jí)別的貶義情感組成的5個(gè)級(jí)別情感類型。所述在驗(yàn)證用戶身份的前提下控制機(jī)器人執(zhí)行相應(yīng)的操作，具體為：所述控制模塊基于預(yù)先設(shè)置的語(yǔ)音特征數(shù)據(jù)庫(kù)，匹配所述用戶的語(yǔ)音信號(hào)的語(yǔ)音特征，從而進(jìn)行用戶身份驗(yàn)證，若驗(yàn)證通過(guò)，控制模塊控制機(jī)器人執(zhí)行相應(yīng)的操作。所述采用改進(jìn)的局部線性嵌入方法對(duì)所述聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理，包括：(1)將提取的聲學(xué)特征數(shù)據(jù)中的聲學(xué)特征向量看成是高維空間中的樣本數(shù)據(jù)點(diǎn)，設(shè)M維的N個(gè)樣本數(shù)據(jù)點(diǎn)為Xi，Xi∈RM，i∈[1，N]，類別號(hào)為Ci，嵌入輸出的N個(gè)m維的降維數(shù)據(jù)點(diǎn)為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對(duì)每個(gè)樣本數(shù)據(jù)點(diǎn)Xi確定其鄰域點(diǎn)的數(shù)目K，鄰域點(diǎn)的距離公式為：L′=1-e-Lλ,Ci=CjL+δ1max(L)+δ2min(L),Ci≠Cj]]>式中，L′是結(jié)合樣本數(shù)據(jù)點(diǎn)類別信息計(jì)算后的距離，L是忽略樣本數(shù)據(jù)點(diǎn)類別信息的原始?xì)W氏距離，參數(shù)λ用來(lái)防止L過(guò)快增長(zhǎng)，max(L)表示最大歐氏距離，min(L)表示最小歐式距離，常數(shù)因子δ1、δ2(0≤δ1、δ2≤1)，共同控制距離計(jì)算時(shí)樣本數(shù)據(jù)點(diǎn)類別信息的結(jié)合數(shù)量程度；(2)利用每個(gè)樣本數(shù)據(jù)點(diǎn)Xi的鄰域點(diǎn)計(jì)算出樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij，要求最小化下列損失函數(shù)：s(W)=Σi=1N||Xi-Σj=1KWijXj||2]]>式中，Wij為Xi與Xj之間的權(quán)值，且需滿足對(duì)Xi的非鄰域點(diǎn)，Wij＝0；(3)計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點(diǎn)之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點(diǎn)間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點(diǎn)的局部重建權(quán)值矩陣Wij以及其鄰域點(diǎn)計(jì)算出該樣本數(shù)據(jù)點(diǎn)的輸出值，具體是將所有的樣本數(shù)據(jù)點(diǎn)Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達(dá)到最小，要求最小化下列損失函數(shù)：ω(Y)=Σi=1NQij||Yi-ΣXj∈Ω(Xi)WijYj||2=tr(YMYT)]]>式中，需滿足其中構(gòu)建一個(gè)稀疏矩陣M＝(I-W)T(I-W)，通過(guò)求解這個(gè)稀疏矩陣的前m個(gè)最小的非零特征值所對(duì)應(yīng)的特征向量作為樣本數(shù)據(jù)點(diǎn)Xi的嵌入輸出值。所述自適應(yīng)二維Gabor小波變換方法中的Gabor濾波器的核函數(shù)定義為：Φα,β=||kα,β||2σ2e-||kα,β||2||z||22σ2[eikα,βz-e-σ22]]]>式中，α、β分別表示核函數(shù)的方向和頻率大小，α、β按照按如下方法設(shè)置：當(dāng)表情圖像質(zhì)量較好時(shí)，選取三個(gè)中心頻率β＝{0，1，2}和六個(gè)方向α＝{0，1，…，5}組成的18個(gè)Gabor濾波器用于特征提??；當(dāng)表情圖像受到腐蝕、遮擋時(shí)，選取四個(gè)中心頻率β＝{0，1…，3}和八個(gè)方向α＝{0，1，…，7}組成的32個(gè)Gabor濾波器用于特征提?。沪冶硎静捎酶咚购瘮?shù)窗口的大小，用來(lái)決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進(jìn)行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個(gè)子塊特征數(shù)目選擇σ，特征數(shù)目大的子塊設(shè)定σ＝π，特征數(shù)目少的子塊設(shè)定σ＝2π；kα,β為小波矢量，其中，kβ和分別表示Gabor濾波器在頻率和方向空間的采樣方式。所述預(yù)定的多模態(tài)情感融合策略為：設(shè)已經(jīng)計(jì)算出一個(gè)測(cè)試樣本x對(duì)于c類的分類情況下，采用n個(gè)分類器進(jìn)行分類得到的后驗(yàn)概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對(duì)n個(gè)分類器取得的后驗(yàn)概率按照方差規(guī)則集成得到一個(gè)新的后驗(yàn)概率集合{qj(x)，j＝1,2,…,c}，從中按照預(yù)定的挑選規(guī)則挑選出合適的后驗(yàn)概率值所對(duì)應(yīng)的類別作為要輸出的用戶情感識(shí)別結(jié)果；對(duì)于j類測(cè)試樣本，按照方差規(guī)則獲得的新的后驗(yàn)概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對(duì)于j類測(cè)試樣本，最終所獲得的識(shí)別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗(yàn)概率集合中的后驗(yàn)概率值按照從大到小順序進(jìn)行排列的前3個(gè)后驗(yàn)概率值為qj(x)max,qj(x)max-1,qj(x)max-2，若選擇qj(x)max作為合適的后驗(yàn)概率值，否則選擇qj(x)max-1作為合適的后驗(yàn)概率值,其中Qq為設(shè)定的后驗(yàn)概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實(shí)施例設(shè)置改進(jìn)的局部線性嵌入方法，需要確定的參數(shù)比較少，只有鄰域數(shù)k和輸出維數(shù)d，大大減少了運(yùn)算量，且可以學(xué)習(xí)出任意維數(shù)的低維流形，提高了識(shí)別速度；采用自適應(yīng)二維Gabor小波變換方法對(duì)表情圖像中的表情特征進(jìn)行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個(gè)解析的全局最優(yōu)解；在聲學(xué)特征降維子模塊12對(duì)聲學(xué)特征數(shù)據(jù)進(jìn)行降維處理的過(guò)程中，計(jì)算各樣本數(shù)據(jù)點(diǎn)Xi的K個(gè)鄰域點(diǎn)的權(quán)重之和，并將其考慮到低維重構(gòu)的損失函數(shù)中，降低了噪聲的影響和數(shù)據(jù)樣本外點(diǎn)對(duì)降維的干擾，進(jìn)一步提高了情感識(shí)別的精度；設(shè)置預(yù)定的多模態(tài)情感融合策略，并根據(jù)多模態(tài)情感融合策略生成用戶情感識(shí)別結(jié)果，使識(shí)別結(jié)果更加可靠準(zhǔn)確。本應(yīng)用場(chǎng)景設(shè)定后驗(yàn)概率權(quán)值為Qq＝1.6，識(shí)別精度相對(duì)提高了8％。最后應(yīng)當(dāng)說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。當(dāng)前第1頁(yè)1 2 3