基于PAD三維情感測量的分形圖評價

馮 玲

(泰山學院信息科學技術學院，山東泰安 271021)

1 引言

分形理論應用于計算機圖形學可生成無數奇異圖案，這些圖案是設計人員無法設計出的，非常適用于一些圖形的輔助設計，如印刷業、廣告業、紡織工業等多個領域的圖案設計.分形藝術圖案因其抽象性和奇異性，不能用單純的花朵、動物之類的詞語進行劃分，其評價主要是憑借用戶的主觀判斷，很容易因個人偏好造成評價的偏差，進而引起一定的歧義.因此，分形圖案設計評價的研究擁有很強的現實應用.

分形圖案可作為設計人員的圖形設計參考庫.這些圖案可視化效果的優良主要通過人為判斷，沒有實際的評價指標，本文嘗試提出一種新的評價方法，根據不同的圖片帶給用戶不同的情感狀態作為評價指標，并利用人工神經網絡方法建立評價模型.情感狀態的測量以PAD三維情感模型中的情感量表為依據，根據圖案應用領域，分別對PAD情感量表的12個項目進行量化，神經網絡應用RBF網絡，輸入為PAD情感量表量化分，輸出為適應度(及最終評價).應用此方法產生的模型，非常接近人類思維模式的特征，較好地保證了評價結果的客觀性.

2 PAD三維情感模型

奧斯古德(Osgood)的研究發現情緒體驗可以從評價(Evaluation)、力度(Potency)和活躍性(Activity)三個維度進行分析.基于奧斯古德的思路，美拉比安(Mehrabian)和拉塞爾(Russell)采用語義差異評價方法，將三個維度修訂為愉悅度(Pleasure，簡寫P，表示個體情感狀態的正負特性)、激活度(Arousal，簡寫為A，表示個體的神經生理激活水平)、優勢度(Dominance，簡寫為D，表示個體對情境和他人的控制狀態).該模型簡稱為PAD三維情感模型.根據這3個維度可以將情緒劃分為8類:+P+A+D，如高興的;－P－A －D，如無聊的;+P+A －D，如依賴的;－P－A+D，如蔑視的;+P－A+D，如放松的;－P+A －D，如焦慮的;+P－A －D，如溫順的;－P+A+D，如敵意的.Mehrabian編制了一個僅包括12個項目(3個維度分別用4個項目進行測量)的簡化版本.該量表具有廣泛的應用價值，如產品評價、心境狀態和情緒的評定以及人格測試等，該表可與其他很多人格量表或情緒量表建立對應關系.而且該表也有其獨特優勢，如應用PAD情緒量表中的3個維度能夠有效地表示出正性情緒和負性情緒.例如PAD情緒量表能夠區分出焦慮情緒和抑郁情緒，焦慮情緒和抑郁情緒都具有較低的愉悅度和優勢度，但焦慮情緒要比抑郁情緒具有較高的激活度［1］.

3 分形圖案設計評價模型

3.1 原理

基于PAD情感量表的評價原理如下［2］:

(1)神經網絡的輸入向量為PAD情感量表的量化值，神經網絡的輸出為相應綜合評價的向量;(2)訓練該網絡時要用足夠的樣本，使不同的輸入向量活動對應的輸出值;

(3)神經網絡自適應學習得到的正確內部表示即為最終神經網絡所持有的那組權值和閾值.

訓練好的神經網絡即可作為一個有效工具，對樣本以外的數據作對應的評價.因此，此網絡系統既可模擬設計人員對分形圖案進行評價，又可減少評價過程中的人為誤差.

3.2 RBF神經網絡的訓練

建立神經網絡模型主要考慮兩個問題:一是網絡的拓撲結構的確定，二是學習參數的調整.在通常情況下，并沒有一個固定的模式來構建網絡模型的結構，一般利用實驗方法來獲到一個較合適的網絡結構.

3.2.1 評價指標體系及其量化

以PAD三維情感模型為基礎，測量情感的工具分為完整PAD情感量表和簡化版PAD情感量表.其簡化量表包含12對形容詞，評價者通過比較每一對形容詞的含義與某種情感狀態的相似程度，在從1到9的量表上標注出PAD三維情感空間上的情感狀態值.通過簡化版PAD情感量表，PAD三維情感模型可以實現對情感狀態的量化.

在中文簡化版PAD情感量表中，每個項目有1對表示不同情感狀態的形容詞，每對形容詞間的被分隔為9段;每對形容詞所表示的情感在其所屬維度上的量值相反，而在其他2個維度上基本相同.例如，測量愉悅度的一個項目由"憤怒的"和"有活力的"這對詞構成，它們所代表的情感在愉悅度上相反，而在激活度和優勢度上大致相同.該量表具有很大的應用價值，如產品評價、心境狀態和情緒的評定以及人格測試等，該表可與其他很多人格量表或情緒量表建立對應關系［3－4］.

表1 分形藝術圖案設計的評價指標體系

要實現利用神經網絡模型評價圖案的設計，首先要建立評價指標體系，根據中文簡化版PAD情感量表(如表1)作為評價體系對圖案設計進行評價.評價者分別從12個項目，評價自己看到圖片時所感受到的情緒體驗.評價者需根據哪種情緒更強烈及其強烈的程度來判定他們見到圖片時產生的情緒.從最左到最右，在此項目上的評分記為"－4"到"4"，在中間時，記為"0"分，最后的評分為測量該維度的4個項目得分的平均值，計算的方法如表2.分值越高，則愉悅度、激活度、優勢度越高［5］.

根據不同的情感體驗和不同的應用領域，分形藝術圖案的評價重點肯定是不同的.在進行評價圖案設計時，要根據實際應用領域來確定不同指標的權重.本文應用RBF神經網絡來確定各指標的權重，從而克服模糊隨機性及人為因素的影響.

表2 PAD原始分數計算

3.2.2 數據的采集

首先選定圖案設計的應用領域，本文以室內裝飾領域為例，評價人員對20副分形藝術圖案分別就以上提到的12組項目和最終評測結果測評并打分.評價的征集群體為小區住戶，采用問卷調查的方式，共發放70份問卷，收回問卷62份，其中有效問卷55份，本文選取其中的50份問卷結果，取其平均值作為最終PAD情感的評價結果.

根據問卷結果，得到相應的評價指標數據，取得RBF網絡的訓練樣本，分形藝術圖案數據如表3所示.表3中每行的最后一列為測試者對該樣本的評價值或滿意度的評分.評價值位于［1，10］區間內，評價值越大表示該樣本(圖案)應用于此領域越好.

表3 分形圖數據(神經網絡樣本)

3.2.3 神經網絡模型的結構確定

具有學習能力是神經網絡的最大特點，在學習及訓練過程中，網絡的連接權值產生了變化，學習到的內容也保存在連接權值中.通過對樣本的學習和訓練，神經網絡不斷改變其連接權值和拓撲結構，則網絡的輸出越來越接近期望的輸出.

運用MATLAB，對RBF神經網絡進行學習訓練并確定網絡的模型結構如下:

(1)輸入層神經元的個數.根據評價指標體系，有12項指標影響圖案設計，取輸入層個數為n=12;

(2)輸出層神經元個數.設置輸出層神經元個數為1個.即輸出層神經元個數m=1.評價值的范圍為［1，10］.把評價結果集設為:非常適合、比較適合、一般適合、不太適合、很不適合五個等級，其評價數值范圍分別為:［10，8.5］、(8.5，7］、(7，5.5］、(5.5，4］、(4，1］.

(3)網絡隱含層數.選擇結構相對簡單的3層RBF網絡，及隱含層個數為1.

(4)隱含層神經元個數.根據經驗和實際的網絡學習訓練，取隱含層神經元個數37.

4 分形圖案設計評價舉例

根據上述網絡結構、指標體系和學習訓練步驟對20副分形圖案在室內裝飾領域進行情感適應度評價測試，將前10組樣本作為學習訓練樣本，用以訓練網絡連接權值.后10組作為測試樣本.經過1000次學習訓練，其結果與用戶測評結果對比如圖1所示.學習訓練結束后，利用訓練好的3層RBF網絡模型，依次輸入測試的10組樣本數據.網絡測試結果與用戶的評價結果對比如圖2所示.從圖2可看出，此神經網絡模型的測評結果和用戶的評價結果基本一致.

圖1 網絡訓練結果和用戶評價結果對比

圖2 網絡測試結果和用戶評價結果對比

5 結束語

當用戶面對一副美麗的分形藝術圖案時，往往不確定該應用于什么領域合適，或由于個人的評判偏差錯誤的應用于某領域，造成較差的效果甚至經濟損失.本文提出基于PAD三維情感模型的分形圖評價體系，并利用RBF神經網絡對分形藝術圖案在不同的設計應用領域進行適應度及滿意度評價，依據其評價結果來確定其應用領域.實驗表明，應用PAD情感量表作為分形圖評價指標，并用神經網絡模擬人的情感狀態，對分形圖案設計進行適應度評價，能減少人為誤差及不確定性，獲得了較好的結果.

［1］李小明，傅小蘭，鄧國峰.中文簡化版PAD情緒量表在京大學生中的初步試用［J］.中國心理衛生雜志，2008，22(5):327－329.

［2］朱啟紅，張鋼.人工神經網絡在組織網絡化發展評價中的應用［J］.計算機應用研究，2007，24(6):239－241.

［3］劉燁，陶霖密，傅小蘭，等.基于情緒圖片的 PAD情感狀態模型分析［J］.中國圖象圖形學報，2009，14(5):753－758.

［4］曹潔，彭浩，王宏，等.基于PAD理論的人臉情感識別［J］.中國圖象圖形學報，2009，14(5):759－763.

［5］周慧.基于PAD三維情緒模型的情感語音轉換與識別［D］.蘭州:西北師范大學，2009.