卷积神经网络情感分析范文篇1

随着社会的进步，一个专业理论功底扎实，却缺乏实践经验的大学生毕业生，在步入社会初期将面临很大挑战。大学生通过参加丰富多彩的社会实践活动，将自己在课堂上学到的理论知识来分析和解释现实中存在的问题，实现理论和实践的融会贯通，可提高大学生应付各种情况的能力，培养广大学生吃苦耐劳的精神，在实践中增长自己的见识和才干，学会自我管理，锻炼自己的人际交往能力和团队精神，最终实现增长知识、锻炼能力、全面发展的目的。

在学习《大学生思想道德修养》、《社会学》等课程之后，我们通过对周围同学寝室生活、使用电脑情况现象的观察，运用社会学中的相关理论和调查方法，调查分析网络对大学寝室同学之间心理距离的影响。

调查目的

随着现代信息技术的飞速发展，计算机网络对大学生的学习生活方式、人际交往及其思想观念产生深刻的影响。

“网络文化已经成为大学校园中的一种新的文化现象。一方面，网络作为一种新的大众传播媒介、交往方式，极大地满足了大学生信息资源共享、进行超越时空限制的交流等需求。另一方面，大学生对网络产生的极大的依赖，面对着电脑屏幕，浏览新闻，看电影、听音乐、聊qq，一言不发、相安其事、自得其乐，仿佛八九十年代大学生在寝室海吹狂侃，无话不说的融洽气氛已经永远定格为历史，取而代之的寝室内的沉寂和室友之间关系的渐渐疏远。我们不禁要思考：网络的普及是使寝室同学之间的心理距离更加亲近了，还是日渐疏远?

本小组成员旨在运用社会学理论所学的知识和社会调查方法，通过抽样调查，对大学生上网时间，内容及形式，对寝室生活的影响进行实证分析，探究网络对大学生寝室同学之间的心理距离的影响，并为大学生合理使用网络，培养健康向上的生活习惯，增进寝室同学之间交流互动，营造和谐融洽的寝室生活氛围提出合理化的建议。

调查对象

考虑到调查的可操作性，课题组从我院本科生中经过简单随机抽样，抽取80名同学作为调查对象。

调查方法

在实证的基础上，定量与定性分析相结合，通过问卷调查、访谈等方式，收集相关数据资料，对数据进行统计分析，探究电脑网络对大学寝室同学之间心理距离的影响。

调查方案及过程

本课题组主要采取问卷调查的方法来搜集资料和数据，通过简单随机抽样，从我院本科生中抽取80名同学。为确保问卷的回收率和质量，发放自填问卷，现场填写回收的方式，问卷发放80份，回收80份，有效问卷71份，有效率88.75%。问卷设计包含对学生基本上网环境的调查，上网的时长、上网内容以及电脑网络对受调查者本人、室友的影响。

卷积神经网络情感分析范文篇2

【关键词】因特网；行为，成瘾；精神卫生；干预性研究；学生

【中图分类号】R179R395.6R163【文献标识码】A【文章编号】1000-9817(2007)07-0641-02

网络成瘾是指由于过度使用互联网而对成瘾者造成身心损害的一种现象［1］。网络成瘾被多数学者认为是一种危害不亚于酗酒和的心理障碍［2］。大学生是网络成瘾的高发人群。本研究在问卷调查的基础上，以在校学生为对象，了解网络成瘾学生的心理特点，探索适合的健康教育模式，为防治大学生网络成瘾提供参考。

1对象与方法

1.1对象随机抽取松原职业学院2005年在校2246名学生进行问卷调查。根据得分，筛选出165名网络成瘾者；通过访谈，以自愿为原则，选取148名同学校、同年级、同性别未成瘾的学生为对照组。平均年龄（20.84±1.98）岁。

1.2方法

1.2.1网络成瘾判断根据Young设计的网络成瘾量表［3］进行问卷调查，量表含有10个条目，采用“是否”评分制（1=是，0=否）。计算总分，最后得分在5分以上（包括5分）为网络成瘾。分数越高，说明成瘾程度越严重。

1.2.2心理测试工具以SCL-90自评量表［4］按要求进行测试，采取5级评分制，计算总分、总均分和各因子均分。均分越高，说明症状越明显。

自编心理状况问卷，该问卷参照SCL-90量表编制而成。主要从自我评价、自控能力、学习责任心、人际交往、社会活动、健康上网等方面，按“一点也不符合”到“完全符合”分别记1～5分，分数越高，说明状况越好。

1.2.3心理干预学期开学第3周至期末考试前1周对网络成瘾的学生进行心理咨询和心理治疗，每周六进行1次，单周进行咨询，双周进行治疗。

心理咨询采用2种方式，一种是团体咨询，由教育学和心理学教师讲授心理健康等方面的知识，讲座后留下讨论和个别交谈时间；另一种为面对面交谈，由师生或学生之间进行心灵对话，包括弄清问题，表达感受，确立目标，达到目标的意见，以及决定问题解决方案。

心理治疗以Young［5］提出的认知疗法和行为疗法的理论为基础。对网络成瘾的学生通过团体和个人的方式进行3个阶段的治疗。第1阶段为认知治疗：(1)认知重建。让其认识成瘾危害，端正上网动机，改变对网络的态度。(2)提示卡片。帮助网络成瘾学生列出沉迷于互联网的害处，并制成卡片随身携带，以便时刻提醒自己。(3)辩论法。自我辩论或与他人辩论，在网瘾发作时，让内心的道德感、责任感与罪恶感、失败感斗争。时间为1个月。第2阶段为行为治疗：(1)强化法。通过奖励或惩罚训练行为。(2)行为契约法。师生商定行为契约，成瘾者签订契约并遵守，教师或学生担任契约的监督者。(3)自我管理法。行为者以一种行为控制另一种行为出现，主要是通过规范生活法、计划时间表法、自我监督法来激发戒瘾的戒网动机及自我效能感的积极合作。(4)松弛疗法。采用肌肉放松、想象放松、深呼吸放松以稳定情绪，时间为1个半月。第3阶段为辅助治疗：社会支持法。帮助成瘾者找到心理相容的支持群体，使其获得社会支持。

1.2.4统计分析问卷经过整理，过录后录入计算机，用SPSS10.0统计软件对数据进行统计分析。

2结果

2.1职业院校网络成瘾与未成瘾学生心理状况比较网络成瘾学生心理健康状况总分及各因子得分都高于未成瘾学生，差异均有统计学意义。见表1。

2.2网络成瘾学生干预后与未成瘾学生心理状况比较网络成瘾学生经过心理健康干预后，总分、总均分、各因子分均明显降低，除强迫因子外，其余差异均有统计学意义。见表2。

2.3网络成瘾学生干预前后心理状况各因子得分比较网络成瘾学生健康干预后，总分、各因子均分均有提高，人际交往、社会活动、健康上网干预前后差异均有统计学意义。见表3。

3讨论

调查结果显示，职业院校网络成瘾学生与未成瘾学生在心理健康方面存在差异。网络成瘾学生主要表现出高焦虑和抑郁等情绪问题，往往存在人际关系敏感，有明显的敌对倾向。成瘾者的这些心理障碍使他们与人进行面对面交流时很容易受到挫折和失败。由于与周围人相处不融洽，在现实生活中遇到矛盾或压力时，不善于向别人倾诉自己遇到的问题，很少得到家人、同学、教师和朋友的关照和帮助，因此就转而求助于宽松、匿名、互动、开放的网络。在网上可以轻松、随意地与他人交谈，建立自己的网络人际关系，这种宽松、互动、开放的网络成为网络成瘾者建立网上人际关系，逃避现实，发泄自己消极情绪的场所。

干预后网络成瘾学生心理健康水平有所提高，网络成瘾学生SCL-90总分、总均分、各因子分在原来的水平上有所下降，说明健康心理干预是有效的。团体心理咨询和心理治疗是将有共同特征与需要的学生组织在一起，采取导而非“堵”的中肯态度向学生讲授心理卫生保健知识，教给学生心理调适技能，帮助学生解除心理困扰，消除心理障碍，培养积极向上的健康心理。此外，干预可以帮助学生改善人际关系，学习新的态度与行为方式。在咨询过程中，给予交往技巧方面的指导，让其体验到成功的现实人际交往，从而帮助他们重建自信。在心理治疗中，利用社会支持法帮助网络成瘾学生找到能接纳他们、积极向上的小群体或兴趣一致的活动小组。在团体中，成员关心他们，理解他们，帮助他们，并带领他们参加各种社会活动，为他们戒断网络成瘾营造一个舒适、安全的人际环境，让他们感受到现实生活中人际温暖,满足他们人际交往和情感沟通的心理需求，从而改变不良的网络生活习惯，学会正确利用网络，促进个人发展。

4参考文献

［1］龚银清，杨容.中学生网络成瘾的心理治疗方法与技术.中国学校卫生，2005，26(5)：408-409.

［2］林琴，徐勇.网络成瘾的研究进展.中国学校卫生，2005，26（3）：254.

［3］金伯利•S•杨，著.毛英明，毛巧明，译.网虫综合征：网瘾的症状与康复策略.上海：上海译文出版社，2000：121-125.

［4］张明园.精神科评定量表手册.长沙：湖南科学技术出版社，1998：17-42.

卷积神经网络情感分析范文篇3

关键词：卷积神经网络；自动编码器；非监督训练；多尺度分块；目标识别

中图分类号：TP391.41文献标志码：A英文标题

0引言

对图像中目标的精确和鲁棒识别是模式识别及人工智能领域的核心内容，在道路监控、战场侦察、精确打击等领域中有着重要的作用和广泛的前景。近年来，随着深度神经网络成为机器学习新的热点，基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）的图像识别算法因其较强的鲁棒性和突出的识别率被学术界和工业界所重视。

Alex等[1]提出基于大型深层CNN的自然图像识别算法，在ImageNet数据集上取得了很高的识别率；Dan等[2]提出了基于多核的CNN，并采用GPU并行运算的方法在三维NORB数据集上取得了很好的识别效果。以上算法虽然都取得了较高的目标识别率，但是由于算法采用有监督的训练方式，需要大量标签数据对网络权重进行调整，当数据量较小时会导致模型前几层网络无法得到充分训练，故只能针对含标签数据较多的大型数据集。针对此问题，目前主流的解决方法是采用特征提取算法对CNN的滤波器集进行非监督的预训练。文献[3]采用稀疏编码提取训练图像的基函数作为CNN的初始滤波器；文献[4]将独立成分分析（IndependentComponentAnalysis，ICA）应用于CNN的预训练阶段，利用ICA训练滤波器集合，使识别率得到了一定提高。然而无论是稀疏编码还是ICA，其特征提取的效果都比较一般，应用于预训练阶段对算法识别率的提升也比较有限。所以如何更好地选择滤波器的预训练算法仍是十分困难的问题。

除了预训练外，影响CNN识别率和鲁棒性的关键参数还有滤波器的尺寸和下采样层的采样间隔。滤波器尺寸反映了CNN对输入图像局部特征的提取情况，文献[5]证明滤波器尺寸对最终识别结果有很大影响，并给出了单层条件下相对最优的滤波器尺寸。下采样层主要负责对特征进行模糊，从而获得平移、尺度等不变性。采样间隔反映了模糊的程度，间隔越大模糊越严重，模糊后的特征保持的全局空间信息就越少。文献[6]证明当采样间隔较小时，即使经过2次卷积和2次最大下采样（maxpooling），网络输出的激活值仍能重构出与原始输入看似相同的图案。然而下采样间隔过小会导致不变性丧失，过大则会损失大量细节信息，两者均会导致识别率的下降。

针对以上问题，本文提出基于多尺度分块卷积神经网络（MultiScaleConvolutionalNeuralNetwork，MSCNN）的图像目标识别算法。首先利用稀疏自动编码器（SparseAutoEncoder，SAE）对卷积神经网络的滤波器进行非监督预训练，通过最小化重构误差获得待识别图像的隐层表示，进而学习得到含有训练数据统计特性的滤波器集合，预训练效果相比ICA更好。其次提出多尺度分块的方法构建卷积神经网络，为了增加鲁棒性并减小下采样对特征表示的影响，对输入图像进行多尺度分块形成多个通路，并设计相应尺寸的滤波器进行卷积运算，将不同通路下采样后的输出进行融合从而形成新的特征，输入softmax分类器完成图像目标的识别。最后通过大量实验对比MSCNN算法与经典算法在整理图像识别任务中的识别率和鲁棒性差异，从而验证算法的有效性。

4仿真实验及分析

本文使用STL10公开数据集以及从全色波段的QuiekBird遥感卫星和GoogleEarth软件中截取的遥感飞机图像数据集进行测试实验，将所有图片变为64×64像素的RGB图。选择STL10数据集的原因是因为其含有不包含标签的训练集，可用于本文的非监督预训练算法，且图像中包含更多类内变化。STL10共10类目标，本文选用其中的4类目标进行实验。选择遥感飞机图像数据则是为了验证本文算法在遥感图像解译方面的可用性。该数据集包含5类遥感飞机，共400幅。实验时随机选取遥感飞机图像库中50%的图像作为训练样本，其余作为测试样本。本文的实验环境为CPU2.8GHz、内存3GB的计算机，实现算法的软件为Matlab（2011a）。

4.1算法识别率对比测试

MSCNN的各通路尺寸参数设置如图4所示，每个通道使用300个滤波器，滤波器初始值按照不同通道感受野大小利用稀疏自动编码器预训练得到。编码器设定为3层，稀疏参数ρ设定为0.05，训练周期为400。卷积神经网络的下采样方式采用最大下采样（maxpooling）。

按照上述参数设置，通路1输出特征维度为2700，通路2输出特征维度为4800，通路3输出特征维度为4800，MSCNN输出特征维度总共为12300。所有算法的训练周期均为50。传统CNN参数设定与通路1参数设定相同，同样使用300个滤波器，滤波器初始值通过随机初始化得到。输出特征维度为2700。实验结果如表1所示。

从表1可看出，加入LCN的CNN较未加入的CNN对两种数据集的识别率有一定的提高，说明了加入LCN对目标识别率是有一定的贡献的；在两种数据集上MSCNN相比原始CNN都拥有更高的识别率。MSCNN通路1虽然参数设置与CNN相同，但在相同训练周期下识别率较加入LCN的CNN又有一定提高，说明了非监督预训练对识别率提高的有效性。对于STL10数据集，可看出通路2的识别率在3个通路中最高，通路3则最低，这是因为通路3输入的图像尺寸最小，而STL10类内变化很大且目标不全在图像中心，故识别率有所下降。通路之间进行两两累加后识别率都有所提高，在3个通路共同作用时识别率最高，达到83.5%。对于遥感飞机图像集而言，可看出3个通路中通路2的识别率最高，这是因为遥感飞机图像集均为飞机图像，不同类别之间的全局特征差异并不明显，而局部特征更能表示不同的飞机类别。通路3由于输入尺寸较小，识别率稍有下降。同样的，不同通路之间的叠加都让识别率有所提升，最终MSCNN三通路特征融合后的识别率达到了96.5%，完全满足对于可见光遥感图像目标识别的需求。

从表1还可看出，本文算法在3个通路CNN的情况下的识别率较1个通路或2个通路的CNN的识别率高，由此可以推断3个通路CNN所提取的特征具有较强的泛化能力和鲁棒性。此外3个通道能够兼顾不同的尺度，使模型能提取到尺度不同的特征。

4.2算法鲁棒性实验

为验证MSCNN的鲁棒性，在数据集中选取不同类别的图像对其进行平移、尺度、旋转变换，然后计算MSCNN输出的第一层全连接特征与图像变换后输出特征之间的欧氏距离，根据距离的大小可以衡量输出特征对于目标变化的鲁棒性，欧氏距离越小就说明特征对于目标变化越不敏感，鲁棒性就越好。对于STL10选取四类目标进行实验，对比算法为CNN；对于遥感飞机图像集随机选取10幅进行实验，并取距离的平均值，对比算法为ICA和CNN。测试结果如图6～7所示。

图6中虚线表示传统CNN算法得到的结果，实线则表示MSCNN得到的结果，从图6可看出：无论是面对平移、尺度还是旋转变换，MSCNN算法最终输出的特征向量变化率均小于CNN算法，证明其鲁棒性要好于CNN。

从图7也可看出：本文算法对于遥感飞机图像集的平移、尺度、旋转均表现出良好的鲁棒性，相比而言ICA提取的特征鲁棒性较差，目标图像微小的变化就导致了特征较大的改变。本文算法鲁棒性较好首先是因为MSCNN采用非监督的预训练方式，训练得到的滤波器含有更多图像不变性特征；其次是因为MSCNN采用多尺度输入，小块图像输入在一定程度上相当于另一种局部特征，这些特征相比全尺寸输入拥有更好的不变性；最后是MSCNN采用了局部对比度标准化，对于亮度变化较大和存在噪声的目标图像鲁棒性明显增强。

另外，本文算法采用了多通路多尺度分块的方法，必然会使网络参数增加，从而会使训练时间比较耗时；但在测试阶段，输入样本的计算仅包含一些简单的卷积和下采样，算法复杂度并没有因为通道的增加而增加，因此在测试阶段的实时性较传统的CNN并没有太大变化。

5结语

本文提出了MSCNN算法在卷积神经网络的基础上通过非监督预训练滤波器的方法解决传统卷积神经网络前几层无法得到有效训练的问题。针对传统神经网络对于复杂背景图像识别率不高的问题，利用多尺度输入图像增加局部不变信息，利用不同尺寸滤波器卷积搭配不同下采样间隔的方法在获得特征不变性的同时不至于丧失目标的细节信息，有效提升了识别率和鲁棒性。与经典算法的对比实验结果表明：该方法能够有效识别可见光自然图像和遥感图像，并对平移、尺度和旋转变换具有较强的鲁棒性。

参考文献：

[1]

ALEXK，ILYAS，HINTONGE.ImageNetclassificationwithdeepconvolutionalneuralnetworks[EB/OL].[20150210].http：//papers.nips.cc/paper/4824imagenetclassificationwithdeepconvolutionalneuralnetworks.pdf.

[2]

DANC，UELIM，JURGENS.Multicolumndeepneuralnetworksforimageclassification[C]//Proceedingsofthe2012IEEEConferenceonComputerVisionandPatternRecognition.Piscataway，NJ：IEEE，2012：3642-3649.

[3]

KAVUKCUOGLUK，SERMANETP，BOUREAUY，etal.Learningconvolutionalfeaturehierarchiesforvisualrecognition[EB/OL].[20150210].http：//cs.nyu.edu/～ylan/files/publi/koraynips10.pdf.

[4]

KAVUKCUOGLUK，RABZATOM，FERGUSR，etal.Learninginvariantfeaturesthroughtopographicfiltermaps[C]//IEEEConferenceonComputerVisionandPatternRecognition.Piscataway，NJ：IEEE，2009：1605-1612.

[5]

COATESA，LEEH，NGAY.Ananalysisofsinglelayernetworksinunsupervisedfeaturelearning[C]//Proceedingsofthe14thInternationalConferenceonArtificialIntelligenceandStatistics.Piscataway，NJ：IEEE，2011：215-223.

[6]

ZEILERMD，FERGUS，R.Visualizingandunderstandingconvolutionalneuralnetworks[C]//ECCV2014：Proceedingsofthe13thEuropeanConferenceonComputerVision.Berlin：Springer，2014：818-833.

[7]

BALDIP，LUZHIQIN.Complexvaluedautoencoders[J].NeuralNetworks，2012，33：136-147.

[8]

HAYKINS.神经网络与机器学习[M].3版.申富饶，徐烨，郑俊，译.北京：机械工业出版社，2011：81-89.（HAYKINS.NeuralNetworksandLearningMachines[M].3rded.SHENFR，XUY，ZHENGJ，translated.Beijing：ChinaMachinePress，2011：81-89.

[10]

LECUNY，BOTTOUL，BENGIOY.Gradientbasedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE，1998，86（11）：2278-2324.

[11]

DERMANETP，LECUNY.Trafficsignrecognitionwithmultiscaleconvolutionalnetworks[C]//Proceedingsofthe2011InternationalJointConferenceonNeuralNetworks.Piscataway，NJ：IEEE，2011：2809-2813.

[12]

GONGYC，WANGLW，GUORQ，etal.Multiscaleorderlesspoolingofdeepconvolutionalactivationfeatures[C]//ECCV2014：Proceedingsofthe13thEuropeanConferenceonComputerVision.Piscataway，NJ：IEEE，2014：392-407.

[13]

JARRETTK，KAVUKCUOGLUK，RANZATOM，etal.Whatisthebestmultistageforobjectarchitecture？[C]//Proceedingsofthe2009IEEE12thInternationalConferenceonComputerVision.Piscataway，NJ：IEEE，2009：2146-2153.

[14]

BOUVRIEJ.Notesonconvolutionalneuralnetworks[EB/OL].[20150210].http：//math.duke.edu/～jvb/papers/cnn_tutorial.pdf.

Background

ThisworkispartiallysupportedbytheNationalNaturalScienceFoundationofChina（61372167，61379104）.

ZHANGWenda，bornin1991，M.S.candidate.Hisresearchinterestsincludepatternrecognitionandartificialintelligence.