基于PAD三维情感测量的分形图评价

冯 玲

(泰山学院信息科学技术学院，山东泰安 271021)

1 引言

分形理论应用于计算机图形学可生成无数奇异图案，这些图案是设计人员无法设计出的，非常适用于一些图形的辅助设计，如印刷业、广告业、纺织工业等多个领域的图案设计.分形艺术图案因其抽象性和奇异性，不能用单纯的花朵、动物之类的词语进行划分，其评价主要是凭借用户的主观判断，很容易因个人偏好造成评价的偏差，进而引起一定的歧义.因此，分形图案设计评价的研究拥有很强的现实应用.

分形图案可作为设计人员的图形设计参考库.这些图案可视化效果的优良主要通过人为判断，没有实际的评价指标，本文尝试提出一种新的评价方法，根据不同的图片带给用户不同的情感状态作为评价指标，并利用人工神经网络方法建立评价模型.情感状态的测量以PAD三维情感模型中的情感量表为依据，根据图案应用领域，分别对PAD情感量表的12个项目进行量化，神经网络应用RBF网络，输入为PAD情感量表量化分，输出为适应度(及最终评价).应用此方法产生的模型，非常接近人类思维模式的特征，较好地保证了评价结果的客观性.

2 PAD三维情感模型

奥斯古德(Osgood)的研究发现情绪体验可以从评价(Evaluation)、力度(Potency)和活跃性(Activity)三个维度进行分析.基于奥斯古德的思路，美拉比安(Mehrabian)和拉塞尔(Russell)采用语义差异评价方法，将三个维度修订为愉悦度(Pleasure，简写P，表示个体情感状态的正负特性)、激活度(Arousal，简写为A，表示个体的神经生理激活水平)、优势度(Dominance，简写为D，表示个体对情境和他人的控制状态).该模型简称为PAD三维情感模型.根据这3个维度可以将情绪划分为8类:+P+A+D，如高兴的;－P－A －D，如无聊的;+P+A －D，如依赖的;－P－A+D，如蔑视的;+P－A+D，如放松的;－P+A －D，如焦虑的;+P－A －D，如温顺的;－P+A+D，如敌意的.Mehrabian编制了一个仅包括12个项目(3个维度分别用4个项目进行测量)的简化版本.该量表具有广泛的应用价值，如产品评价、心境状态和情绪的评定以及人格测试等，该表可与其他很多人格量表或情绪量表建立对应关系.而且该表也有其独特优势，如应用PAD情绪量表中的3个维度能够有效地表示出正性情绪和负性情绪.例如PAD情绪量表能够区分出焦虑情绪和抑郁情绪，焦虑情绪和抑郁情绪都具有较低的愉悦度和优势度，但焦虑情绪要比抑郁情绪具有较高的激活度［1］.

3 分形图案设计评价模型

3.1 原理

基于PAD情感量表的评价原理如下［2］:

(1)神经网络的输入向量为PAD情感量表的量化值，神经网络的输出为相应综合评价的向量;(2)训练该网络时要用足够的样本，使不同的输入向量活动对应的输出值;

(3)神经网络自适应学习得到的正确内部表示即为最终神经网络所持有的那组权值和阈值.

训练好的神经网络即可作为一个有效工具，对样本以外的数据作对应的评价.因此，此网络系统既可模拟设计人员对分形图案进行评价，又可减少评价过程中的人为误差.

3.2 RBF神经网络的训练

建立神经网络模型主要考虑两个问题:一是网络的拓扑结构的确定，二是学习参数的调整.在通常情况下，并没有一个固定的模式来构建网络模型的结构，一般利用实验方法来获到一个较合适的网络结构.

3.2.1 评价指标体系及其量化

以PAD三维情感模型为基础，测量情感的工具分为完整PAD情感量表和简化版PAD情感量表.其简化量表包含12对形容词，评价者通过比较每一对形容词的含义与某种情感状态的相似程度，在从1到9的量表上标注出PAD三维情感空间上的情感状态值.通过简化版PAD情感量表，PAD三维情感模型可以实现对情感状态的量化.

在中文简化版PAD情感量表中，每个项目有1对表示不同情感状态的形容词，每对形容词间的被分隔为9段;每对形容词所表示的情感在其所属维度上的量值相反，而在其他2个维度上基本相同.例如，测量愉悦度的一个项目由"愤怒的"和"有活力的"这对词构成，它们所代表的情感在愉悦度上相反，而在激活度和优势度上大致相同.该量表具有很大的应用价值，如产品评价、心境状态和情绪的评定以及人格测试等，该表可与其他很多人格量表或情绪量表建立对应关系［3－4］.

表1 分形艺术图案设计的评价指标体系

要实现利用神经网络模型评价图案的设计，首先要建立评价指标体系，根据中文简化版PAD情感量表(如表1)作为评价体系对图案设计进行评价.评价者分别从12个项目，评价自己看到图片时所感受到的情绪体验.评价者需根据哪种情绪更强烈及其强烈的程度来判定他们见到图片时产生的情绪.从最左到最右，在此项目上的评分记为"－4"到"4"，在中间时，记为"0"分，最后的评分为测量该维度的4个项目得分的平均值，计算的方法如表2.分值越高，则愉悦度、激活度、优势度越高［5］.

根据不同的情感体验和不同的应用领域，分形艺术图案的评价重点肯定是不同的.在进行评价图案设计时，要根据实际应用领域来确定不同指标的权重.本文应用RBF神经网络来确定各指标的权重，从而克服模糊随机性及人为因素的影响.

表2 PAD原始分数计算

3.2.2 数据的采集

首先选定图案设计的应用领域，本文以室内装饰领域为例，评价人员对20副分形艺术图案分别就以上提到的12组项目和最终评测结果测评并打分.评价的征集群体为小区住户，采用问卷调查的方式，共发放70份问卷，收回问卷62份，其中有效问卷55份，本文选取其中的50份问卷结果，取其平均值作为最终PAD情感的评价结果.

根据问卷结果，得到相应的评价指标数据，取得RBF网络的训练样本，分形艺术图案数据如表3所示.表3中每行的最后一列为测试者对该样本的评价值或满意度的评分.评价值位于［1，10］区间内，评价值越大表示该样本(图案)应用于此领域越好.

表3 分形图数据(神经网络样本)

3.2.3 神经网络模型的结构确定

具有学习能力是神经网络的最大特点，在学习及训练过程中，网络的连接权值产生了变化，学习到的内容也保存在连接权值中.通过对样本的学习和训练，神经网络不断改变其连接权值和拓扑结构，则网络的输出越来越接近期望的输出.

运用MATLAB，对RBF神经网络进行学习训练并确定网络的模型结构如下:

(1)输入层神经元的个数.根据评价指标体系，有12项指标影响图案设计，取输入层个数为n=12;

(2)输出层神经元个数.设置输出层神经元个数为1个.即输出层神经元个数m=1.评价值的范围为［1，10］.把评价结果集设为:非常适合、比较适合、一般适合、不太适合、很不适合五个等级，其评价数值范围分别为:［10，8.5］、(8.5，7］、(7，5.5］、(5.5，4］、(4，1］.

(3)网络隐含层数.选择结构相对简单的3层RBF网络，及隐含层个数为1.

(4)隐含层神经元个数.根据经验和实际的网络学习训练，取隐含层神经元个数37.

4 分形图案设计评价举例

根据上述网络结构、指标体系和学习训练步骤对20副分形图案在室内装饰领域进行情感适应度评价测试，将前10组样本作为学习训练样本，用以训练网络连接权值.后10组作为测试样本.经过1000次学习训练，其结果与用户测评结果对比如图1所示.学习训练结束后，利用训练好的3层RBF网络模型，依次输入测试的10组样本数据.网络测试结果与用户的评价结果对比如图2所示.从图2可看出，此神经网络模型的测评结果和用户的评价结果基本一致.

图1 网络训练结果和用户评价结果对比

图2 网络测试结果和用户评价结果对比

5 结束语

当用户面对一副美丽的分形艺术图案时，往往不确定该应用于什么领域合适，或由于个人的评判偏差错误的应用于某领域，造成较差的效果甚至经济损失.本文提出基于PAD三维情感模型的分形图评价体系，并利用RBF神经网络对分形艺术图案在不同的设计应用领域进行适应度及满意度评价，依据其评价结果来确定其应用领域.实验表明，应用PAD情感量表作为分形图评价指标，并用神经网络模拟人的情感状态，对分形图案设计进行适应度评价，能减少人为误差及不确定性，获得了较好的结果.

［1］李小明，傅小兰，邓国峰.中文简化版PAD情绪量表在京大学生中的初步试用［J］.中国心理卫生杂志，2008，22(5):327－329.

［2］朱启红，张钢.人工神经网络在组织网络化发展评价中的应用［J］.计算机应用研究，2007，24(6):239－241.

［3］刘烨，陶霖密，傅小兰，等.基于情绪图片的 PAD情感状态模型分析［J］.中国图象图形学报，2009，14(5):753－758.

［4］曹洁，彭浩，王宏，等.基于PAD理论的人脸情感识别［J］.中国图象图形学报，2009，14(5):759－763.

［5］周慧.基于PAD三维情绪模型的情感语音转换与识别［D］.兰州:西北师范大学，2009.