本發(fā)明涉及開關(guān)領(lǐng)域，具體涉及一種交互性能良好的多級調(diào)節(jié)開關(guān)。
背景技術(shù)：
：多級調(diào)節(jié)開關(guān)普遍應(yīng)用于電子和電器設(shè)備，用于對設(shè)備的某一參數(shù)進行量的調(diào)節(jié)。現(xiàn)有的多級調(diào)節(jié)開關(guān)一般為旋鈕，該旋鈕可分為若干級，例如1、2、3、4級，分別對應(yīng)旋鈕的不同旋轉(zhuǎn)位置，并分別對應(yīng)設(shè)備的被調(diào)節(jié)參數(shù)的不同量級。該旋鈕存在的一個問題是當調(diào)節(jié)時，旋鈕很可能一次跳過過多的量級，例如，直接從1級跳到4級，使得被調(diào)節(jié)參數(shù)的量的變化過快，導(dǎo)致設(shè)備不能適應(yīng)，從而損害設(shè)備。情感在人們相互交際過程中起著極其重要的作用。借助情感表達所伴隨著的外在表現(xiàn)信息，如情感化的語音信號或面部表情，人們可以很方便地相互溝通、相互了解。對于人類情感方面的研究，一直是生理學、神經(jīng)學、心理學等領(lǐng)域的重要研究方向，近幾年來倍受工程領(lǐng)域研究者的關(guān)注。當前，對于單模態(tài)情感研究較多，但是對于多模態(tài)情感融合的研究較為有限。技術(shù)實現(xiàn)要素：針對上述問題，本發(fā)明提供一種交互性能良好的多級調(diào)節(jié)開關(guān)。本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：一種交互性能良好的多級調(diào)節(jié)開關(guān)，其特征是，包括多級調(diào)節(jié)開關(guān)和與多級調(diào)節(jié)開關(guān)相連的情感控制系統(tǒng)，所述多級調(diào)節(jié)開關(guān)包括：殼體，該殼體上開有孔，該殼體內(nèi)表面上環(huán)繞該孔形成有彼此間隔設(shè)置的多個阻隔塊，每一阻隔塊的頂面在繞該孔的一特定方向上自一端向另一端逐漸降低；按鈕，該按鈕位于該殼體內(nèi)，包括本體和環(huán)繞該本體形成的多個支持塊，該本體從該孔伸出到該殼體外，該多個支持塊分別位于該多個阻隔塊之間的間隙中，每一支持塊的頂面在繞該孔的該特定方向上自一端向另一端逐漸降低，該多個支持塊的最高端的高度等于或小于該多個阻隔塊的最低端的高度；多組導(dǎo)電片，該多組導(dǎo)電片對應(yīng)該多個支持塊設(shè)置于該殼體內(nèi)；旋轉(zhuǎn)件，該旋轉(zhuǎn)件包括彈性導(dǎo)電部和支撐柱，該支撐柱可轉(zhuǎn)動安裝于該殼體內(nèi)，該彈性導(dǎo)電部兩端分別與其中一組導(dǎo)電片彈性接觸并連通該組導(dǎo)電片；第一彈性件，該第一彈性件驅(qū)使該彈性導(dǎo)電部頂觸于該按鈕的該支持塊的該頂面，并繼而驅(qū)使該按鈕抵觸該殼體。優(yōu)選地，該彈性導(dǎo)電部包括套筒、第二彈性件和導(dǎo)電頭，該導(dǎo)電頭安裝于該套筒兩端，該第二彈性件安裝于該套筒內(nèi)并連接該導(dǎo)電頭。優(yōu)選地，該第二彈性件為彈簧。本發(fā)明的有益效果為：實現(xiàn)了開關(guān)逐次單極調(diào)節(jié)。附圖說明利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1是本發(fā)明多級調(diào)節(jié)開關(guān)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。附圖標記：語音情感識別處理模塊1、表情情感識別處理模塊2、多模態(tài)情感融合識別處理模塊3、控制模塊4、聲學特征提取子模塊11、聲學特征降維子模塊12、語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。具體實施方式結(jié)合以下實施例對本發(fā)明作進一步描述。應(yīng)用場景1參見圖1、圖2，本應(yīng)用場景中的一個具體實施例一種交互性能良好的多級調(diào)節(jié)開關(guān)，其特征是，包括多級調(diào)節(jié)開關(guān)和與多級調(diào)節(jié)開關(guān)相連的情感控制系統(tǒng)，所述多級調(diào)節(jié)開關(guān)包括：殼體，該殼體上開有孔，該殼體內(nèi)表面上環(huán)繞該孔形成有彼此間隔設(shè)置的多個阻隔塊，每一阻隔塊的頂面在繞該孔的一特定方向上自一端向另一端逐漸降低；按鈕，該按鈕位于該殼體內(nèi)，包括本體和環(huán)繞該本體形成的多個支持塊，該本體從該孔伸出到該殼體外，該多個支持塊分別位于該多個阻隔塊之間的間隙中，每一支持塊的頂面在繞該孔的該特定方向上自一端向另一端逐漸降低，該多個支持塊的最高端的高度等于或小于該多個阻隔塊的最低端的高度；多組導(dǎo)電片，該多組導(dǎo)電片對應(yīng)該多個支持塊設(shè)置于該殼體內(nèi)；旋轉(zhuǎn)件，該旋轉(zhuǎn)件包括彈性導(dǎo)電部和支撐柱，該支撐柱可轉(zhuǎn)動安裝于該殼體內(nèi)，該彈性導(dǎo)電部兩端分別與其中一組導(dǎo)電片彈性接觸并連通該組導(dǎo)電片；第一彈性件，該第一彈性件驅(qū)使該彈性導(dǎo)電部頂觸于該按鈕的該支持塊的該頂面，并繼而驅(qū)使該按鈕抵觸該殼體。優(yōu)選地，該彈性導(dǎo)電部包括套筒、第二彈性件和導(dǎo)電頭，該導(dǎo)電頭安裝于該套筒兩端，該第二彈性件安裝于該套筒內(nèi)并連接該導(dǎo)電頭。本優(yōu)選實施例實現(xiàn)了開關(guān)逐次單極調(diào)節(jié)。優(yōu)選地，該第二彈性件為彈簧。本優(yōu)選實施例控制更為靈敏。優(yōu)選地，所述情感控制系統(tǒng)包括語音情感識別處理模塊1、表情情感識別處理模塊2、多模態(tài)情感融合識別處理模塊3和控制模塊4：(1)語音情感識別處理模塊1，用于獲取用戶的語音信號，并對語音信號進行處理，最終輸出語音情感識別結(jié)果，其包括聲學特征提取子模塊11、聲學特征降維子模塊12和語音情感分類處理子模塊13；所述聲學特征提取子模塊11用于提取聲學特征數(shù)據(jù)；所述聲學特征降維子模塊12用于采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理；所述語音情感分類處理子模塊13用于采用已訓練好的支持向量機作為語音情感識別分類器，對降維后的聲學特征數(shù)據(jù)進行情感識別并輸出語音情感識別結(jié)果，支持向量機的核函數(shù)采用高斯核函數(shù)；(2)表情情感識別處理模塊2，用于獲取用戶的表情圖像，并對表情圖像特征進行處理，最終生成表情情感識別結(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小波變換方法對表情圖像中的表情特征進行提取；所述表情特征降維子模塊22用于采用所述改進的局部線性嵌入方法對所述表情特征數(shù)據(jù)進行降維處理，并采用形態(tài)學處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓練好的稀疏分類器作為表情情感識別分類器，對降維、濾波處理后的表情特征數(shù)據(jù)進行情感識別并輸出表情情感識別結(jié)果；(3)多模態(tài)情感融合識別處理模塊3，用于基于所述語音情感識別結(jié)果和表情情感識別結(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別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識別結(jié)果，在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。本優(yōu)選實施例設(shè)置多模態(tài)情感融合識別處理模塊3，基于所述語音情感識別結(jié)果和表情情感識別結(jié)果，增強了識別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識別結(jié)果包括高級別和低級別的褒義情感，中性情感以及高級別和低級別的貶義情感組成的5個級別情感類型。所述在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)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)置的語音特征數(shù)據(jù)庫，匹配所述用戶的語音信號的語音特征，從而進行用戶身份驗證，若驗證通過，控制模塊控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。所述采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理，包括：(1)將提取的聲學特征數(shù)據(jù)中的聲學特征向量看成是高維空間中的樣本數(shù)據(jù)點，設(shè)M維的N個樣本數(shù)據(jù)點為Xi，Xi∈RM，i∈[1，N]，類別號為Ci，嵌入輸出的N個m維的降維數(shù)據(jù)點為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對每個樣本數(shù)據(jù)點Xi確定其鄰域點的數(shù)目K，鄰域點的距離公式為：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)點類別信息計算后的距離，L是忽略樣本數(shù)據(jù)點類別信息的原始歐氏距離，參數(shù)λ用來防止L過快增長，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)，共同控制距離計算時樣本數(shù)據(jù)點類別信息的結(jié)合數(shù)量程度；(2)利用每個樣本數(shù)據(jù)點Xi的鄰域點計算出樣本數(shù)據(jù)點的局部重建權(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Xi的非鄰域點，Wij＝0；(3)計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點的局部重建權(quán)值矩陣Wij以及其鄰域點計算出該樣本數(shù)據(jù)點的輸出值，具體是將所有的樣本數(shù)據(jù)點Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達到最小，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)建一個稀疏矩陣M＝(I-W)T(I-W)，通過求解這個稀疏矩陣的前m個最小的非零特征值所對應(yīng)的特征向量作為樣本數(shù)據(jù)點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：當表情圖像質(zhì)量較好時，選取三個中心頻率β＝{0，1，2}和六個方向α＝{0，1，…，5}組成的18個Gabor濾波器用于特征提??；當表情圖像受到腐蝕、遮擋時，選取四個中心頻率β＝{0，1…，3}和八個方向α＝{0，1，…，7}組成的32個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，用來決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個子塊特征數(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)計算出一個測試樣本x對于c類的分類情況下，采用n個分類器進行分類得到的后驗概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對n個分類器取得的后驗概率按照方差規(guī)則集成得到一個新的后驗概率集合{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概率值所對應(yīng)的類別作為要輸出的用戶情感識別結(jié)果；對于j類測試樣本，按照方差規(guī)則獲得的新的后驗概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對于j類測試樣本，最終所獲得的識別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗概率集合中的后驗概率值按照從大到小順序進行排列的前3個后驗概率值為qj(x)max,qj(x)max-1,qj(x)max-2，若選擇qj(x)max作為合適的后驗概率值，否則選擇qj(x)max-1作為合適的后驗概率值,其中Qq為設(shè)定的后驗概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實施例設(shè)置改進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，大大減少了運算量，且可以學習出任意維數(shù)的低維流形，提高了識別速度；采用自適應(yīng)二維Gabor小波變換方法對表情圖像中的表情特征進行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個解析的全局最優(yōu)解；在聲學特征降維子模塊12對聲學特征數(shù)據(jù)進行降維處理的過程中，計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(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)樣本外點對降維的干擾，進一步提高了情感識別的精度；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別結(jié)果，使識別結(jié)果更加可靠準確。本應(yīng)用場景設(shè)定后驗概率權(quán)值為Qq＝1.4，識別精度相對提高了12％。應(yīng)用場景2參見圖1、圖2，本應(yīng)用場景中的一個具體實施例一種交互性能良好的多級調(diào)節(jié)開關(guān)，其特征是，包括多級調(diào)節(jié)開關(guān)和與多級調(diào)節(jié)開關(guān)相連的情感控制系統(tǒng)，所述多級調(diào)節(jié)開關(guān)包括：殼體，該殼體上開有孔，該殼體內(nèi)表面上環(huán)繞該孔形成有彼此間隔設(shè)置的多個阻隔塊，每一阻隔塊的頂面在繞該孔的一特定方向上自一端向另一端逐漸降低；按鈕，該按鈕位于該殼體內(nèi)，包括本體和環(huán)繞該本體形成的多個支持塊，該本體從該孔伸出到該殼體外，該多個支持塊分別位于該多個阻隔塊之間的間隙中，每一支持塊的頂面在繞該孔的該特定方向上自一端向另一端逐漸降低，該多個支持塊的最高端的高度等于或小于該多個阻隔塊的最低端的高度；多組導(dǎo)電片，該多組導(dǎo)電片對應(yīng)該多個支持塊設(shè)置于該殼體內(nèi)；旋轉(zhuǎn)件，該旋轉(zhuǎn)件包括彈性導(dǎo)電部和支撐柱，該支撐柱可轉(zhuǎn)動安裝于該殼體內(nèi)，該彈性導(dǎo)電部兩端分別與其中一組導(dǎo)電片彈性接觸并連通該組導(dǎo)電片；第一彈性件，該第一彈性件驅(qū)使該彈性導(dǎo)電部頂觸于該按鈕的該支持塊的該頂面，并繼而驅(qū)使該按鈕抵觸該殼體。優(yōu)選地，該彈性導(dǎo)電部包括套筒、第二彈性件和導(dǎo)電頭，該導(dǎo)電頭安裝于該套筒兩端，該第二彈性件安裝于該套筒內(nèi)并連接該導(dǎo)電頭。本優(yōu)選實施例實現(xiàn)了開關(guān)逐次單極調(diào)節(jié)。優(yōu)選地，該第二彈性件為彈簧。本優(yōu)選實施例控制更為靈敏。優(yōu)選地，所述情感控制系統(tǒng)包括語音情感識別處理模塊1、表情情感識別處理模塊2、多模態(tài)情感融合識別處理模塊3和控制模塊4：(1)語音情感識別處理模塊1，用于獲取用戶的語音信號，并對語音信號進行處理，最終輸出語音情感識別結(jié)果，其包括聲學特征提取子模塊11、聲學特征降維子模塊12和語音情感分類處理子模塊13；所述聲學特征提取子模塊11用于提取聲學特征數(shù)據(jù)；所述聲學特征降維子模塊12用于采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理；所述語音情感分類處理子模塊13用于采用已訓練好的支持向量機作為語音情感識別分類器，對降維后的聲學特征數(shù)據(jù)進行情感識別并輸出語音情感識別結(jié)果，支持向量機的核函數(shù)采用高斯核函數(shù)；(2)表情情感識別處理模塊2，用于獲取用戶的表情圖像，并對表情圖像特征進行處理，最終生成表情情感識別結(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小波變換方法對表情圖像中的表情特征進行提??；所述表情特征降維子模塊22用于采用所述改進的局部線性嵌入方法對所述表情特征數(shù)據(jù)進行降維處理，并采用形態(tài)學處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓練好的稀疏分類器作為表情情感識別分類器，對降維、濾波處理后的表情特征數(shù)據(jù)進行情感識別并輸出表情情感識別結(jié)果；(3)多模態(tài)情感融合識別處理模塊3，用于基于所述語音情感識別結(jié)果和表情情感識別結(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別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識別結(jié)果，在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。本優(yōu)選實施例設(shè)置多模態(tài)情感融合識別處理模塊3，基于所述語音情感識別結(jié)果和表情情感識別結(jié)果，增強了識別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識別結(jié)果包括高級別和低級別的褒義情感，中性情感以及高級別和低級別的貶義情感組成的5個級別情感類型。所述在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)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)置的語音特征數(shù)據(jù)庫，匹配所述用戶的語音信號的語音特征，從而進行用戶身份驗證，若驗證通過，控制模塊控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。所述采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理，包括：(1)將提取的聲學特征數(shù)據(jù)中的聲學特征向量看成是高維空間中的樣本數(shù)據(jù)點，設(shè)M維的N個樣本數(shù)據(jù)點為Xi，Xi∈RM，i∈[1，N]，類別號為Ci，嵌入輸出的N個m維的降維數(shù)據(jù)點為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對每個樣本數(shù)據(jù)點Xi確定其鄰域點的數(shù)目K，鄰域點的距離公式為：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)點類別信息計算后的距離，L是忽略樣本數(shù)據(jù)點類別信息的原始歐氏距離，參數(shù)λ用來防止L過快增長，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)，共同控制距離計算時樣本數(shù)據(jù)點類別信息的結(jié)合數(shù)量程度；(2)利用每個樣本數(shù)據(jù)點Xi的鄰域點計算出樣本數(shù)據(jù)點的局部重建權(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Xi的非鄰域點，Wij＝0；(3)計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點的局部重建權(quán)值矩陣Wij以及其鄰域點計算出該樣本數(shù)據(jù)點的輸出值，具體是將所有的樣本數(shù)據(jù)點Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達到最小，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)建一個稀疏矩陣M＝(I-W)T(I-W)，通過求解這個稀疏矩陣的前m個最小的非零特征值所對應(yīng)的特征向量作為樣本數(shù)據(jù)點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：當表情圖像質(zhì)量較好時，選取三個中心頻率β＝{0，1，2}和六個方向α＝{0，1，…，5}組成的18個Gabor濾波器用于特征提?。划敱砬閳D像受到腐蝕、遮擋時，選取四個中心頻率β＝{0，1…，3}和八個方向α＝{0，1，…，7}組成的32個Gabor濾波器用于特征提?。沪冶硎静捎酶咚购瘮?shù)窗口的大小，用來決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個子塊特征數(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)計算出一個測試樣本x對于c類的分類情況下，采用n個分類器進行分類得到的后驗概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對n個分類器取得的后驗概率按照方差規(guī)則集成得到一個新的后驗概率集合{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概率值所對應(yīng)的類別作為要輸出的用戶情感識別結(jié)果；對于j類測試樣本，按照方差規(guī)則獲得的新的后驗概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對于j類測試樣本，最終所獲得的識別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗概率集合中的后驗概率值按照從大到小順序進行排列的前3個后驗概率值為qj(x)max,qj(x)max-1,qj(x)max-2，若選擇qj(x)max作為合適的后驗概率值，否則選擇qj(x)max-1作為合適的后驗概率值,其中Qq為設(shè)定的后驗概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實施例設(shè)置改進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，大大減少了運算量，且可以學習出任意維數(shù)的低維流形，提高了識別速度；采用自適應(yīng)二維Gabor小波變換方法對表情圖像中的表情特征進行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個解析的全局最優(yōu)解；在聲學特征降維子模塊12對聲學特征數(shù)據(jù)進行降維處理的過程中，計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(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)樣本外點對降維的干擾，進一步提高了情感識別的精度；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別結(jié)果，使識別結(jié)果更加可靠準確。本應(yīng)用場景設(shè)定后驗概率權(quán)值為Qq＝1.45，識別精度相對提高了10％。應(yīng)用場景3參見圖1、圖2，本應(yīng)用場景中的一個具體實施例一種交互性能良好的多級調(diào)節(jié)開關(guān)，其特征是，包括多級調(diào)節(jié)開關(guān)和與多級調(diào)節(jié)開關(guān)相連的情感控制系統(tǒng)，所述多級調(diào)節(jié)開關(guān)包括：殼體，該殼體上開有孔，該殼體內(nèi)表面上環(huán)繞該孔形成有彼此間隔設(shè)置的多個阻隔塊，每一阻隔塊的頂面在繞該孔的一特定方向上自一端向另一端逐漸降低；按鈕，該按鈕位于該殼體內(nèi)，包括本體和環(huán)繞該本體形成的多個支持塊，該本體從該孔伸出到該殼體外，該多個支持塊分別位于該多個阻隔塊之間的間隙中，每一支持塊的頂面在繞該孔的該特定方向上自一端向另一端逐漸降低，該多個支持塊的最高端的高度等于或小于該多個阻隔塊的最低端的高度；多組導(dǎo)電片，該多組導(dǎo)電片對應(yīng)該多個支持塊設(shè)置于該殼體內(nèi)；旋轉(zhuǎn)件，該旋轉(zhuǎn)件包括彈性導(dǎo)電部和支撐柱，該支撐柱可轉(zhuǎn)動安裝于該殼體內(nèi)，該彈性導(dǎo)電部兩端分別與其中一組導(dǎo)電片彈性接觸并連通該組導(dǎo)電片；第一彈性件，該第一彈性件驅(qū)使該彈性導(dǎo)電部頂觸于該按鈕的該支持塊的該頂面，并繼而驅(qū)使該按鈕抵觸該殼體。優(yōu)選地，該彈性導(dǎo)電部包括套筒、第二彈性件和導(dǎo)電頭，該導(dǎo)電頭安裝于該套筒兩端，該第二彈性件安裝于該套筒內(nèi)并連接該導(dǎo)電頭。本優(yōu)選實施例實現(xiàn)了開關(guān)逐次單極調(diào)節(jié)。優(yōu)選地，該第二彈性件為彈簧。本優(yōu)選實施例控制更為靈敏。優(yōu)選地，所述情感控制系統(tǒng)包括語音情感識別處理模塊1、表情情感識別處理模塊2、多模態(tài)情感融合識別處理模塊3和控制模塊4：(1)語音情感識別處理模塊1，用于獲取用戶的語音信號，并對語音信號進行處理，最終輸出語音情感識別結(jié)果，其包括聲學特征提取子模塊11、聲學特征降維子模塊12和語音情感分類處理子模塊13；所述聲學特征提取子模塊11用于提取聲學特征數(shù)據(jù)；所述聲學特征降維子模塊12用于采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理；所述語音情感分類處理子模塊13用于采用已訓練好的支持向量機作為語音情感識別分類器，對降維后的聲學特征數(shù)據(jù)進行情感識別并輸出語音情感識別結(jié)果，支持向量機的核函數(shù)采用高斯核函數(shù)；(2)表情情感識別處理模塊2，用于獲取用戶的表情圖像，并對表情圖像特征進行處理，最終生成表情情感識別結(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小波變換方法對表情圖像中的表情特征進行提取；所述表情特征降維子模塊22用于采用所述改進的局部線性嵌入方法對所述表情特征數(shù)據(jù)進行降維處理，并采用形態(tài)學處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓練好的稀疏分類器作為表情情感識別分類器，對降維、濾波處理后的表情特征數(shù)據(jù)進行情感識別并輸出表情情感識別結(jié)果；(3)多模態(tài)情感融合識別處理模塊3，用于基于所述語音情感識別結(jié)果和表情情感識別結(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別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識別結(jié)果，在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。本優(yōu)選實施例設(shè)置多模態(tài)情感融合識別處理模塊3，基于所述語音情感識別結(jié)果和表情情感識別結(jié)果，增強了識別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識別結(jié)果包括高級別和低級別的褒義情感，中性情感以及高級別和低級別的貶義情感組成的5個級別情感類型。所述在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)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)置的語音特征數(shù)據(jù)庫，匹配所述用戶的語音信號的語音特征，從而進行用戶身份驗證，若驗證通過，控制模塊控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。所述采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理，包括：(1)將提取的聲學特征數(shù)據(jù)中的聲學特征向量看成是高維空間中的樣本數(shù)據(jù)點，設(shè)M維的N個樣本數(shù)據(jù)點為Xi，Xi∈RM，i∈[1，N]，類別號為Ci，嵌入輸出的N個m維的降維數(shù)據(jù)點為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對每個樣本數(shù)據(jù)點Xi確定其鄰域點的數(shù)目K，鄰域點的距離公式為：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)點類別信息計算后的距離，L是忽略樣本數(shù)據(jù)點類別信息的原始歐氏距離，參數(shù)λ用來防止L過快增長，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≤δj、δ2≤1)，共同控制距離計算時樣本數(shù)據(jù)點類別信息的結(jié)合數(shù)量程度；(2)利用每個樣本數(shù)據(jù)點Xi的鄰域點計算出樣本數(shù)據(jù)點的局部重建權(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Xi的非鄰域點，Wij＝0；(3)計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點的局部重建權(quán)值矩陣Wij以及其鄰域點計算出該樣本數(shù)據(jù)點的輸出值，具體是將所有的樣本數(shù)據(jù)點Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達到最小，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)建一個稀疏矩陣M＝(I-W)T(I-W)，通過求解這個稀疏矩陣的前m個最小的非零特征值所對應(yīng)的特征向量作為樣本數(shù)據(jù)點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：當表情圖像質(zhì)量較好時，選取三個中心頻率β＝{0，1，2}和六個方向α＝{0，1，…，5}組成的18個Gabor濾波器用于特征提??；當表情圖像受到腐蝕、遮擋時，選取四個中心頻率β＝{0，1…，3}和八個方向α＝{0，1，…，7}組成的32個Gabor濾波器用于特征提??；σ表示采用高斯函數(shù)窗口的大小，用來決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個子塊特征數(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)計算出一個測試樣本x對于c類的分類情況下，采用n個分類器進行分類得到的后驗概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對n個分類器取得的后驗概率按照方差規(guī)則集成得到一個新的后驗概率集合{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概率值所對應(yīng)的類別作為要輸出的用戶情感識別結(jié)果；對于j類測試樣本，按照方差規(guī)則獲得的新的后驗概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對于j類測試樣本，最終所獲得的識別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗概率集合中的后驗概率值按照從大到小順序進行排列的前3個后驗概率值為qj(x)max,qj(x)max-1,qj(x)max-2，若選擇qj(x)max作為合適的后驗概率值，否則選擇qj(x)max-1作為合適的后驗概率值,其中Qq為設(shè)定的后驗概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實施例設(shè)置改進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，大大減少了運算量，且可以學習出任意維數(shù)的低維流形，提高了識別速度；采用自適應(yīng)二維Gabor小波變換方法對表情圖像中的表情特征進行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個解析的全局最優(yōu)解；在聲學特征降維子模塊12對聲學特征數(shù)據(jù)進行降維處理的過程中，計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(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)樣本外點對降維的干擾，進一步提高了情感識別的精度；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別結(jié)果，使識別結(jié)果更加可靠準確。本應(yīng)用場景設(shè)定后驗概率權(quán)值為Qq＝1.5，識別精度相對提高了15％。應(yīng)用場景4參見圖1、圖2，本應(yīng)用場景中的一個具體實施例一種交互性能良好的多級調(diào)節(jié)開關(guān)，其特征是，包括多級調(diào)節(jié)開關(guān)和與多級調(diào)節(jié)開關(guān)相連的情感控制系統(tǒng)，所述多級調(diào)節(jié)開關(guān)包括：殼體，該殼體上開有孔，該殼體內(nèi)表面上環(huán)繞該孔形成有彼此間隔設(shè)置的多個阻隔塊，每一阻隔塊的頂面在繞該孔的一特定方向上自一端向另一端逐漸降低；按鈕，該按鈕位于該殼體內(nèi)，包括本體和環(huán)繞該本體形成的多個支持塊，該本體從該孔伸出到該殼體外，該多個支持塊分別位于該多個阻隔塊之間的間隙中，每一支持塊的頂面在繞該孔的該特定方向上自一端向另一端逐漸降低，該多個支持塊的最高端的高度等于或小于該多個阻隔塊的最低端的高度；多組導(dǎo)電片，該多組導(dǎo)電片對應(yīng)該多個支持塊設(shè)置于該殼體內(nèi)；旋轉(zhuǎn)件，該旋轉(zhuǎn)件包括彈性導(dǎo)電部和支撐柱，該支撐柱可轉(zhuǎn)動安裝于該殼體內(nèi)，該彈性導(dǎo)電部兩端分別與其中一組導(dǎo)電片彈性接觸并連通該組導(dǎo)電片；第一彈性件，該第一彈性件驅(qū)使該彈性導(dǎo)電部頂觸于該按鈕的該支持塊的該頂面，并繼而驅(qū)使該按鈕抵觸該殼體。優(yōu)選地，該彈性導(dǎo)電部包括套筒、第二彈性件和導(dǎo)電頭，該導(dǎo)電頭安裝于該套筒兩端，該第二彈性件安裝于該套筒內(nèi)并連接該導(dǎo)電頭。本優(yōu)選實施例實現(xiàn)了開關(guān)逐次單極調(diào)節(jié)。優(yōu)選地，該第二彈性件為彈簧。本優(yōu)選實施例控制更為靈敏。優(yōu)選地，所述情感控制系統(tǒng)包括語音情感識別處理模塊1、表情情感識別處理模塊2、多模態(tài)情感融合識別處理模塊3和控制模塊4：(1)語音情感識別處理模塊1，用于獲取用戶的語音信號，并對語音信號進行處理，最終輸出語音情感識別結(jié)果，其包括聲學特征提取子模塊11、聲學特征降維子模塊12和語音情感分類處理子模塊13；所述聲學特征提取子模塊11用于提取聲學特征數(shù)據(jù)；所述聲學特征降維子模塊12用于采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理；所述語音情感分類處理子模塊13用于采用已訓練好的支持向量機作為語音情感識別分類器，對降維后的聲學特征數(shù)據(jù)進行情感識別并輸出語音情感識別結(jié)果，支持向量機的核函數(shù)采用高斯核函數(shù)；(2)表情情感識別處理模塊2，用于獲取用戶的表情圖像，并對表情圖像特征進行處理，最終生成表情情感識別結(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小波變換方法對表情圖像中的表情特征進行提取；所述表情特征降維子模塊22用于采用所述改進的局部線性嵌入方法對所述表情特征數(shù)據(jù)進行降維處理，并采用形態(tài)學處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓練好的稀疏分類器作為表情情感識別分類器，對降維、濾波處理后的表情特征數(shù)據(jù)進行情感識別并輸出表情情感識別結(jié)果；(3)多模態(tài)情感融合識別處理模塊3，用于基于所述語音情感識別結(jié)果和表情情感識別結(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別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識別結(jié)果，在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。本優(yōu)選實施例設(shè)置多模態(tài)情感融合識別處理模塊3，基于所述語音情感識別結(jié)果和表情情感識別結(jié)果，增強了識別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識別結(jié)果包括高級別和低級別的褒義情感，中性情感以及高級別和低級別的貶義情感組成的5個級別情感類型。所述在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)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)置的語音特征數(shù)據(jù)庫，匹配所述用戶的語音信號的語音特征，從而進行用戶身份驗證，若驗證通過，控制模塊控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。所述采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理，包括：(1)將提取的聲學特征數(shù)據(jù)中的聲學特征向量看成是高維空間中的樣本數(shù)據(jù)點，設(shè)M維的N個樣本數(shù)據(jù)點為Xi，Xi∈RM，i∈[1，N]，類別號為Ci，嵌入輸出的N個m維的降維數(shù)據(jù)點為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對每個樣本數(shù)據(jù)點Xi確定其鄰域點的數(shù)目K，鄰域點的距離公式為：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)點類別信息計算后的距離，L是忽略樣本數(shù)據(jù)點類別信息的原始歐氏距離，參數(shù)λ用來防止L過快增長，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)，共同控制距離計算時樣本數(shù)據(jù)點類別信息的結(jié)合數(shù)量程度；(2)利用每個樣本數(shù)據(jù)點Xi的鄰域點計算出樣本數(shù)據(jù)點的局部重建權(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Xi的非鄰域點，Wij＝0；(3)計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點的局部重建權(quán)值矩陣Wij以及其鄰域點計算出該樣本數(shù)據(jù)點的輸出值，具體是將所有的樣本數(shù)據(jù)點Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達到最小，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)建一個稀疏矩陣M＝(I-W)T(I-W)，通過求解這個稀疏矩陣的前m個最小的非零特征值所對應(yīng)的特征向量作為樣本數(shù)據(jù)點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：當表情圖像質(zhì)量較好時，選取三個中心頻率β＝{0，1，2}和六個方向α＝{0，1，…，5}組成的18個Gabor濾波器用于特征提?。划敱砬閳D像受到腐蝕、遮擋時，選取四個中心頻率β＝{0，1…，3}和八個方向α＝{0，1，…，7}組成的32個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，用來決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個子塊特征數(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)計算出一個測試樣本x對于c類的分類情況下，采用n個分類器進行分類得到的后驗概率集合為{pij(x)，i＝1,2,…,n,j＝1,2,…,c}，對n個分類器取得的后驗概率按照方差規(guī)則集成得到一個新的后驗概率集合{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概率值所對應(yīng)的類別作為要輸出的用戶情感識別結(jié)果；對于j類測試樣本，按照方差規(guī)則獲得的新的后驗概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對于j類測試樣本，最終所獲得的識別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗概率集合中的后驗概率值按照從大到小順序進行排列的前3個后驗概率值為qj(x)max,qj(x)max-1,qj(x)max-2，若選擇qj(x)max作為合適的后驗概率值，否則選擇qj(x)max-1作為合適的后驗概率值,其中Qq為設(shè)定的后驗概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實施例設(shè)置改進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，大大減少了運算量，且可以學習出任意維數(shù)的低維流形，提高了識別速度；采用自適應(yīng)二維Gabor小波變換方法對表情圖像中的表情特征進行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個解析的全局最優(yōu)解；在聲學特征降維子模塊12對聲學特征數(shù)據(jù)進行降維處理的過程中，計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(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)樣本外點對降維的干擾，進一步提高了情感識別的精度；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別結(jié)果，使識別結(jié)果更加可靠準確。本應(yīng)用場景設(shè)定后驗概率權(quán)值為Qq＝1.55，識別精度相對提高了10％。應(yīng)用場景5參見圖1、圖2，本應(yīng)用場景中的一個具體實施例一種交互性能良好的多級調(diào)節(jié)開關(guān)，其特征是，包括多級調(diào)節(jié)開關(guān)和與多級調(diào)節(jié)開關(guān)相連的情感控制系統(tǒng)，所述多級調(diào)節(jié)開關(guān)包括：殼體，該殼體上開有孔，該殼體內(nèi)表面上環(huán)繞該孔形成有彼此間隔設(shè)置的多個阻隔塊，每一阻隔塊的頂面在繞該孔的一特定方向上自一端向另一端逐漸降低；按鈕，該按鈕位于該殼體內(nèi)，包括本體和環(huán)繞該本體形成的多個支持塊，該本體從該孔伸出到該殼體外，該多個支持塊分別位于該多個阻隔塊之間的間隙中，每一支持塊的頂面在繞該孔的該特定方向上自一端向另一端逐漸降低，該多個支持塊的最高端的高度等于或小于該多個阻隔塊的最低端的高度；多組導(dǎo)電片，該多組導(dǎo)電片對應(yīng)該多個支持塊設(shè)置于該殼體內(nèi)；旋轉(zhuǎn)件，該旋轉(zhuǎn)件包括彈性導(dǎo)電部和支撐柱，該支撐柱可轉(zhuǎn)動安裝于該殼體內(nèi)，該彈性導(dǎo)電部兩端分別與其中一組導(dǎo)電片彈性接觸并連通該組導(dǎo)電片；第一彈性件，該第一彈性件驅(qū)使該彈性導(dǎo)電部頂觸于該按鈕的該支持塊的該頂面，并繼而驅(qū)使該按鈕抵觸該殼體。優(yōu)選地，該彈性導(dǎo)電部包括套筒、第二彈性件和導(dǎo)電頭，該導(dǎo)電頭安裝于該套筒兩端，該第二彈性件安裝于該套筒內(nèi)并連接該導(dǎo)電頭。本優(yōu)選實施例實現(xiàn)了開關(guān)逐次單極調(diào)節(jié)。優(yōu)選地，該第二彈性件為彈簧。本優(yōu)選實施例控制更為靈敏。優(yōu)選地，所述情感控制系統(tǒng)包括語音情感識別處理模塊1、表情情感識別處理模塊2、多模態(tài)情感融合識別處理模塊3和控制模塊4：(1)語音情感識別處理模塊1，用于獲取用戶的語音信號，并對語音信號進行處理，最終輸出語音情感識別結(jié)果，其包括聲學特征提取子模塊11、聲學特征降維子模塊12和語音情感分類處理子模塊13；所述聲學特征提取子模塊11用于提取聲學特征數(shù)據(jù)；所述聲學特征降維子模塊12用于采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理；所述語音情感分類處理子模塊13用于采用已訓練好的支持向量機作為語音情感識別分類器，對降維后的聲學特征數(shù)據(jù)進行情感識別并輸出語音情感識別結(jié)果，支持向量機的核函數(shù)采用高斯核函數(shù)；(2)表情情感識別處理模塊2，用于獲取用戶的表情圖像，并對表情圖像特征進行處理，最終生成表情情感識別結(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小波變換方法對表情圖像中的表情特征進行提?。凰霰砬樘卣鹘稻S子模塊22用于采用所述改進的局部線性嵌入方法對所述表情特征數(shù)據(jù)進行降維處理，并采用形態(tài)學處理方法做濾波處理；所述表情情感分類處理子模塊23用于采用已訓練好的稀疏分類器作為表情情感識別分類器，對降維、濾波處理后的表情特征數(shù)據(jù)進行情感識別并輸出表情情感識別結(jié)果；(3)多模態(tài)情感融合識別處理模塊3，用于基于所述語音情感識別結(jié)果和表情情感識別結(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別結(jié)果；(4)控制模塊，用于根據(jù)所述用戶情感識別結(jié)果，在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。本優(yōu)選實施例設(shè)置多模態(tài)情感融合識別處理模塊3，基于所述語音情感識別結(jié)果和表情情感識別結(jié)果，增強了識別結(jié)果的可靠性。優(yōu)選地，所述用戶情感識別結(jié)果包括高級別和低級別的褒義情感，中性情感以及高級別和低級別的貶義情感組成的5個級別情感類型。所述在驗證用戶身份的前提下控制多級調(diào)節(jié)開關(guān)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)置的語音特征數(shù)據(jù)庫，匹配所述用戶的語音信號的語音特征，從而進行用戶身份驗證，若驗證通過，控制模塊控制多級調(diào)節(jié)開關(guān)執(zhí)行相應(yīng)的操作。所述采用改進的局部線性嵌入方法對所述聲學特征數(shù)據(jù)進行降維處理，包括：(1)將提取的聲學特征數(shù)據(jù)中的聲學特征向量看成是高維空間中的樣本數(shù)據(jù)點，設(shè)M維的N個樣本數(shù)據(jù)點為Xi，Xi∈RM，i∈[1，N]，類別號為Ci，嵌入輸出的N個m維的降維數(shù)據(jù)點為Yi，Yi∈Rm，i∈[1，N]，m≤M，且m值的范圍為[2,20]，對每個樣本數(shù)據(jù)點Xi確定其鄰域點的數(shù)目K，鄰域點的距離公式為：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)點類別信息計算后的距離，L是忽略樣本數(shù)據(jù)點類別信息的原始歐氏距離，參數(shù)λ用來防止L過快增長，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)，共同控制距離計算時樣本數(shù)據(jù)點類別信息的結(jié)合數(shù)量程度；(2)利用每個樣本數(shù)據(jù)點Xi的鄰域點計算出樣本數(shù)據(jù)點的局部重建權(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Xi的非鄰域點，Wij＝0；(3)計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(quán)重之和：Qij=Σj=1KZij]]>其中，式中，Zij為各鄰域點之間的加權(quán)矩陣，d(Xi,Xj)表示樣本數(shù)據(jù)點間的Fisher投影距離，ξ為可調(diào)參數(shù)；(4)利用該樣本數(shù)據(jù)點的局部重建權(quán)值矩陣Wij以及其鄰域點計算出該樣本數(shù)據(jù)點的輸出值，具體是將所有的樣本數(shù)據(jù)點Xi映射嵌入到低維空間中，并使得低維重構(gòu)的誤差達到最小，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)建一個稀疏矩陣M＝(I-W)T(I-W)，通過求解這個稀疏矩陣的前m個最小的非零特征值所對應(yīng)的特征向量作為樣本數(shù)據(jù)點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：當表情圖像質(zhì)量較好時，選取三個中心頻率β＝{0，1，2}和六個方向α＝{0，1，…，5}組成的18個Gabor濾波器用于特征提??；當表情圖像受到腐蝕、遮擋時，選取四個中心頻率β＝{0，1…，3}和八個方向α＝{0，1，…，7}組成的32個Gabor濾波器用于特征提??；σ表示采用高斯函數(shù)窗口的大小，用來決定濾波器的帶寬，σ能夠根據(jù)參數(shù)設(shè)置進行自適應(yīng)調(diào)整：將表情圖像分成v×v子塊，根據(jù)每個子塊特征數(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)計算出一個測試樣本x對于c類的分類情況下，采用n個分類器進行分類得到的后驗概率集合為{pjj(x)，i＝1,2,…,n,j＝1,2,…,c}，對n個分類器取得的后驗概率按照方差規(guī)則集成得到一個新的后驗概率集合{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概率值所對應(yīng)的類別作為要輸出的用戶情感識別結(jié)果；對于j類測試樣本，按照方差規(guī)則獲得的新的后驗概率qj(x)可表示為：qj(x)=qj′(x)Σjqj′(x)]]>式中，qj′(x)=1nΣi=1n(pij(x)-1nΣi=1npij(x))2]]>對于j類測試樣本，最終所獲得的識別類別可表示為：ρ(x)＝argmaxj(qj(x))其中，所述預(yù)定的挑選規(guī)則為：將所述新的后驗概率集合中的后驗概率值按照從大到小順序進行排列的前3個后驗概率值為qj(x)max,qj(x)max-1,qj(x)max-2，若選擇qj(x)max作為合適的后驗概率值，否則選擇qj(x)max-1作為合適的后驗概率值,其中Qq為設(shè)定的后驗概率權(quán)值，取值范圍為[1.4,1.6]。本優(yōu)選實施例設(shè)置改進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，大大減少了運算量，且可以學習出任意維數(shù)的低維流形，提高了識別速度；采用自適應(yīng)二維Gabor小波變換方法對表情圖像中的表情特征進行提取，具有旋轉(zhuǎn)、平移以及伸縮變換條件下不變的性質(zhì)，而且能得到一個解析的全局最優(yōu)解；在聲學特征降維子模塊12對聲學特征數(shù)據(jù)進行降維處理的過程中，計算各樣本數(shù)據(jù)點Xi的K個鄰域點的權(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)樣本外點對降維的干擾，進一步提高了情感識別的精度；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別結(jié)果，使識別結(jié)果更加可靠準確。本應(yīng)用場景設(shè)定后驗概率權(quán)值為Qq＝1.6，識別精度相對提高了8％。最后應(yīng)當說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。當前第1頁1 2 3