Исследование зависимости речевых параметров от психоэмоционального состояния человека
Теории возникновения эмоций. Алгоритмы расчёта основных характеристик речевого сигнала. Методы исследования эмоциональной речи. Cегментация рынка программы автоматической идентификации психоэмоционального состояния. База данных эмоциональной речи EMO-DB.
| Рубрика | Психология |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 20.12.2012 |
| Размер файла | 2,0 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Рисунок 2.9.Поверхность отклика для сети без скрытого слоя (а) и сети с одним промежуточным слоем из двух элементов (б)
В задачах классификации выходной элемент должен выдавать сильный сигнал в случае, если данное наблюдение принадлежит к интересующему нас классу, и слабый - в противоположном случае. Иначе говоря, этот элемент должен стремиться смоделировать функцию, равную единице в области пространства объектов, где располагаются объекты из нужного класса, и равную нулю вне этой области. Такая конструкция известна как дискриминантная функция в задачах распознавания. Идеальная дискриминантная функция должна иметь плоскую структуру: точки соответствующей поверхности будут располагаться либо на нулевом уровне, либо на уровне единицы.
Если сеть не содержит скрытых элементов, то на выходе она может моделировать только одинарный "сигмовидный склон": точки, находящиеся по одну его сторону, располагаются низко, по другую - высоко. При этом всегда будет существовать область между ними (на склоне), где высота принимает промежуточные значения, но по мере увеличения весов эта область будет сужаться.
Такой сигмовидный склон фактически работает как линейная дискриминантная функция. Точки, лежащие по одну сторону склона, классифицируются как принадлежащие нужному классу, а лежащие по другую сторону - как не принадлежащие. Следовательно, сеть без скрытых слоев может служить классификатором только в линейно-отделимых задачах: когда можно провести линию (или, в случае более высоких размерностей, гиперплоскость), разделяющую точки в пространстве признаков.
Сеть, содержащая один промежуточный слой, строит несколько сигмоидных склонов, - по одному для каждого скрытого элемента, - и затем выходной элемент комбинирует из них "возвышенность". Эта возвышенность получается выпуклой, т.е. не содержащей впадин. При этом в некоторых направлениях она может уходить на бесконечность. Подобная сеть может моделировать большинство реальных задач классификации.
Сеть с двумя промежуточными слоями строит комбинацию из нескольких таких возвышенностей. Их будет столько, сколько элементов во втором слое, и у каждой из них будет столько сторон, сколько элементов было в первом скрытом слое. Используя достаточное число таких возвышенностей, можно воспроизвести поверхность любой формы.
В задачах классификации очень важно понять, как следует интерпретировать те точки, которые попали на склон или лежат близко от него. Стандартный подход заключается в том, чтобы для пороговых значений установить некоторые доверительные пределы (принятия или отвержения), которые должны быть достигнуты, чтобы данный элемент считался "принявшим решение". Например, если установлены пороги принятия/отвержения 0,95/0.05, то при уровне выходного сигнала выше 0,95 элемент считается активным, при уровне ниже 0,05 - неактивным, а в промежутке - неопределенным. Имеется и более тонкий (и, вероятно, более полезный) способ интерпретировать уровни выходного сигнала: считать их вероятностями. В этом случае сеть выдает несколько большую информацию, чем просто "да/нет": она сообщает нам, насколько (в некотором формальном смысле) мы можем доверять ее решению. При этом, однако, вероятностная интерпретация обоснована только в том случае, если выполняются определенные предположения о распределении исходных данных. Здесь, как и ранее, может быть принято решение по классификации, но, кроме того, вероятностная интерпретация позволяет ввести концепцию "решения с минимальными затратами".
Выводы
1. С использованием данных алгоритмов были численно получены значения основных речевых параметров (основного тона, джиттера, шиммера, нелинейных характеристик на основе оператора ТЕО), которые использовались в классификации психоэмоциональных состояний с помощью нейронных сетей;
2. Рассмотренные методы объективного анализа позволили установить значимость каждого из параметров в процессе классификации, получить многомерное представление результатов перцептивного теста, а также определить степень корреляции между объективными и субъективными методами исследования;
3. Разработана методика проведения перцептивного теста;
4. Было решено использовать в качестве нейросетевого классификатора многослойный перцептрон.
Глава 3. Анализ экспериментальных данных
Прежде чем перейти к практической части исследования - работе с классификатором - необходимо статистически оценить значимость каждой из рассчитанных характеристик речевого сигнала для определения психоэмоционального состояния, а также выявить зависимость между объективными (многомерное шкалирование, однофакторный дисперсионный анализ) и субъективными методами исследования (перцептивный тест). Основываясь на данных дисперсионного анализа и экспериментах, может быть выявлен наиболее эффективный набор характеристик речевого сигнала, а также оптимальные параметры классификации.
3.1 Статистический анализ данных
3.1.1 Анализ значимости характеристик на основе однофакторного дисперсионного анализа ANOVA
Дисперсионный анализ выполнялся в программе Statistica 6.0 Целью дисперсионного анализа является исследования значимости различия между средними. Таким образом, была определена значимость следующих характеристик в распознавании психоэмоциональных состояний:
· Джиттер
· Шиммер
· Максимальное изменение ЧОТ между сегментами
· Стандартное отклонение изменения ЧОТ между сегментами
· Максимальное изменение ЧОТ внутри сегмента
· Стандартное отклонение изменения ЧОТ внутри сегмента
· Среднее, стандартное отклонение, минимальное, максимальное значение ТЕО в критической полосе 51 Гц
· Среднее, стандартное отклонение, минимальное, максимальное значение ТЕО в критической полосе 150 Гц
· Среднее, стандартное отклонение, минимальное, максимальное значение ТЕО в критической полосе 250 Гц
· Среднее, стандартное отклонение, минимальное, максимальное значение ТЕО в критической полосе 350 Гц
· Среднее, стандартное отклонение, минимальное и максимальное значение энергии сигнала.
Проверка значимости в дисперсионном анализе основана на сравнении компоненты дисперсии, обусловленной межгрупповым разбросом (называемой средним квадратом эффекта или MSэффект) и компоненты дисперсии, обусловленной внутригрупповым разбросом (называемой средним квадратом ошибки или MSошибка). Если верна нулевая гипотеза (равенство средних), то можно ожидать сравнительно небольшое различие выборочных средних из-за чисто случайной изменчивости. Поэтому, при нулевой гипотезе, внутригрупповая дисперсия будет практически совпадать с общей дисперсией, подсчитанной без учета групповой принадлежности. Полученные внутригрупповые дисперсии можно сравнить с помощью F-критерия, проверяющего, действительно ли отношение дисперсий значимо больше 1. При фиксированном объеме выборки n дисперсия есть функция суммы квадратов (отклонений), обозначаемая, для краткости, SS (от английского Sum of Squares).
Переменные, значения которых определяется с помощью измерений в ходе эксперимента (например, балл, набранный при тестировании), называются зависимыми переменными. Переменные, которыми можно управлять при проведении эксперимента (например, методы обучения или другие критерии, позволяющие разделить наблюдения на группы или классифицировать) называются факторами или независимыми переменными. Рассмотрим следующий результат (таблица 3.1):
Таблица 3.1. Результаты однофакторного дисперсионного анализа
|
SS |
Degr.of |
MS |
F |
P |
||
|
Intercept |
1676.501 |
1 |
1676.501 |
1610.251 |
0.000000 |
|
|
«Var1» |
81.473 |
4 |
20.368 |
19.563 |
0.000000 |
|
|
Error |
188.447 |
181 |
1.041 |
В данном случае зависимая исследуемая переменная - джиттер, а факторы, влияющие на её изменение - различные психоэмоциональные состояния. В рассмотренном выше примере F-критерий показывает, что различие между средними статистически значимо (значимо на уровне 0.000). Результат принято считать статистически значимым, если уровень значимости меньше 0.005 ().
Результаты дисперсионного анализа приведены в таблице 3.2, а также в Приложении 1. В таблице 3.2 используются следующие обозначения: A - гнев, N -нейтральное состояние, F - страх, Н - радость, S - грусть, ЧОТ - частота основного тона.
Таблица 3.2 Результаты дисперсионного анализа
|
Речевые параметры |
Значимость |
|||||||||||
|
NA |
NF |
NH |
NS |
AF |
AH |
AS |
FH |
FS |
HS |
NAFSН |
||
|
Джиттер |
0.000 |
0.153 |
0.000 |
0.003 |
0.000 |
0.642 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
|
|
Шиммер |
0.113 |
0.189 |
0.409 |
0.084 |
0.844 |
0.036 |
0.620 |
0.063 |
0.541 |
0.039 |
0.096 |
|
|
Максимальное изменение ЧОТ между сегментами |
0.000 |
0.000 |
0.000 |
0.192 |
0.000 |
0.052 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
|
|
Стандартное отклонение ЧОТ между сегментами |
0.000 |
0.000 |
0.000 |
0.047 |
0.000 |
0.019 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
|
|
Максимальное Изменение ЧОТ внутри сегмента |
0.000 |
0.000 |
0.000 |
0.154 |
0.003 |
0.342 |
0.000 |
0.004 |
0.000 |
0.000 |
0.000 |
|
|
Стандартное Отклонение ЧОТ внутри Сегмента |
0.000 |
0.000 |
0.000 |
0.010 |
0.001 |
0.582 |
0.000 |
0.005 |
0.000 |
0.000 |
0.000 |
|
|
Среднее значение ТЕО в полосе 51 Гц |
0.000 |
0.273 |
0.072 |
0.548 |
0.000 |
0.000 |
0.000 |
0.074 |
0.596 |
0.047 |
0.000 |
|
|
Стандартное отклонение ТЕО в полосе 51 Гц |
0.000 |
0.274 |
0.058 |
0.540 |
0.000 |
0.000 |
0.000 |
0.072 |
0.593 |
0.037 |
0.000 |
|
|
Минимальное значение ТЕО в полосе 51 Гц |
0.000 |
0.204 |
0.002 |
0.454 |
0.00 |
0.000 |
0.00 |
0.061 |
0.000 |
0.005 |
0.000 |
|
|
Максимальное значение ТЕО в полосе 51 Гц |
0.00 |
0.078 |
0.004 |
0.347 |
0.000 |
0.000 |
0.000 |
0.199 |
0.070 |
0.011 |
0.00 |
|
|
Среднее значение ТЕО в полосе 150 Гц |
0.000 |
0.311 |
0.216 |
0.835 |
0.000 |
0.068 |
0.019 |
0.055 |
0.344 |
0.480 |
0.002 |
|
|
Стандартное отклонение ТЕО в полосе 150 Гц |
0.000 |
0.296 |
0.182 |
0.901 |
0.000 |
0.083 |
0.017 |
0.366 |
0.366 |
0.388 |
0.001 |
|
|
Минимальное значение ТЕО в полосе 150 Гц |
0.000 |
0.179 |
0.010 |
0.223 |
0.000 |
0.020 |
0.000 |
0.154 |
0.993 |
0.221 |
0.000 |
|
|
Максимальное значение ТЕО в полосе 150 Гц |
0.000 |
0.273 |
0.010 |
0.856 |
0.000 |
0.000 |
0.000 |
0.401 |
0.435 |
0.053 |
0.000 |
|
|
Среднее значение ТЕО в полосе 250 Гц |
0.000 |
0.365 |
0.456 |
0.009 |
0.000 |
0.006 |
0.889 |
0.096 |
0.000 |
0.028 |
0.000 |
|
|
Стандартное отклонение ТЕО в полосе 250 Гц |
0.000 |
0.334 |
0.424 |
0.014 |
0.000 |
0.004 |
0.758 |
0.074 |
0.000 |
0.046 |
0.000 |
|
|
Минимальное значение ТЕО в полосе 250 Гц |
0.010 |
0.699 |
0.355 |
0.834 |
0.032 |
0.176 |
0.024 |
0.576 |
0.589 |
0.326 |
0.012 |
|
|
Максимальное значение ТЕО в полосе 250 Гц |
0.006 |
0.750 |
0.647 |
0.807 |
0.006 |
0.037 |
0.043 |
0.527 |
0.686 |
0.944 |
0.000 |
|
|
Среднее значение ТЕО в полосе 350 Гц |
0.008 |
0.407 |
0.493 |
0.002 |
0.000 |
0.087 |
0.166 |
0.134 |
0.000 |
0.006 |
0.000 |
|
|
Стандартное отклонение ТЕО в полосе 350 Гц |
0.005 |
0.393 |
0.445 |
0.003 |
0.000 |
0.074 |
0.308 |
0.106 |
0.000 |
0.012 |
0.000 |
|
|
Минимальное значение ТЕО в полосе 350 Гц |
0.000 |
0.417 |
0.930 |
0.259 |
0.005 |
0.007 |
0.006 |
0.517 |
0.393 |
0.127 |
0.000 |
|
|
Максимальное значение ТЕО в полосе 350 Гц |
0.005 |
0.931 |
0.907 |
0.438 |
0.007 |
0.023 |
0.013 |
0.971 |
0.394 |
0.370 |
0.000 |
|
|
Среднее значение энергии |
0.000 |
0.776 |
0.000 |
0.773 |
0.000 |
0.000 |
0.000 |
0.000 |
0.626 |
0.011 |
0.000 |
|
|
Стандартное отклонение значения энергии |
0.000 |
0.440 |
0.001 |
0.607 |
0.000 |
0.001 |
0.000 |
0.013 |
0.183 |
0.000 |
0.000 |
|
|
Минимальное значение энергии |
0.382 |
- |
- |
- |
0.401 |
0.476 |
0.485 |
- |
- |
- |
0.650 |
|
|
Максимальное значение энергии |
0.021 |
0.053 |
0.093 |
0.232 |
0.617 |
0.788 |
0.374 |
0.879 |
0.588 |
0.581 |
0.154 |
На основании данных дисперсионного анализа можно сделать вывод о том, что шиммер, минимальное и максимальное значение энергии практически не зависят от изменения психоэмоционального состояния.
Параметры, связанные с частотой основного тона (максимальное изменение ЧОТ между сегментами, стандартное отклонение ЧОТ между сегментами, максимальное изменение ЧОТ внутри сегмента, стандартное отклонение ЧОТ внутри сегмента) плохо разделяют между собой стенические эмоции (гнев - радость) и астенические эмоции (нейтральное состояние - грусть).
Нелинейные характеристики плохо разделяют астенические эмоции (нейтральное состояние - страх, нейтральное состояние - грусть), а также пары эмоций: страх - радость и страх - грусть, но с помощью них можно различить стенические эмоции (гнев - радость). Причём, в случае значение критической полосы в 250 и 350 Гц, пары эмоций: нейтральное состояние - радость и гнев - грусть, распознаются хуже, а состояния страх - грусть и радость - грусть достаточно хорошо различимы между собой.
Параметры, связанные с энергией (среднее значение энергии, стандартное отклонение значения энергии), плохо разделяют между собой пары астенических эмоций (нейтральное состояние - страх, нейтральное состояние - грусть, страх - грусть).
3.1.2 Результаты перцептивного теста
В результате проведения эксперимента по распознаванию эмоциональной речи испытуемыми, были получены следующие результаты (таблица 3.3, рисунок 3.1):
Таблица 3.3 Результаты перцептивного теста (в%)
|
нейтральное |
гнев |
радость |
грусть |
страх |
||
|
нейтральное |
84 |
1.57 |
0.26 |
14.2 |
0 |
|
|
гнев |
7.85 |
82.3 |
7.14 |
1.19 |
1.42 |
|
|
радость |
19.5 |
5.6 |
68 |
2.39 |
4.34 |
|
|
грусть |
6.05 |
0.26 |
0 |
90.7 |
2.89 |
|
|
страх |
11.7 |
3.8 |
3.4 |
3.46 |
77.5 |
Рисунок 3.1. Результаты перцептивного теста (в %)
Общий процент распознавания составил 80%. Наиболее высокий процент распознавания - у эмоции грусть (90.7%), нейтрального состояния (84%) и эмоции гнев (82.3%). Также было выявлено 4 записи, для которых 100% испытуемых дали неверную характеристику психоэмоционального состояния.
3.1.3 Многомерное представление результатов перцептивного теста
Многомерное шкалирование - это способ наиболее эффективного размещения объектов, приближенно сохраняющий наблюдаемые между ними расстояния. Многомерное шкалирование размещает объекты в пространстве заданной размерности и проверяет, насколько точно полученная конфигурация сохраняет расстояния между объектами, т.е. использует алгоритм минимизации некоторой функции, оценивающей качество получаемых вариантов отображения.
Входными данными для многомерного шкалирования являются результаты перцептивного теста (таблица 3.3). Анализ выполняется в программе Statistica 6.0. После 26 итераций, при значении фактора стресса Краскала - 0.000048 (стресс является оценкой меры качества отображения), получаем окончательную конфигурацию в 3х измерениях, она изображена на рисунке 3.2.
Рисунок 3.. Многомерное представление результатов перцептивного теста.
На входе алгоритма многомерного шкалирования используется матрица, элемент которой на пересечении ее i-й строки и j-го столбца, содержит сведения о попарном сходстве анализируемых объектов (объекта [i] и объекта [j]) (таблица 3.4).
Таблица 3.4. Матрица расстояний
|
N |
A |
H |
S |
F |
||
|
N |
0.000000 |
1.141479 |
0.981364 |
1.333485 |
1.041399 |
|
|
A |
1.141479 |
0.000000 |
1.702686 |
1.904237 |
1.719852 |
|
|
H |
0.981364 |
1.702686 |
0.000000 |
1.941318 |
1.844840 |
|
|
S |
1.333485 |
1.904237 |
1.941318 |
0.000000 |
1.793310 |
|
|
F |
1.041399 |
1.719852 |
1.844840 |
1.793310 |
0.000000 |
На выходе алгоритма МНШ получаются числовые значения координат, которые приписываются каждому объекту в некоторой новой системе координат, причем размерность нового пространства признаков существенно меньше размерности исходного. Координаты, полученные в результате многомерного представления результатов перцептивного теста, представлены в таблице 3.5.
Таблица 3.5. Координаты векторов в трёх мерном пространстве
|
Dim 1 |
Dim 2 |
Dim 3 |
||
|
N |
-0.105344 |
-0.005366 |
0.120924 |
|
|
A |
-0.479155 |
0.347735 |
-0.898174 |
|
|
H |
-0.747066 |
-0.678794 |
0.433593 |
|
|
S |
1.072986 |
-0.525590 |
-0.224169 |
|
|
F |
0.258579 |
0.862015 |
0.567826 |
При выборе трёхмерной размерности пространства, как видно из рисунка 3.2, происходит полное разделение всех психоэмоциональных состояний.
3.1.4 Корреляция данных многомерного шкалирования и численных значений параметров
Для того чтобы оценить зависимость (связь) между двумя переменными, обычно вычисляют коэффициент корреляции. Непараметрическими аналогами стандартного коэффициента корреляции Пирсона является статистика Спирмена. Для определения корреляции усреднённых численных значений речевых параметров (таблица 3.6) с измерениями Dim1, Dim2 и Dim3 3х мерного пространства (таблица 3.5), в программе Statisitica 6.0 был выполнен тест Спирмена.
Таблица 3.6. Усреднённые значение речевых параметров
|
Параметры |
Психоэмоциональные состояния |
|||||
|
нейтральное |
гнев |
страх |
радость |
грусть |
||
|
Джиттер |
3.302308 |
2.501167 |
3.062500 |
2.435000 |
4.480000 |
|
|
Шиммер |
9.020513 |
9.746167 |
9.649722 |
8.608846 |
10.04160 |
|
|
Максимальное изменение ЧОТ между сегментами |
33.79487 |
116.4833 |
62.16667 |
147.5769 |
27.40000 |
|
|
Стандартное отклонение ЧОТ между сегментами |
12.62004 |
38.55512 |
21.20358 |
51.30687 |
8.944458 |
|
|
Максимальное изменение ЧОТ внутри сегмента |
31.82051 |
98.08333 |
71.61111 |
109.6538 |
26.80000 |
|
|
Стандартное отклонение ЧОТ внутри сегмента |
10.81696 |
33.31225 |
23.04552 |
35.62510 |
7.680725 |
|
|
Среднее значение ТЕО в полосе 51 Гц |
7163.578 |
1689.660 |
9955.079 |
4686.988 |
8253.342 |
|
|
Стандартное отклонение ТЕО в полосе 51 Гц |
6984.846 |
1760.393 |
9694.874 |
4536.313 |
8030.652 |
|
|
Минимальное значение ТЕО в полосе 51 Гц |
-31450.7 |
-9822.35 |
-29747.8 |
-25026.9 |
-32026.3 |
|
|
Максимальное значение ТЕО в полосе 51 Гц |
32056.31 |
20798.87 |
30881.94 |
29307.62 |
32327.24 |
|
|
Среднее значение ТЕО в полосе 150 Гц |
5229.941 |
3133.935 |
6347.343 |
4075.858 |
4974.828 |
|
|
Стандартное отклонение ТЕО в полосе 150 Гц |
5142.837 |
3181.437 |
6230.916 |
3994.697 |
5001.626 |
|
|
Минимальное значение ТЕО в полосе 150 Гц |
-31554.9 |
-20971.8 |
-29912.3 |
-26874.6 |
-29898.5 |
|
|
Максимальное значение ТЕО в полосе 150 Гц |
32137.31 |
28293.85 |
31619.14 |
31070.27 |
32083.84 |
|
|
Среднее значение ТЕО в полосе 250 Гц |
7874.722 |
4581.202 |
9063.352 |
6877.890 |
4478.686 |
|
|
Стандартное отклонение ТЕО в полосе 250 Гц |
7740.587 |
4584.079 |
8910.829 |
6753.854 |
4788.216 |
|
|
Минимальное значение ТЕО в полосе 250 Гц |
-31741.2 |
-27674.0 |
-31297.1 |
-30405.7 |
-31961.0 |
|
|
Максимальное значение ТЕО в полосе 250 Гц |
32328.26 |
30856.55 |
32390.00 |
32229.38 |
32255.96 |
|
|
Среднее значение ТЕО в полосе 350 Гц |
8688.639 |
5952.079 |
9797.073 |
7737.568 |
4663.620 |
|
|
Стандартное отклонение ТЕО в полосе 350 Гц |
8585.748 |
5924.065 |
9640.827 |
7610.104 |
5070.382 |
|
|
Минимальное значение ТЕО в полосе 350 Гц |
-32487.6 |
-27139.4 |
-31968.0 |
-32473.7 |
-32643.7 |
|
|
Максимальное значение ТЕО в полосе 350 Гц |
32492.67 |
31088.50 |
32478.00 |
32471.27 |
32607.88 |
|
|
Среднее значение энергии |
64.14015 |
58.81725 |
64.33648 |
61.26391 |
63.89369 |
|
|
Стандартное отклонение значения энергии |
12.09249 |
15.04641 |
12.50716 |
13.80995 |
11.82352 |
|
|
Минимальное значение энергии |
1 |
0.993975 |
1 |
1 |
1 |
|
|
Максимальное значение энергии |
81.17481 |
81.91339 |
81.75830 |
81.81138 |
81.58931 |
В таблице 3.7 представлены результаты корреляционного теста.
Как видно из полученных данных для измерения Dim1 не наблюдается существенных корреляций с какими-либо из речевых характеристик. Измерение Dim2 коррелирует с нелинейными характеристиками оператора ТЕО в полосе 250 Гц и частично коррелирует со значениями основного тона. Измерение Dim3 коррелирует с нелинейными характеристиками ТЕО в критической полосе 51 Гц и стандартным отклонением энергии сигнала, что означает, что данное измерение обусловлено в первую очередь энергией.
Таблица 3.7 Результаты корреляционного теста Спирмена
|
Измерения |
Dim1 |
Dim2 |
Dim3 |
|
|
Характеристики |
||||
|
Джиттер |
-0.1 |
0.5 |
0.8 |
|
|
Шиммер |
-0.3 |
0.7 |
0.4 |
|
|
Максимальное изменение ЧОТ между сегментами |
0.1 |
-0.5 |
-0.8 |
|
|
Стандартное отклонение ЧОТ между сегментами |
0.1 |
-0.5 |
-0.8 |
|
|
Максимальное изменение ЧОТ внутри сегмента |
0.1 |
-0.5 |
-0.8 |
|
|
Стандартное отклонение ЧОТ внутри сегмента |
0.1 |
-0.5 |
-0.8 |
|
|
Среднее значение ТЕО в полосе 51 Гц |
-0.3 |
-0.3 |
0.9 |
|
|
Стандартное отклонение ТЕО в полосе 51 Гц |
-0.3 |
-0.3 |
0.9 |
|
|
Минимальное значение ТЕО в полосе 51 Гц |
-0.2 |
-0.3 |
-0.9 |
|
|
Максимальное значение ТЕО в полосе 51 Гц |
0.2 |
0.3 |
0.9 |
|
|
Среднее значение ТЕО в полосе 150 Гц |
-0.4 |
-0.5 |
0.7 |
|
|
Стандартное отклонение ТЕО в полосе 50 Гц |
-0.4 |
-0.5 |
0.7 |
|
|
Минимальное значение ТЕО в полосе 150 Гц |
0.2 |
0.3 |
-0.6 |
|
|
Максимальное значение ТЕО в полосе 150 Гц |
0.1 |
0.1 |
0.7 |
|
|
Среднее значение ТЕО в полосе 250 Гц |
-0.5 |
-0.9 |
0.0 |
|
|
Стандартное отклонение ТЕО в полосе 250 Гц |
-0.3 |
-0.8 |
0.4 |
|
|
Минимальное значение ТЕО в полосе 250 Гц |
-0.2 |
-0.9 |
-0.3 |
|
|
Максимальное значение ТЕО в полосе 250 Гц |
-0.4 |
-0.5 |
0.7 |
|
|
Среднее значение ТЕО в полосе 350 Гц |
-0.5 |
-0.9 |
0.0 |
|
|
Стандартное отклонение ТЕО в полосе 350 Гц |
-0.5 |
-0.9 |
0.0 |
|
|
Минимальное значение ТЕО в полосе 350 Гц |
-0.6 |
-0.4 |
-0.7 |
|
|
Максимальное значение ТЕО в полосе 350 Гц |
0.2 |
0.3 |
0.9 |
|
|
Среднее значение энергии |
-0.4 |
-0.5 |
0.7 |
|
|
Стандартное отклонение значения энергии |
-0.2 |
-0.3 |
-0.9 |
|
|
Минимальное значение энергии |
0.3 |
-0.3 |
0.7 |
|
|
Максимальное значение энергии |
-0.1 |
-0.1 |
-0.7 |
3.2 Классификатор психоэмоциональных состояний на основе нейронных сетей
Для распознавания психоэмоциональных состояний на основе фрагментов речи был разработан классификатор на MATLAB, реализующий метод наименьших квадратов, линейный нейрон, радиальный нейрон, радиальную базисную сеть, смесь гауссовых компонент, многослойный перцептрон, секторный нейрон и др. (рисунок 3.3). Возможность выбора того или иного метода осуществляется с помощью окна, расположенного в верхней правой части программы.
В левом нижнем окне отображаются входные и выходные вектора тестовой и обучающей выборки. Они автоматически устанавливаются в процессе загрузки .mat файла. В качестве входного вектора эмпирическим путём были выбраны следующие речевые параметры (смю пункт 3.2.1).
Численные значения параметров входного вектора были рассчитаны с помощью программы Форманта. Для обучения и тестирования классификатора использовалась часть базы EmoDB, содержащей эмоционально окрашенную речь на немецком языке. Были использованы 187 записей 5 дикторов, соответствующих следующим эмоциональным состояниям: нейтральное, гнев, счастье, грусть, страх (таблица 3.8). Из них 20% (33 записи) использовались в качестве тестового набора и 154 записи в качестве обучающего.
Для классификации психоэмоциональных состояний решено было использовать многослойный перцептрон, так как он является достаточно хорошим аппроксиматором функций, достаточно просто в программной реализации и имеет быстрый алгоритм обучения. Кроме того, введение нелинейности в состав сети путём применения нелинейных функций активации (сигмоидной функции), существенно повышает её мощность.
Рисунок 3.3 Главное окно классификатора на MALAB
Таблица 3.8 Количество записей в базе данных
|
Немец 3 |
Немец 10 |
Немец 11 |
Немец 12 |
Немец 15 |
||
|
Гнев |
14 |
10 |
11 |
12 |
13 |
|
|
Страх |
4 |
8 |
10 |
6 |
8 |
|
|
Счастье |
7 |
4 |
8 |
2 |
6 |
|
|
Нейтральное |
11 |
4 |
9 |
4 |
10 |
|
|
Грусть |
7 |
3 |
7 |
4 |
4 |
|
|
Общее количество |
43 |
29 |
45 |
30 |
41 |
3.3 Выбор оптимальных параметров многослойного перцептрона
При выборе архитектуры сети обычно опробуется несколько конфигураций с различным количеством элементов. Учитывая объём обучающей выборки, выбор был сделан в пользу двухслойного перцептрона, с 27 нейронами в первом слое. В качестве функции активации для первого и второго слоя использовалась нелинейная сигмоидная функция, с коэффициентом 0.1.Скорость обучения для первого и второго слоёв также составила 0.1.
3.3.1 Количество нейронов второго слоя
Одной из самых больших проблем при использовании нейронных сетей является невозможность предварительного определения оптимального количества нейронов. Если нейронов будет слишком мало, то это равносильно потере каких-то нелинейных связей в модели, если нейронов будет много, то это может привести к "переобучению" сети, то есть она просто "выучит" данные, а не распознает их структуру. Для этого была проведена серия экспериментов, в которых варьировалось количество нейронов второго слоя. Полученные данные представлены в таблице 3.9.
В таблице - количество правильно распознанных данных в обучающей выборке, - количество правильно распознанных данных в тестовой выборке, определяется выражением (3.1)
(3.1)
Данные таблицы 3.9 графически иллюстрируются рисунком 3.4.
Таблица 3.9. Зависимость процента правильно распознанных эмоции от количества нейронов
|
Количество нейронов |
(%) |
(%) |
(%) |
(%) |
(%) |
(%) |
(%) |
(%) |
||
|
Номер эксперимента |
1 |
2 |
3 |
|||||||
|
5 |
63 |
66 |
63 |
63 |
52 |
44 |
1.03 |
59 |
57 |
|
|
10 |
62 |
60 |
67 |
54 |
65 |
57 |
1.12 |
64 |
57 |
|
|
15 |
73 |
66 |
73 |
66 |
75 |
57 |
1.15 |
73 |
63 |
|
|
20 |
78 |
69 |
75 |
60 |
76 |
60 |
1.21 |
76.3 |
63 |
|
|
25 |
75 |
75 |
77 |
60 |
76 |
63 |
1.15 |
76 |
66 |
|
|
30 |
73 |
60 |
81 |
69 |
80 |
63 |
1.21 |
78 |
64 |
|
|
35 |
80 |
69 |
78 |
63 |
73 |
63 |
1.18 |
77 |
65 |
|
|
40 |
80 |
66 |
77 |
66 |
73 |
60 |
1.23 |
76.6 |
62 |
|
|
45 |
81 |
72 |
78 |
63 |
84 |
69 |
1.19 |
81 |
68 |
|
|
50 |
82 |
66 |
81 |
72 |
84 |
66 |
1.21 |
82,3 |
68 |
|
|
55 |
81 |
66 |
79 |
69 |
82 |
66 |
1.2 |
80.6 |
67 |
|
|
60 |
81 |
69 |
81 |
63 |
81 |
66 |
1.22 |
81 |
66 |
|
|
65 |
81 |
66 |
81 |
66 |
82 |
72 |
1.19 |
81 |
68 |
|
|
70 |
84 |
63 |
83 |
72 |
83 |
69 |
1.22 |
83.3 |
68 |
|
|
75 |
83 |
66 |
84 |
63 |
82 |
66 |
1.27 |
83 |
65 |
|
|
80 |
82 |
72 |
84 |
63 |
82 |
69 |
1.2 |
82 |
68 |
|
|
85 |
82 |
66 |
82 |
69 |
83 |
69 |
1.2 |
82 |
68 |
|
|
90 |
84 |
66 |
82 |
72 |
82 |
66 |
1.21 |
82.6 |
68 |
Рисунок 3.4. Зависимость количества нейронов второго слоя от процента распознавания обучающей и тестовой выборки
При небольшом количестве нейронов (5-40) происходит частичная потеря нелинейных связей в модели, и классификатор не может обучиться до конца. Использование же большого числа нейронов (свыше 50) нецелесообразно, так как существенно повышаются аппаратные затраты алгоритма. В результате наиболее оптимальным является использование 45 нейронов.
3.3.2 Минимизация входного вектора
Как показали результаты однофакторного дисперсионного анализа, не все речевые параметры являются в достаточной степени информативными. Для выявления наиболее значимых из них был проведён ряд экспериментов, в процессе которых на вход классификатора подавали разный набор параметров.
В случае использования полного вектора параметров процент распознавания классификатором обучающей выборки в среднем составил 81%, тестовой - 68% (усреднённый результат для трёх экспериментов). Для более наглядного представления о проценте распознавания каждого из психоэмоциональных состояний используется матрица неточностей (таблица 3.10 и 3.11). Для обучающей и тестовой выборки она выглядит следующим образом:
Таблица 3.10. Матрица неточностей обучающего вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
84.8 |
3 |
6 |
0 |
6 |
|
|
Гнев |
0.6 |
96.5 |
0 |
2.7 |
0 |
|
|
Страх |
20.9 |
7.4 |
64.1 |
3.7 |
3.7 |
|
|
Счастье |
9.5 |
22.2 |
3.17 |
65 |
1.5 |
|
|
Грусть |
22.7 |
0 |
1.5 |
4.5 |
71.2 |
Таблица 3.11 Матрица неточностей тестового вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
100 |
0 |
0 |
0 |
0 |
|
|
Гнев |
0 |
80 |
0 |
20 |
0 |
|
|
Страх |
14.8 |
11.1 |
44.4 |
29.6 |
0 |
|
|
Счастье |
0 |
20 |
33.3 |
40 |
0 |
|
|
Грусть |
11.1 |
0 |
0 |
0 |
88.8 |
В случае ста процентного распознавания матрица должна быть заполнена только по главной диагонали, остальные же значения должны быть равны нулю. Из таблицы 3.10 и 3.11 видно, что нейтральное состояния и гнев наиболее хорошо распознаётся классификатором, эмоции страха и грусти частично путаются с нейтральным состоянием, а эмоция счастье с гневом и страхом.
При исключении из входного вектора максимального изменения частоты основного тона между и внутри сегментов, матрица неточностей выглядит следующим образом (таблица 3.12 и 3.13)
Таблица 3.12 Матрица неточностей обучающего вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
79.7 |
7 |
7 |
0 |
6 |
|
|
Гнев |
0 |
70 |
0 |
2.7 |
0 |
|
|
Страх |
25.9 |
6.1 |
64.1 |
2.4 |
1.2 |
|
|
Счастье |
7.9 |
17.4 |
7.9 |
65 |
1.6 |
|
|
Грусть |
34.8 |
0 |
0 |
4.5 |
60.6 |
Таблица 3.13 Матрица неточностей тестового вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
100 |
0 |
0 |
0 |
0 |
|
|
Гнев |
0 |
80 |
0 |
20 |
0 |
|
|
Страх |
18.5 |
11.1 |
40.7 |
29.6 |
0 |
|
|
Счастье |
13.3 |
20 |
26.6 |
40 |
0 |
|
|
Грусть |
44.4 |
0 |
0 |
0 |
55.5 |
Процент распознавания обучающей выборки составляет 77.3%, тестовой - 64% (усреднённый результатов для трёх экспериментов). По сравнению с полным набором параметров, процент распознавания эмоций страха и грусти немного уменьшился.
В случае, когда из вектора входных параметров исключены среднее, стандартное отклонение, минимальное и максимальное значение ТЕО в критических полосах 51 Гц, 150 Гц, и 350 Гц, матрица неточностей имеет вид (таблица 3.14 и 3.15):
Таблица 3.14 Матрица неточностей обучающего вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
83.6 |
6 |
8 |
0 |
2 |
|
|
Гнев |
4.7 |
87.7 |
5.4 |
2 |
0 |
|
|
Страх |
26 |
17.2 |
54.3 |
0 |
2.4 |
|
|
Счастье |
5 |
51.6 |
0 |
48.3 |
0 |
|
|
Грусть |
57.8 |
5.2 |
5.2 |
5.2 |
42.1 |
Таблица 3.15. Матрица неточностей тестового вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
100 |
0 |
0 |
0 |
0 |
|
|
Гнев |
0 |
90 |
0 |
10 |
0 |
|
|
Страх |
22.2 |
33.3 |
33.3 |
11.1 |
0 |
|
|
Счастье |
0 |
40 |
13.3 |
46.6 |
0 |
|
|
Грусть |
11.1 |
33.3 |
0 |
0 |
55.5 |
Процент распознавания обучающей выборки составляет 67%, тестовой выборки - 66% (результат усреднён для трёх экспериментов). В случае отсутствия в векторе значений, связанных с нелинейным оператором ТЕО, классификатор практически в 50% процентах случаев не может распознать такие психоэмоциональные состояния как счастье, страх и грусть.
В случае исключения из вектора входных параметров значений среднего, стандартного отклонения минимального и максимального энергии, процент распознавания обучающей выборки составляет 78.6%, тестовой - 64% (таблица 3.16 и 3.17).
Таблица 3.16 Матрица неточностей обучающего вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
78.7 |
3 |
6 |
0 |
12 |
|
|
Гнев |
0.6 |
94.5 |
0.6 |
4 |
0 |
|
|
Страх |
23.4 |
3.7 |
68 |
1.2 |
3.7 |
|
|
Счастье |
6.3 |
15.8 |
12.6 |
65 |
0 |
|
|
Грусть |
19.6 |
0 |
3 |
4.5 |
72.7 |
Таблица 3.17 Матрица неточностей тестового вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
94.4 |
0 |
0 |
0 |
5.6 |
|
|
Гнев |
0 |
80 |
0 |
20 |
0 |
|
|
Страх |
11.1 |
11.1 |
37 |
29.6 |
11.1 |
|
|
Счастье |
0 |
20 |
33.3 |
46.6 |
0 |
|
|
Грусть |
33.3 |
0 |
0 |
0 |
66.6 |
Из таблицы 3.16 видно, что исключение энергии из входного вектора параметров, практически не сказывается на эффективности классификатора.
При исключении из вектора входных параметров шиммера, процент распознавания обучающей выборки составил 78.6%, тестовой - 69% (усреднённый результат для трёх экспериментов), как видно из матрицы неточностей (таблица 3.18, 3.19) это практически не влияет на эффективность распознавания.
Таблица 3.18 Матрица неточностей обучающего вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
84.8 |
4 |
4 |
0 |
7 |
|
|
Гнев |
0 |
98.6 |
0 |
1.3 |
0 |
|
|
Страх |
21 |
4.9 |
69.1 |
0 |
4.9 |
|
|
Счастье |
9.5 |
23.8 |
7.9 |
55.5 |
3.1 |
|
|
Грусть |
25.7 |
0 |
4.5 |
4.5 |
65.1 |
Таблица 3.19 Матрица неточностей тестового вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
100 |
0 |
0 |
0 |
0 |
|
|
Гнев |
0 |
80 |
0 |
20 |
0 |
|
|
Страх |
7.4 |
11.1 |
59.2 |
18.5 |
3.7 |
|
|
Счастье |
6.6 |
20 |
33.3 |
40 |
0 |
|
|
Грусть |
44.4 |
0 |
0 |
0 |
55.5 |
Так как шиммер, значения энергии, максимальное и минимальное изменении частоты основного тона между и внутри сегментов, как видно из вышенаписанного, не сильно влияют на эффективность распознавания, был проведён эксперимент, в ходе которого эти параметры были исключены из входного вектора. В результате, процент распознавания для обучающей выборки составил 76.3, а тестовой - 64% (таблица 3.20 и 3.21).
Таблица 3.20 Матрица неточностей обучающего вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
79.75 |
5 |
4 |
0 |
11.1 |
|
|
Гнев |
0.6 |
92.5 |
0 |
6.8 |
0 |
|
|
Страх |
9.8 |
6.1 |
43.2 |
1.2 |
3.7 |
|
|
Счастье |
9.5 |
19 |
4.7 |
65 |
1.58 |
|
|
Грусть |
18 |
0 |
4.5 |
4.5 |
72.7 |
Таблица 3.21 Матрица неточностей тестового вектора в процентах
|
Нейтральное |
Гнев |
Страх |
Счастье |
Грусть |
||
|
Нейтральное |
83.3 |
0 |
0 |
0 |
16.6 |
|
|
Гнев |
0 |
80 |
3.3 |
16.6 |
0 |
|
|
Страх |
0 |
11.1 |
48.1 |
33.3 |
7.4 |
|
|
Счастье |
13.3 |
20 |
26.6 |
40 |
0 |
|
|
Грусть |
33.3 |
0 |
0 |
0 |
66.6 |
Таким образом, учитывая данные однофакторного дисперсионного анализа и результаты экспериментов по минимизации входного вектора, окончательно получим, что наиболее эффективные параметры, подающиеся на вход классификатора, включают в себя:
· Джиттер
· Стандартное отклонение изменения ЧОТ между сегментами
· Стандартное отклонение изменения ЧОТ внутри сегмента
· Среднее, стандартное отклонение, минимальное, максимальное значение ТЕО в критической полосе 51 Гц
· Среднее, стандартное отклонение, минимальное, максимальное значение ТЕО в критической полосе 150 Гц
· Среднее, стандартное отклонение, минимальное, максимальное значение ТЕО в критической полосе 250 Гц
· Среднее, стандартное отклонение, минимальное, максимальное значение ТЕО в критической полосе 350 Гц
· Стандартное значение энергии сигнала.
Наибольший процент распознавания психоэмоциональных состояний при подачи данного вектора на вход классификатора наблюдается при следующих параметрах многослойного перцептрона:
· Количество нейронов во втором слое - 45;
· Количество эпох обучения -1000;
· Коэффициенты функции активации для первого и второго слоя - 0,1; 0.1;
· Скорость обучения первого и второго слоя - 0.1; 0,1.
Выводы
По результатам перцептивного теста, процент распознавания составил 80%. При этом наиболее хорошо были различимы эмоции грусти, нейтральное состояние и гнев. Матрица неточностей, составленная по результатам теста, приведена в таблице 3.3. В результате компьютерной классификации процент распознавания составил для обучающей выборки 76%, для тестовой - 63% Матрица неточностей приведены в таблицах 3.22 и 3.23.
Таблица 3.22. Результаты компьютерной классификации (обучающая выборка)
|
нейтральное |
гнев |
радость |
грусть |
страх |
||
|
нейтральное |
75.7 |
6.06 |
9.09 |
0 |
6.06 |
|
|
гнев |
2 |
93.8 |
0 |
4.08 |
0 |
|
|
радость |
29.6 |
3.7 |
62.9 |
0 |
3.7 |
|
|
грусть |
9.5 |
19.04 |
4.76 |
61.9 |
4.76 |
|
|
страх |
18.1 |
0 |
4.54 |
4.54 |
72.7 |
Таблица 3.23. Результаты компьютерной классификации (тестовая выборка)
|
нейтральное |
гнев |
радость |
грусть |
страх |
||
|
нейтральное |
83.3 |
0 |
0 |
0 |
16.6 |
|
|
гнев |
0 |
80 |
0 |
20 |
0 |
|
|
радость |
0 |
11.1 |
44.4 |
33.3 |
11.1 |
|
|
грусть |
0 |
20 |
40 |
40 |
0 |
|
|
страх |
33.3 |
0 |
0 |
0 |
66.6 |
Таким образом, процент распознавания данных классификатором для нейтрального состояния, гнева и радости существенно не отличается от результатов перцептивного теста. Процент же распознавания эмоции грусть и эмоции страх в случае субъективной оценки выше. Отчасти это связано с тем, что некоторые психоэмоциональные состояния довольно сложно различить даже на слух, чаще всего между собой путают стенические эмоции (гнев, радость) и астенические (нейтральные, грусть). Эмоцию страх можно отнести к смешанной категории, что само по себе представляет сложность для классификации. К тому же страх имеет различные градации: от скрытого до понического.
На основании оценки этих результатов можно сделать следующие выводы:
1. Процент распознавания классификатором нейтрального состояния, гнева и радости практически не отличается от результатов перцептивного теста.
2. Наиболее хорошо распознаются программой нейтральное состояние и эмоции гнева, их процент распознавания составляет для обучающей выборки 75.7 % и 93.8%, для тестовой - 83.3% и 80%, в случае перцептивного теста наибольший процент распознавания наблюдается для эмоции грусть (90.7%).
3. Стенические эмоции (гнев, радость), точно также как и астенические (грусть, нейтральное состояние, страх) довольно сложно разделить.
4. Не столь высокий процент распознавания эмоций страха (обучающая выборка - 72.7%, тестовая - 66.6%), счастья (обучающая выборка - 62.9%, тестовая выборка - 44.4%), грусти (обучающая выборка - 61.9%, тестовая выборка - 40%) связан, повидимому, с небольшим количеством данных.
Глава 4. Cегментация рынка программы автоматической идентификации психоэмоционального состояния
Успех продвижения на рынке новых товаров во многом зависит от всестороннего исследования требований рынка. Исследуемая информация касается спроса на товары и услуги различных уровней, уже имеющихся и потенциально возможных конкурентов, а также требований, предъявляемых потребителями. Сбор подобной информации требует значительных затрат времени и средств. Это заставляет предприятия нацеливаться на отдельные части рынка, которые представляют собой сегменты групп потребителей с примерно общими требованиями.
Поиск таких однородных сегментов потребителей среди различных вариантов требований, предъявляемых к товару, называется сегментацией рынка, а данный найденный участок рынка - сегментом рынка.
При разумном делении рынка на сегменты все инструменты маркетинга внутри него могут быть оптимально скоординированы. Именно поэтому сегментация рынка считается очень важным аспектом деятельности предприятия.
4.1 Методы рыночной сегментации
Сегментация представляет собой базу для разработки маркетинговой программы (включая выбор вида товара, ценовой, рекламной политики, каналов сбыта), ориентированную на конкретные группы потребителей [50]. Процесс сегментации состоит из нескольких этапов (рисунок 4.1).
Размещено на http://www.allbest.ru/
Рисунок 4.1 Процесс сегментации рынка
В качестве единицы наблюдения для построения сегментации, как правило, используется отдельный индивид, если товар рассматривается как предмет индивидуального пользования, семья, когда исследуется товар общесемейного пользования, фирма или какая-либо другая структура. Начинается поиск сегментов для определения различий в предпочтениях у потребителей одного и того же товара. Сегменты могут быть сформированы на основе предпочтений покупателями различных свойств товара. Контингент основных покупателей определяется на основе анализа демографических и социально-экономических характеристик, делается попытка связать интенсивность приобретения данного товара с определенными показателями.
Большое значение при сегментации рынка имеют социально-экономические факторы. Доходы сами по себе не обеспечивают возможности для достаточно тонкой сегментации. Однако вкупе с социальным положением, жилищными условиями, культурными факторами они играют определяющую роль. В формировании критериев сегментации определенное место занимает выбор характеристик и требований к товару. При этом учитываются данные, включающие:
· потребительские предпочтения и намерения при выборе товаров по сравнению с аналогичными изделиями конкурирующих предприятий;
· характеристику вероятного спроса на новые изделия (на стадии опытной партии);
· предпочтения населения относительно тех или иных потребительских свойств изделий (цвет, технические характеристики, габариты, качество);
· цена.
Следующий этап сегментации рынка -- выбор метода сегментации и его применение. Такая работа осуществляется с применением специальных методов классификации по выбранным критериям (признакам). Данный этап, по существу, представляет собой выбор и реализацию алгоритма классификации. Существует множество методов классификации, порожденных различием целей и задач, стоящих перед исследователями. Наиболее распространенными методами сегментирования рынка являются метод группировок по одному или нескольким признакам и методы многомерного статистического анализа.
Суть метода группировок состоит в последовательной разбивке совокупности объектов на группы по наиболее значимым признакам. Какой-либо признак выделяется в качестве системообразующего (владелец товара, потребитель, намеревающийся приобрести новый товар), затем формируются подгруппы, в которых значимость этого критерия значительно выше, чем во всей совокупности потенциальных потребителей данного товара. Путем последовательных разбивок (на две части) выборка делится на ряд подгрупп.
Для целей сегментации рынка используются также методы многомерной классификации, когда классификация проводится по комплексу анализируемых признаков одновременно. Наиболее эффективными из них являются методы автоматической классификации, или кластерного анализа, таксономии. Схемы классификации базируются на следующих предположениях. В один класс (тип) объединяются люди, сходные между собой по ряду признаков. Степень сходства у людей, принадлежащих к одному классу, должна быть выше, чем степень сходства у людей, принадлежащих к разным классам. С помощью этих методов решается задача типизации с одновременным использованием демографических, социально-экономических, психологических показателей.
4.2 Методика расчёта сегментации рынка
При первичной сегментации всего рынка целесообразно выделить сегменты товаров потребительского рынка или производственного назначения [52, 53]. Такая классификация важна, поскольку подчеркивает различия в характеристиках продуктов и последствия для маркетолога.
Для дальнейшего деления рынка на сегменты можно воспользоваться различными критериями в зависимости от следующих факторов:
· географического положения потребителей (регион, страна);
· типа потребителя (величина предприятия, интенсивность потребления, отрасль, место в производственном процессе);
· типа процесса, для которого приобретается продукция (административная деятельность, движение товара, производственный процесс);
· покупательского спроса (клиент/потенциальный клиент, связь с поставщиком, частота и величина закупок);
На рынках сбыта товаров широкого потребления используют другие критерии. Классическими являются следующие показатели:
· социально-экономические (образования, доходы);
· демографические (возраст, пол, состав семьи);
· географические.
Однако следует учитывать, что всех потребителей на рынке не так-то легко разделить по категориям. Поведение потребителя в последнее время становиться все более дифференцированным, возникают различные «стили жизни» внутри общества.
Для формирования сегментации рынка используются элементы таксономического анализа - построение диаграмм Чекановского. Исходным шагом, предопределяющим правильность конечных результатов, является оформление матрицы наблюдений. Эта матрица содержит наиболее полную характеристику изучаемого множества объектов и имеет вид:
(4.1)
Где - число объектов; - число признаков; - значение признака для объекта . Признаки, включенные в матрицу, могут быть неоднородны, поскольку описывают разные свойства объектов. Кроме того, различаются единицы их измерения. Поэтому надлежит выполнить предварительное преобразование, которое заключается в стандартизации признаков. Это преобразование производится в соответствии с формулой (2).
(4.2)
причём,
(4.3)
где
(4.4)
стандартное отклонение признака ; - стандартизованное значение признака для объекта .
После стандартизации переменных переходят к процедуре - расчету матрицы расстояний с учетом всех элементов матрицы наблюдений. Чаще всего для этого расчета используется средняя абсолютная разность значений признаков
(4.5)
Матрицу расстояний можно записать в следующем виде
(4.6)
Здесь символ обозначает расстояние между элементами и .
Дальнейшее преобразование вышеприведенной матрицы заключается в том, что исчисленные расстояния разбиваются на классы по заранее установленным интервалам. Затем каждому выделенному классу присваивают условный знак. Преобразованная таким образом таблица называется неупорядоченной диаграммой Чекановского (таблица 4.1).
Таблица 4.1 Неупорядоченная диаграмма Чекановского
|
Номера единиц |
1 |
2 |
... |
||
|
1 |
X |
Y |
Y |
X |
|
|
2 |
Y |
Y |
X |
Y |
|
|
... |
... |
... |
... |
... |
|
|
w |
Y |
Y |
Y |
X |
В приведенной неупорядоченной диаграмме очередность записи единиц целиком случайна. На это указывает явственный разброс символов, обозначающих разницу между изучаемыми единицами: наименьшее численное расстояние - X наибольшее расстояние, т.е. пары единиц, наиболее разнящиеся между собой, - Y. Для их линейного упорядочения следует произвести перегруппировку знаков и Y. Перегруппировка должна выполняться таким образом, чтобы указанные знаки оказались как можно ближе к главной диагонали диаграммы. С этой целью строки и столбцы таблицы переставляются до тех пор, пока не получится упорядоченная диаграмма.
4.3 Методика расчёта ёмкости сегмента рынка
В общеэкономическом плане под рынком понимается место, где собираются для совершения акта купли-продажи как продавцы, так и покупатели, все субъекты купли-продажи определенных товаров [51]. В маркетинге обычно под рынком понимается совокупность всех потенциальных потребителей, испытывающих потребность и имеющих возможность ее удовлетворить в товарах определенной отрасли.
Промышленный рынок представляет собой совокупность взаимоотношений между деятелями рынка (производители, посредники, потребители, банки, государственные органы, индивидуалы - агенты, брокеры, и т.п., фирмы, предлагающие услуги, и т.д.), осуществляемые в границах определенной территории в определенный момент времени.
Среди параметров рынков обычно рассматриваются:
· ёмкость (максимальное количество товара, которое может потребить рынок);
· объем спроса;
· объем предложения;
· цена;
· объем запасов у производителя;
· объём запасов у потребителя;
· структура потребителей;
· структура производителей;
· каналы товародвижения, используемые на данном рынке.
Ёмкость рынка - важнейший параметр, который может быть определен разными методами:
1) исходя из структурных характеристик;
2) по индексу исследовательской панели;
3) по интенсивности требований;
4) на основе суммирования продаж.
1. Определение ёмкости рынка исходя из его структурных характеристик. В расчет принимаются: общий объем производства продукции ; величина экспорта продукции государственнымии негосударственными торговыми организациями; государственный и негосударственный импорт ; данные об остатках продукции на начало и конец анализируемого периода на складах производственных и торговых организаций , ; изменение государственных запасов за тот же период , . Перечисленные данные позволяют установить суммарную ёмкость анализируемого рынка
(4.7)
2. Определение ёмкости рынка по индексу исследовательской панели. Для расчета ёмкости рынка с помощью панели продавцов необходимо знать: общее количество розничных магазинов, торгующих анализируемой продукцией ; количество розничных магазинов, входящих в панель ; период, за который собираются данные по панели , мес.; остатки продукции на складах каждого магазина, включенного в панель, на начало и конец исследуемого периода , ; объем продаж в рассматриваемый период . Расчет ведется по формуле
(4.8)
3. Определение среднегодовой ёмкости рынка на основе данных об интенсивности потребления товара
(4.9)
где - число потребителей продукции; - кратность покупок, определяемая как средняя величина продаж товара одному потребителю; средняя продолжительность полного цикла эксплуатации товара, годы.
Однозначно определить фактическое число потребителей непросто. Один и тот же товар на рынке могут приобретать физические лица, семьи, сервисные организации и т.д., и для каждого из потребителей кратность покупок различна.
В связи с тем, что потенциальный потребитель может быть реальным только при определенных обстоятельствах, предварительно выявляются критерии, позволяющие провести между ними границу.
К числу таких критериев относятся цена товара (сопоставление цены и бюджета потребителя), географическое размещение потребителей, необходимость поставки товара, возможность совместного использования товаров (для оценки потребления автопокрышек может быть использовано, например, количество автомобилей данного класса и/или пройденный километраж) и др.
Срок эксплуатации товара - обязательная характеристика его маркировки. Для товаров с длительным периодом эксплуатации в качестве используется срок полной амортизации изделий. В связи с тем, что реальный срок эксплуатации изделий часто превышает период полной их амортизации, его целесообразно корректировать на средний коэффициент изношенности парка изделий данного класса.
4. Определение ёмкости рынка на основе суммирования первичных, повторных и дополнительных продаж. Всех потребителей товара можно разделить на тех, кто: впервые приобретает данную продукцию (они формируют рынок первичных продаж - ), повторно покупает товар на замену старого (повторные или вторичные продажи - ), приобретает второй, третий и последующие экземпляры товара дополнительно к уже имеющемуся (дополнительные продажи - ). Тогда общий объем реализации (емкость рынка) будет определяться так
(4.10)
Для каждой конкретной фирмы продажи распределены во времени: повторные и дополнительные продажи могут иметь место только в том случае, если были первичные. Однако на рынке в целом в каждый фиксированный момент присутствуют все три типа покупателей. Вот почему для оценки емкости рынка большое значение имеет измерение их активности.
4.4 Товарно-рыночные стратегии маркетинга
Различают три разновидности товарно-рыночной стратегии маркетинга: недифференцированный маркетинг, дифференцированный маркетинг и концентрированный маркетинг.
Дифференцированный маркетинг - выступление в нескольких сегментах рынка с разработкой отдельного предложения для каждого из них. Так, корпорация «Дженерал моторс» стремится выпускать автомобили «для любых кошельков, любых целей, любых лиц». Предлагая разнообразные товары, она надеется добиться роста сбыта и более глубокого проникновения на каждый из осваиваемых ею сегментов рынка. Она рассчитывает, что благодаря упрочению позиции в нескольких сегментах рынка ей удастся идентифицировать в сознании потребителя фирму с данной товарной категорией. Более того, она рассчитывает на рост повторных покупок, поскольку именно товар именно товар фирмы соответствует желаниям потребителей, а не наоборот. К практике дифференцированного маркетинга прибегает все большее число фирм. Для дифференцированного маркетинга характерно: ориентация на два или несколько сегментов через различные маркетинговые программы, приспособление к каждому сегменту, диапазона цен для каждой группы потребителей.
Недифференцированный маркетинг - обращение ко всему рынку сразу с одним и тем же предложением в противовес сосредоточению усилий на одном сегменте. В этом случае фирма концентрирует усилия не на том, чем отличаются друг от друга нужды клиентов, а на том, что в этих нуждах общего. Она разрабатывает товар и маркетинговую программу, которые покажутся привлекательными максимально большему числу покупателей. Она полагается на методы массового распределения и массовой рекламы. Она стремится придать товару образ превосходства в сознании людей. В качестве примера недифференцированного маркетинга можно привести действия фирмы «Херши», которая несколько лет назад предложила одну марку шоколада в расчете на всех. Фирма, прибегающая к недифференцированному маркетингу, обычно создает товар, рассчитанный на самые крупные сегменты рынка. Для недифференцированного маркетинга характерно: одна общая цена для всех потребителей, общая программа маркетинга для различных типов потребителей.
Концентрированный маркетинг - концентрация маркетинговых усилий на большой доле одного или нескольких субрынков в противовес сосредоточению их на небольшой доле большого рынка. Можно привести несколько примеров такого концентрированного маркетинга. Фирма «Фольксваген» сосредоточила свои усилия на рынке малолитражных автомобилей, фирма «Хьюлет Паккард» - на рынке дорогих калькуляторов. Благодаря концентрированному маркетингу фирма обеспечивает себе прочную рыночную позицию в обслуживаемых сегментах, поскольку она лучше других знает нужды этих сегментов и пользуется определенной репутацией. Более того, в результате специализации производства, распределения и мер по стимулированию сбыта фирма добивается экономии во многих сферах своей деятельности. Для концентрированного маркетинга характерно: ориентация на конкретную группу потребителей через специализированную программу маркетинга, приспособление цены и предназначение товара для одной группы потребителей.
4.5 Практическая часть
Резкое развитие компьютерных технологий за последнее десятилетие привело к тому, что практически ни одна область не обходиться без их применения. Также претерпел изменения и качественный состав передаваемой информации. В настоящее время появляется всё больше областей, в которых человек непосредственно контактирует с компьютером, что накладывает дополнительные требования на системы приёма, передачи и обработки информации. Исследования, по результатам которых будет разработано программное обеспечение, позволяющее распознавать психоэмоциональное состояние, обеспечат более полное использование информации, а также внесут вклад в развития интерфейса «человек-компьютер».
Выделяем потребителей программы:
1. Производители высокотехнологичных устройств, робототехники, для которых важным этапом в производстве является создание интерфейса, реагирующего на проявление различных эмоций человека, и позволяющего, в зависимости от психоэмоционального состояния, выполнять различные команды и действия. Примером может служить разработка японских учёных, робот Ифбот [54]. По утверждению разработчика, Ифбот может анализировать голос собеседника, выделяя эмоциональную составляющую, и на основе полученной информации строить диалог на уровне пятилетнего ребенка. Игрушка способна распознать до сорока разных «эмоций», а также запомнить некоторые привычки собеседника.
Подобные документы
Детерминанты эмоциональной напряженности. Подходы к исследованию проблемы проявления в речи состояния эмоциональной напряженности. Практические рекомендации органам по работе с личным составом по учету негативных эмоциональных состояний военнослужащих.
дипломная работа [4,1 M], добавлен 13.06.2012Психические состояния, отражающие в форме переживания позитивное или негативное отношение человека к окружающему миру. Первичные и вторичные эмоции. Расстройства в эмоциональной сфере, патологические состояния. Исследование эмоций в норме и патологии.
презентация [239,6 K], добавлен 06.04.2014Теоретические основы изучения эмоциональной сферы личности младшего школьника, значение эмоций и их роль в жизнедеятельности человека. Эмпирическое исследование тревожности как негативного эмоционального состояния, интерпретация результатов исследования.
дипломная работа [2,5 M], добавлен 16.06.2011Понятие человеческих эмоций и изучение их функций. Особенности эмоциональной сферы личности в подростковом возрасте. Характеристика тревожности и проведение эмпирического исследования эмоциональной сферы подростков. Значение эмоций в жизни ребенка.
контрольная работа [38,5 K], добавлен 01.06.2014Клинико-психологическая характеристика тревожно-депрессивного синдрома. Разработка программы групповой коррекционной работы с использованием музыкальных средств и оценка динамики психоэмоционального состояния лиц с тревожно-депрессивным синдромом.
дипломная работа [553,7 K], добавлен 08.11.2012Стенические и астенические эмоции как фактор эмоционального и психологического состояния. Влияние эмоций на интеллект и волю, взрывчатые аффективные реакции. Иерархия эмоций по эмоциональной устойчивости и аффектные патологии. Дистимия и гипотимия.
контрольная работа [20,5 K], добавлен 18.01.2010Общая характеристика эмоциональной сферы человека. Определение эмоционального состояния. Основные виды эмоций, их роль в развитии человека. Характеристика факторов, вызывающих эмоции. Положительное и отрицательное влияние эмоций и чувств на человека.
контрольная работа [61,6 K], добавлен 26.10.2014Характеристика эмоциональной сферы человека: определение эмоционального состояния. Виды чувственной среды и состояние личности при переживании эмоций. Положительное и отрицательное влияние переживаний и исследование уровня эмоциональности сотрудников.
реферат [58,9 K], добавлен 28.10.2010Психоэмоциональные особенности детей с церебральным параличом. Классификация форм ДЦП. Средства физического воспитания для коррекции психоэмоционального состояния у детей с церебральным параличом: подвижные игры, пальчиковая гимнастика, массаж.
дипломная работа [3,6 M], добавлен 30.09.2012Эмоциональные состояния человека. Социальные нормы поведения. Эмоции и развитие личности. Теории, функции, классификация и виды эмоций. Ситуативная и личностная тревожность человека. Опросник Спилбергера и исследование тревожности по методике Ханина.
курсовая работа [77,7 K], добавлен 24.06.2009
