| 摘要 | 第4-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第8-10页 |
| 图目录 | 第10-13页 |
| 表目录 | 第13-14页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 课题研究的背景和意义 | 第14-16页 |
| 1.1.1 课题研究的背景 | 第14页 |
| 1.1.2 课题研究的意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-22页 |
| 1.2.1 E-Learning简介及研究现状 | 第16-18页 |
| 1.2.2 情感数字化建模研究现状 | 第18-20页 |
| 1.2.3 E-Learning中情绪分析的研究现状 | 第20-22页 |
| 1.3 主要研究内容 | 第22页 |
| 1.4 论文的章节结构 | 第22-24页 |
| 第二章 E-Learning中建模的理论基础 | 第24-38页 |
| 2.1 情绪的描述及维度化理论 | 第24-27页 |
| 2.1.1 情绪与学业情绪的基本概念 | 第24-25页 |
| 2.1.2 情绪的空间描述及维度 | 第25-27页 |
| 2.2 情感计算及其在表情识别中的研究 | 第27-28页 |
| 2.3 OCC模型和三维学业情绪空间 | 第28-30页 |
| 2.3.1 OCC情绪模型 | 第28-29页 |
| 2.3.2 具有反向情绪的三维学业情绪空间 | 第29-30页 |
| 2.4 情绪识别模型整体框架 | 第30-31页 |
| 2.5 统计学习理论 | 第31-36页 |
| 2.5.1 理论背景 | 第31-32页 |
| 2.5.2 机器学习的基本问题 | 第32-34页 |
| 2.5.3 统计学习理论的核心内容 | 第34页 |
| 2.5.4 VC维(Vapnik Chervonenkis Dimension) | 第34-35页 |
| 2.5.5 推广性的界 | 第35-36页 |
| 2.5.6 结构风险最小化 | 第36页 |
| 2.6 本章小结 | 第36-38页 |
| 第三章 E-Learning情绪样本数据分析 | 第38-54页 |
| 3.1 理论背景 | 第38-39页 |
| 3.2 对人脸面积样本数据分析 | 第39-44页 |
| 3.3 对瞳孔间距样本数据分析 | 第44-47页 |
| 3.4 对眼帘间距样本数据分析 | 第47-51页 |
| 3.5 对嘴角弧度样本数据分析 | 第51-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 E-Learning中情绪识别模型的构建 | 第54-67页 |
| 4.1 理论背景 | 第54-56页 |
| 4.2 支持向量机的基本原理 | 第56-60页 |
| 4.2.1 最优分类面和广义最优分类面 | 第56-58页 |
| 4.2.2 核心理论 | 第58-59页 |
| 4.2.3 相关领域的应用研究 | 第59-60页 |
| 4.3 建立SVM对趋避度、振作度和愉悦度分析模型 | 第60-66页 |
| 4.3.1 趋避度模型 | 第60-62页 |
| 4.3.2 振作度模型 | 第62-64页 |
| 4.3.3 愉悦度模型 | 第64-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 E-Learning中综合情绪模型的实现 | 第67-73页 |
| 5.1 在三维情绪空间中生成综合情绪 | 第67-69页 |
| 5.1.1 综合情绪计算方法 | 第67-68页 |
| 5.1.2 对综合情绪计算公式权重的推导 | 第68-69页 |
| 5.2 系统的开发环境 | 第69-71页 |
| 5.2.1 ECLIPSE简介 | 第69-70页 |
| 5.2.2 STRUTS简介 | 第70页 |
| 5.2.3 HIBERNATE简介 | 第70-71页 |
| 5.3 系统的实现 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 论文所做工作 | 第73-74页 |
| 6.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 附录一 | 第79-80页 |
| 附录二 | 第80-86页 |
| 致谢 | 第86-87页 |
| 在学期间研究成果 | 第87-96页 |
