闫 菲，牛秦洲，张照辉

(桂林理工大学 信息科学与工程学院，广西 桂林 541004)

智能教学系统(ITS)从概念形成到现在一直是计算机科学和教育科学领域结合的一个研究热点。此后情感识别成为最大的研究热点，进而也产生了一些适用的方法，比如可穿戴情感识别设备[1]等；还出现了一些关于情感教学系统(ATS)的研究[2]。但目前这些研究还处于起步阶段，仍存在一定问题。本文将基于事例的推理(CBR)运用于情感智能教学中，首先针对事例检索算法中最近邻算法判断盲目、计算量大等问题，改进为C-均值聚类算法；再针对C-均值聚类对初值敏感等缺点，二次优化为改进的最大最小距离法；最后将改进的算法运用于面部表情子表情模板的分类中，以提高表情识别率。

1基于事例的推理(CBR)和事例的检索

1.1基本原理

CBR的理念是将新问题抽象为一个新事例，通过从事例库中检索最相近的事例，参考其解决方案作为新事例的解决方法，在此基础上再进行事例修正。修正后的新事例及其解决方法继续存入事例库中，实现解决问题经验的学习[3]。CBR系统是一个完整的循环，在事例的提取(Retrieve)、重用(Reuse)、修正(Revise)、保存(Retain)[4]过程中，事例检索是重要环节，而且检索本身具有一定的模糊性，大多数情况下检索到与新问题类似的事例，然后根据新旧事例之间的相似程度判断推理的可信程度。

1.2 基于聚类的改进算法

在CBR系统中事例检索广泛采用的是最近邻法，其基本原理是：通过判断新事例与每一旧事例的欧氏距离，找出相似的事例。……