本发明属于新闻评论情绪技术领域，尤其涉及基于云计算的个性化在线新闻评论情绪预测系统。
背景技术：
随着互联网的快速发展与Web 2.0时代的到来,在线新闻作为主要的网络信息载体,已经成为人们获取新闻资讯的主要渠道。其内容与形式也不断创新,允许用户通过情绪投票直接抒发自己对新闻事件的情绪。了解用户对新闻事件的态度和情绪变化,可以辅助在线新闻服务商理解用户偏好,同时有助于实现网络舆情分析和监控。因此,如何准确地对用户的情绪进行预测,具有重要的理论意义和应用价值。
对在线新闻进行情绪分析，自动预测读者在阅读新闻后可能会产生的情绪，在舆情监控、信息检索等领域都具有重要的理论意义和研究价值。一方面可以用于舆情的早期预警，在线新闻己经成为人们生活中不可或缺的新闻信息来源。任何国内外新闻事件都有可能引发网民产生巨大的舆论压力，因此对网络舆情进行监控对国家的安定与发展具有重大的实际意义。但是目前舆情监控大多是基于热点事件发现，在新闻成为热点之后，通过对其进行跟踪监测实现对舆情的监控。对在线新闻进行情绪分析，预测读者在阅读新闻后可能产生的情绪，可以在新闻成为热点之前，及时预测发现可能导致网民产生负面情绪的新闻，而实现舆情的早期预警。随着时代的不断进步，发明一种基于云计算的个性化在线新闻评论情绪预测系统，去帮助新闻工作者以及媒体工作人员撰写出高质量的新闻文稿，供人们愉悦地阅读，很有实际意义和应用前景。
技术实现要素：
本发明为解决公知技术中存在的技术问题而提供一种结构简单、安装使用方便、提高工作效率的一种基于云计算的个性化在线新闻评论情绪预测系统。
本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种基于云计算的个性化在线新闻评论情绪预测系统，包括中央处理器，所述中央处理器与数据分析模块连接，所述数据分析模块用于分析用户的新闻在线评论表情数据，所述数据分析模块与数据分类模块连接，所述数据分类模块用于对用户的情绪表情进行科学合理的分类，所述数据分类模块与数据采集模块连接，所述数据采集模块用于及时有效地采集用户的在线新闻评论情绪数据，所述数据采集模块与测试平台连接，所述测试平台用于给用户提供新闻浏览的工具，所述中央处理器与安全控制模块连接，所述安全控制模块用于对计算机进行安全保护，所述中央处理器与测试评估模块连接，所述测试评估模块用于对用户的情绪数据进行预评估，所述测试评估模块与情绪分类模块连接，所述情绪分类模块用于对已经分析好的情绪进行合理归类，所述情绪分类模块与情绪存储模块连接，所述情绪存储模块用来储存已经分类好的用户情绪数据。
优选的，所述中央处理器通过无线通讯模块与远程监控终端信号连接。
优选的，所述远程监控终端包括电视或手机或电脑。
优选的，所述测试平台包括手机或电脑。
进一步，所述数据采集模块设置有数据压缩模块，所述数据压缩模块的数据压缩方法的步骤为：
步骤一、在编码时，首先根据E1n+1＝E1n+dn+1式计算出E1值，再根据和式计算出拟合残差，计算这两步时，均需要对结果进行越限判断，判断E1是否越限是为了避免其超过传感器数据总线上限而造成溢出；判断残差是否越限是为了实现分段拟合，以提高拟合精度；
步骤二、当一段输入数据的拟合残差全部计算完后，就可以构造出{dn,E1n,DFR3,DFR4,…DFRn}所示的数据包，通过S-Huffman编码方法对其进行熵编码，然后发送出去，接收端解码时，先将接收到的一组数据解码，还原出{dn,E1n,DFR3,DFR4,…DFRn}式所示的数据包，然后根据式计算并还原出所有原始数据。
进一步，所述中央处理器设置有同步正交跳频信号盲源分离模块，所述同步正交跳频信号盲源分离模块的同步正交跳频信号盲源分离方法包括：
步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频电台的跳频信号，对每一路接收信号进行采样，得到采样后的M路离散时域混合信号m＝1,2,…,M；
步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵p＝0,1,…,P-1,q＝0,1,…,Nfft-1，其中P表示总的窗数，Nfft表示FFT变换长度；(p，q)表示时频索引，具体的时频值为这里Nfft表示FFT变换的长度，p表示加窗次数，Ts表示采样间隔，fs表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜Nfft，且Kc＝Nfft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；
步骤三，对步骤二中得到的跳频混合信号时频域矩阵进行预处理；对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中
步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；
步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；对第l(l＝1,2,…)跳的所有时刻pl，估计该跳各跳频源信号的时频域数据，计算公式如下：
步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；对不同跳频点之间的时频域跳频源信号进行拼接，具体步骤如下：
估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：
表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即vc＝3×108米/秒；
判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：
其中mn(l)表示第l跳估计的第mn(l)个信号与第一跳估计的第n个信号属于同一个源信号；
将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Yn(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,Nfft-1，即
步骤七，根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Yn(p,q),q＝0,1,2,…,Nfft-1做Nfft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用yn(p,qt)(qt＝0,1,2,…,Nfft-1)表示；
对上述所有时刻得到的时域跳频源信号yn(p,qt)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：
这里Kc＝Nfft/C，C为短时傅里叶变换加窗间隔的采样点数，Nfft为FFT变换的长度。
优选的，所述情绪存储模块内部设有存储器，且存储器的内存至少为1GB。
本发明具有的优点和积极效果是：由于本发明将中央处理器通过无线通讯模块与远程监控终端信号连接，而且远程监控终端包括电视或手机或电脑，智能化程度高，对在线新闻评论情绪预测比较方便，通过安全控制模块可以提高该系统的安全稳定性，测试平台包括手机或电脑，测试平台的范围较为广泛，该发明设计科学合理，智能化程度较高，操作简单方便，预测系统的安全稳定性较高，对在线新闻评论情绪准确度较高，实用性强，很有应用前景。
附图说明
图1是本发明实施例提供的结构示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹列举以下实施例，并配合附图详细说明如下。
下面结合图1对本发明的计算机图像处理设备的结构作详细的描述。一种基于云计算的个性化在线新闻评论情绪预测系统，包括中央处理器，所述中央处理器与数据分析模块连接，所述数据分析模块用于分析用户的新闻在线评论表情数据，所述数据分析模块与数据分类模块连接，所述数据分类模块用于对用户的情绪表情进行科学合理的分类，所述数据分类模块与数据采集模块连接，所述数据采集模块用于及时有效地采集用户的在线新闻评论情绪数据，所述数据采集模块与测试平台连接，所述测试平台用于给用户提供新闻浏览的工具，所述测试平台包括手机或电脑，所述中央处理器与安全控制模块连接，所述安全控制模块用于对计算机进行安全保护，所述中央处理器与测试评估模块连接，所述测试评估模块用于对用户的情绪数据进行预评估，所述测试评估模块与情绪分类模块连接，所述情绪分类模块用于对已经分析好的情绪进行合理归类，所述情绪分类模块与情绪存储模块连接，所述情绪存储模块内部设有存储器，且存储器的内存至少为1GB，所述情绪存储模块用来储存已经分类好的用户情绪数据，所述中央处理器通过无线通讯模块与远程监控终端信号连接，所述远程监控终端包括电视或手机或电脑。
进一步，所述数据采集模块设置有数据压缩模块，所述数据压缩模块的数据压缩方法的步骤为：
步骤一、在编码时，首先根据E1n+1＝E1n+dn+1式计算出E1值，再根据和式计算出拟合残差，计算这两步时，均需要对结果进行越限判断，判断E1是否越限是为了避免其超过传感器数据总线上限而造成溢出；判断残差是否越限是为了实现分段拟合，以提高拟合精度；
步骤二、当一段输入数据的拟合残差全部计算完后，就可以构造出{dn,E1n,DFR3,DFR4,…DFRn}所示的数据包，通过S-Huffman编码方法对其进行熵编码，然后发送出去，接收端解码时，先将接收到的一组数据解码，还原出{dn,E1n,DFR3,DFR4,…DFRn}式所示的数据包，然后根据式计算并还原出所有原始数据。
进一步，所述中央处理器设置有同步正交跳频信号盲源分离模块，所述同步正交跳频信号盲源分离模块的同步正交跳频信号盲源分离方法包括：
步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频电台的跳频信号，对每一路接收信号进行采样，得到采样后的M路离散时域混合信号m＝1,2,…,M；
步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵p＝0,1,…,P-1,q＝0,1,…,Nfft-1，其中P表示总的窗数，Nfft表示FFT变换长度；(p，q)表示时频索引，具体的时频值为这里Nfft表示FFT变换的长度，p表示加窗次数，Ts表示采样间隔，fs表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜Nfft，且Kc＝Nfft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；
步骤三，对步骤二中得到的跳频混合信号时频域矩阵进行预处理；对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中
步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；
步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；对第l(l＝1,2,…)跳的所有时刻pl，估计该跳各跳频源信号的时频域数据，计算公式如下：
步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；对不同跳频点之间的时频域跳频源信号进行拼接，具体步骤如下：
估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：
表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即vc＝3×108米/秒；
判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：
其中mn(l)表示第l跳估计的第mn(l)个信号与第一跳估计的第n个信号属于同一个源信号；
将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Yn(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,Nfft-1，即
步骤七，根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Yn(p,q),q＝0,1,2,…,Nfft-1做Nfft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用yn(p,qt)(qt＝0,1,2,…,Nfft-1)表示；
对上述所有时刻得到的时域跳频源信号yn(p,qt)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：
这里Kc＝Nfft/C，C为短时傅里叶变换加窗间隔的采样点数，Nfft为FFT变换的长度。
工作原理：工作时，中央处理器与数据分析模块连接，数据分析模块通过数据分类模块与数据采集模块连接，可以实现系统地对个性化在线新闻评论情绪进行科学合理的数据分析，用户只需要通过测试平台像手机或电脑均可以实现对个性化在线新闻评论情绪的分析，通过安全控制工程可以实现对该系统的安全性保护，可以防止一些病毒或插件对预测好的情绪数据进行破坏，大大地提高了对在线新闻评论情绪准确度，与此同时，给新闻编写工作者提供了科学高效的数据分析，工作人员可以通过手机或电脑或者电视就可以实现对该系统的远程操控，操作简单方便，智能化程度较高，情绪存储模块内部设有存储器，且存储器的内存至少为1GB，可以存储大量的个性化在线新闻评论情绪，大大地提高了在线新闻评论情绪准确度，该发明设计科学合理，智能化程度较高，操作简单方便，预测系统的安全稳定性较高，对在线新闻评论情绪准确度较高，实用性强，很有应用前景。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。