文档介绍：国内图书分类号:TP39
国际图书分类号:
工学硕士学位论文
基于神经网络的语音情感识别技术研究
硕士研究生: 韩文静
导
师: 李海峰教授
申请学位: 工学硕士
学科、专业: 计算机科学与技术
所在单位: 计算机科学与技术学院
答辩日期: 2007 年 7 月
授予学位单位: 哈尔滨工业大学
Classified Index:TP39
.
:
A Dissertation for the Degree of M. Eng.
RESAERCH ON TECHNIQUES OF
WORK BASED SPEECH
EMOTION RECOGNITION
Candidate:
Supervisor:
Academic Degree Applied for:
Specialty:
Date of Defence:
Han Wenjing
Prof. Li Haifeng
Master of Engineering
Computer Science and Technology
July, 2007
Degree-Conferring-Institution: Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文
摘要
情感在人类的感知、决策等过程中扮演着重要角色。在人工智能迅速发
展的今天,开发具有情感智能的人机交互方式有着极其重要的理论和实际意
义。语音作为人类最重要的信息传递方式,携带着丰富的情感信息,目前基
于语音信号的情感识别研究已受国内外相关研究机构的广泛关注。本文针对
四类常见的情感状态:生气、高兴、悲伤和惊奇展开语音情感识别研究。
首先在现有语料库的基础上,对声学韵律特征和共振峰特征的情感区分
能力进行了分析,并选择在基频、能量、语速和共振峰等参数的基础上衍生
出情感特征。接下来使用 Elman 反馈网络进行语音情感识别,与常用的
MLP(Multiply Layers Preceptor)相比该模型能够处理情感时序特征,更接近
人耳连续的听觉机制。情感识别领域中广泛使用的情感特征按照时间粒度的
差异可分为基于语句(utterance based)的全局统计特征和基于语音帧(frame
based)瞬时特征,但这两类特征的时间粒度选取是否合理并未得到验证,于
是提出使用基于语段的特征用于语音情感识别,并给出“最佳识别段长”的
概念。实验表明,系统识别率同语段长度有着较强的相关性,系统识别率在
使用段长为 140 帧/段的语段特征时达到最高,与使用全局特征相比系统性
能提高了 %。通过比较使用全局统计特征时的识别结果和使用基于语段
的时序特征的识别结果,可以得出这样的结论:全局统计特征和时序特征侧
重于在不同的情感维度上区分情感。最后,为进一步提高系统识别性能,构
建了 Global Control Elman 网络将两类特征相融合。经过特征融合后的系统
识别率与分别单独使用全局统计特征和时序特征均有所提高,达到 %。
上述相关研究工作为后期进行深入的语音情感识别技术研究打下基础。
关键词
语音情感识别;声学特征;人工神经网络;Elman 网络
-I-
哈尔滨工业大学工学硕士学位论文
Abstract
Emotions play a significant role in human perception and decision making.
Along with the rapid development of artificial intelligence these years, it has
great important theoretical and practical significance to improve human-machine
interaction by using emotion intelligence. Speech as the most important medium
of munication contains lots of emotional information of the speakers,
so how to automatically recognize emotional states from speech is the subject of
attention by researchers from related research institutions at home and abroad.
Research of s