文档介绍：在分类器的选择上,本文选取协同网络分类器和本文提出的多模式支持向量机一摘要本文还研究了模式识别分类器与融合算法的结合。把自适应权值融合方法与鲒В莘掷嗥情感和情绪在人类生活中起着很重要的作用,是自身生活和社会交往不可缺少的重要组成部分。随着现代科学的发展,对人工智能的要求也越来越高,对情感信息的处理已经成为人工智能发展的一个重要研究方向。在传统的语音信号处理过程中,计算机并没有被赋予理解操作者情绪的能力,只局限于理解语音信号的表层符号信息,更不能实现类似人类交流之间的情感互动,而语音情感信息处理这个研究方向的最终目的就是要赋予人工智能类似人一样的观察、理解语音信号中的情感信息,表达各种情感的能力,它是综台听觉生理学、心理学、认知科学以及与信息处理等多学科的研究课题。本文是在多分类器融合基础上的语音情感识别,另外在情感数据库的建设检验、情感特征参数的提取,有效性评价和分类,模式识别等方面也进行了研究。本文首先对情感的定义和分类进行了介绍,然后对语音情感信息处理领域的现状和存在的问题进行了总结,了解了语音情感分析处理的研究进展和一些研究成果。然后考察了现有的情感数据库的建立方法,包括材料的选取、收集语句的方式、初始样本的进一步检验等,从语音情感识别的角度对数据库的建立提出了一些自己附观点,并将其作为我们创建中文语音情感数据库的基础,然后搜集了包括单词、短旬和段落在内的喜、怒、惊、悲、恐、中性这六种不同情感的表演语句,最后运用模糊数学和层析分析法的知识对语句的主观评价进行分析研究,在一定程度上降低了主观因素的干扰。选取了基音、共振峰、能量、说话速率和语音波形与基音曲线的分数维作为特征,其中对最大值和最小值的提取方法进行了改进,得到更有效的最大值和最小值参数。然后用一种基于模糊熵理论的综合评价指标对特征参数的有效性进行了度量。最后对特征进行分类,以进入后续的融合处理。近邻法掷嗥鹘形謇嗲楦產的识别,并在多模式掷嗥骱“盨分类器,协同网络分类器和基于最大可分性的掷嗥髦渥髁硕员龋验证实了多模式掷嗥鞅取癘盨分类器要好,协同网络分类器的识别结果比基于最大可分性的掷嗥鞯氖侗鸾峁辛嗣飨缘母纳啤相结合;多分类器综合融合方法和协同神经网络算法相结合,情感识别率均得到了不同程度的改善。平均识别率,女性最高提高了ィ行宰罡咛岣吡.%。另外本文还把执同识别的结果与自适应权值融合算法相结合,实验证明此种融合比多分类器综合融合的协同情感识别得到的结果要好一些,女性五种情感共提高个百分点,男性共提高霭俜值悖得髯允视θㄖ等诤系姆椒ㄒ稍优于多分类器综合融合的算法。多组实验都证明了融合方法的台理性,融合后的情感识别率得到了提高。关键词:语音情感识别多分类器融合模糊熵支持向量机诜ㄐ绶掷嗥鞣质
知识水坝***@pologoogle为您整理
譵緋打躺,,辒甋甀琣辬鵑甌現甌口,籧甋‘‘’,甌’,簍誷..℃瓸瓸畇..,篠扛·瑃..Ⅱ
知识水坝***@pologoogle为您整理
附图目录蚋锄¨心∽州“㈣¨信息融吾素巯的功琵溪堑⋯⋯⋯⋯⋯.⋯薄А彼浩础牝们“¨%С¨”所有特征多模式甂方法情感识别结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯函数,輐⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯协同情感识别融合实验比较图特征层状态融合....⋯⋯⋯⋯⋯⋯⋯⋯⋯特征层目标特性融合⋯⋯.融合处理过程顶层模型⋯⋯⋯⋯⋯⋯⋯.集中式融合⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一分布式融合⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯识别算法的术语⋯⋯:⋯⋯⋯⋯⋯⋯⋯.不同的基音最大值最小值提取方法比较图..计算盒维数示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一盒维数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯女性不同情感语句的盒维数比较匾⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.男性不同情感语句的盒维数比较图⋯⋯⋯..女性不同情感基音曲线的盒维数比较匾⋯⋯男性不同情感基音曲线的盒维数比较图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯最优分类面示意阻⋯⋯⋯⋯⋯⋯⋯⋯⋯所有特征“.”椒ㄇ楦惺侗鸾峁ā多模式发麼情感识别融合前后比较图多模式楦惺侗鹎傲街秩诤辖峁肴诤锨敖峁冉贤肌多模式情感识别三种融合结果比较图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。协同识别网络结构图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯~⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。协同网络情感识别率⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯最大可分性楦惺侗鹇省协同情感识别融合实验图一⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯....⋯⋯⋯⋯⋯⋯.协同情感识别融台实验图二⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.协同情感识别融合实验比较图二⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图图图图图图图图图图图图图图图图图圈图图图图图图图圈图图目录⋯。......。。。。.....⋯.