語(yǔ)音作為人類日常生活交流的主要方式,承載著說(shuō)話人豐富的情感信息。真正意義上的人工智能需要機(jī)器從情感層面充分理解人類的意圖,因此語(yǔ)音情感識(shí)別在未來(lái)的人工智能領(lǐng)域具有廣闊的應(yīng)用前景。目前,在語(yǔ)音情感識(shí)別的基本框架下,尋找一種具有高區(qū)分度的語(yǔ)音情感特征和構(gòu)建高效的識(shí)別模型是當(dāng)今研究的熱點(diǎn)問(wèn)題,它們的好壞直接影響著整個(gè)系統(tǒng)的識(shí)別效果。本文針對(duì)多種情感識(shí)別的情況,從特征參數(shù)和模型兩個(gè)方面出發(fā),提出了基于特征篩選和決策樹(shù)SVM的語(yǔ)音情感識(shí)別方法以及基于DNN-決策樹(shù)SVM的語(yǔ)音情感識(shí)別方法。本文的主要研究工作如下:(1)通過(guò)對(duì)語(yǔ)音情感識(shí)別的研究背景以及研究現(xiàn)狀的充分學(xué)習(xí),熟練掌握了語(yǔ)音情感識(shí)別的基本框架以及常用的識(shí)別方法。本文介紹了語(yǔ)音情感識(shí)別領(lǐng)域中的常用語(yǔ)料庫(kù)、語(yǔ)音預(yù)處理技術(shù)以及常用的特征參數(shù),并分析了各類特征參數(shù)的特性。除此之外,本文還介紹了特征參數(shù)的統(tǒng)計(jì)變量計(jì)算方法以及歸一化方法,為后續(xù)的研究工作打下了扎實(shí)的基礎(chǔ)。(2)在多種情感的識(shí)別任務(wù)中,由于情感間的混淆度增大而導(dǎo)致系統(tǒng)的整體識(shí)別率降低。針對(duì)此問(wèn)題,本文提出了Fisher特征篩選決策樹(shù)支持向量機(jī)(SVM)模型的語(yǔ)音情感識(shí)別方法。該方法首...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語(yǔ)注釋表
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容與安排
第二章 語(yǔ)音情感識(shí)別技術(shù)概述
    2.1 語(yǔ)音情感識(shí)別系統(tǒng)的基本結(jié)構(gòu)
    2.2 常用的情感語(yǔ)料庫(kù)
        2.2.1 離散情感語(yǔ)料庫(kù)
        2.2.2 維度情感語(yǔ)料庫(kù)
    2.3 語(yǔ)音信號(hào)的預(yù)處理技術(shù)
        2.3.1 預(yù)加重
        2.3.2 分幀與加窗
        2.3.3 端點(diǎn)檢測(cè)
    2.4 語(yǔ)音情感識(shí)別中的常用特征參數(shù)
        2.4.1 能量
        2.4.2 短時(shí)過(guò)零率
        2.4.3 基音頻率
        2.4.4 梅爾倒譜系數(shù)
        2.4.5 傅里葉系數(shù)
    2.5 統(tǒng)計(jì)特性
    2.6 歸一化方法
    2.7 本章小結(jié)
第三章 基于特征篩選決策樹(shù)SVM的語(yǔ)音情感識(shí)別
    3.1 引言
    3.2 支持向量機(jī)
    3.3 決策樹(shù)SVM的構(gòu)建策略
    3.4 SVM參數(shù)尋優(yōu)算法
        3.4.1 粒子群優(yōu)化算法
        3.4.2 遺傳算法
    3.5 特征篩選方法
        3.5.1 主成分分析法
        3.5.2 Fisher判決準(zhǔn)則
    3.6 基于特征篩選決策樹(shù)SVM模型的構(gòu)建
    3.7 實(shí)驗(yàn)仿真與結(jié)果分析
        3.7.1 實(shí)驗(yàn)語(yǔ)料庫(kù)及實(shí)驗(yàn)環(huán)境
        3.7.2 特征參數(shù)篩選及維數(shù)選擇
        3.7.3 本章方法與其他方法的性能比較
        3.7.4 SVM參數(shù)對(duì)識(shí)別性能的影響
    3.8 本章小結(jié)
第四章 基于DNN-決策樹(shù)SVM的語(yǔ)音情感識(shí)別系統(tǒng)
    4.1 引言
    4.2 深度學(xué)習(xí)發(fā)展史
    4.3 深度學(xué)習(xí)理論基礎(chǔ)
        4.3.1 基于RBM的預(yù)訓(xùn)練
        4.3.2 精細(xì)調(diào)整
    4.4 深度神經(jīng)網(wǎng)絡(luò)的參數(shù)說(shuō)明
        4.4.1 預(yù)處理方式
        4.4.2 批量塊大小的選擇
        4.4.3 學(xué)習(xí)速率
        4.4.4 網(wǎng)絡(luò)結(jié)構(gòu)
    4.5 提取瓶頸特征的DNN網(wǎng)絡(luò)
    4.6 基于DNN-決策樹(shù)SVM的語(yǔ)音情感識(shí)別系統(tǒng)
    4.7 實(shí)驗(yàn)仿真與結(jié)果分析
        4.7.1 實(shí)驗(yàn)數(shù)據(jù)及實(shí)驗(yàn)環(huán)境
        4.7.2 不同網(wǎng)絡(luò)參數(shù)值的對(duì)比實(shí)驗(yàn)
        4.7.3 瓶頸層特征與傳統(tǒng)特征的對(duì)比實(shí)驗(yàn)
        4.7.4 DNN-SVM網(wǎng)絡(luò)與DNN-決策樹(shù)SVM網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)
    4.8 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝



本文編號(hào)：3814000