本文關(guān)鍵詞：極限學(xué)習(xí)機(jī)在語(yǔ)音情感識(shí)別中的應(yīng)用研究

  更多相關(guān)文章： 語(yǔ)音情感識(shí)別 極限學(xué)習(xí)機(jī) 核函數(shù)極限學(xué)習(xí)機(jī) 人工蜂群算法 選擇性集成

【摘要】：隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，計(jì)算機(jī)的智能化和人性化逐漸成為新的研究熱點(diǎn)，其中語(yǔ)音作為人與計(jì)算機(jī)交流的最簡(jiǎn)單方式，成為其實(shí)現(xiàn)的關(guān)鍵因素，本文重點(diǎn)研究了計(jì)算機(jī)的情感語(yǔ)音識(shí)別。所做的工作有以下幾點(diǎn)： 首先論文介紹了常用的幾種情感識(shí)別網(wǎng)絡(luò)模型原理及優(yōu)缺點(diǎn)，接下來(lái)將具有快速學(xué)習(xí)速度和良好泛化性能的極限學(xué)習(xí)機(jī)算法用于語(yǔ)音情感識(shí)別中，建立了基于極限學(xué)習(xí)機(jī)的廣義單隱層前饋神經(jīng)網(wǎng)絡(luò)識(shí)別模型（基本極限學(xué)習(xí)機(jī)ELM和核函數(shù)極限學(xué)習(xí)機(jī)KELM），同時(shí)對(duì)比SVM識(shí)別模型，對(duì)TYUT和EMO-DB兩情感語(yǔ)音庫(kù)中的三種情感高興、生氣和中性的識(shí)別效果進(jìn)行了分析。 接著就核函數(shù)極限學(xué)習(xí)機(jī)KELM性能進(jìn)一步分析，發(fā)現(xiàn)其參數(shù)對(duì)網(wǎng)絡(luò)性能具有重要影響，從而提出了采用人工蜂群算法優(yōu)化網(wǎng)絡(luò)參數(shù)；針對(duì)基本人工蜂群算法尋優(yōu)過(guò)程存在的種群多樣性降低和收斂速度變慢的缺點(diǎn)，提出了改進(jìn)的人工蜂群算法優(yōu)化KELM參數(shù)，對(duì)EMO-DB情感語(yǔ)音庫(kù)中的4種情感（高興、生氣、悲傷和中性）進(jìn)行識(shí)別實(shí)驗(yàn)，結(jié)果表明改進(jìn)人工蜂群算法優(yōu)化KELM參數(shù)的識(shí)別模型在時(shí)間上和泛化性能上均是最優(yōu)的。 最后針對(duì)基本極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)不夠穩(wěn)定的問(wèn)題，提出了選擇性集成極限學(xué)習(xí)機(jī)模型，先建立Bagging極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)和out-of-bag樣本；接著將每個(gè)基本ELM分類器對(duì)應(yīng)的權(quán)重組成的權(quán)重向量作為人工蜂群算法的種群個(gè)體，適應(yīng)度函數(shù)設(shè)為out-of-bag樣本輸入到具有不同權(quán)重向量的Bagging極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)中得到的泛化誤差，通過(guò)蜂群算法尋優(yōu)機(jī)制找到最優(yōu)的權(quán)重向量，剔除對(duì)應(yīng)權(quán)重值小于閾值的ELM分類器，對(duì)剩余的ELM分類器進(jìn)行集成；對(duì)EMO-DB情感語(yǔ)音庫(kù)中的4種情感（高興、生氣、悲傷和中性）進(jìn)行識(shí)別實(shí)驗(yàn)，同時(shí)對(duì)比基本極限學(xué)習(xí)機(jī)ELM，多數(shù)投票極限學(xué)習(xí)機(jī)V-ELM,集成極限學(xué)習(xí)機(jī)Bagging-ELM模型，結(jié)果表明本文建立的選擇性集成極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型，，在穩(wěn)定性和泛化性能上均優(yōu)于其它三種網(wǎng)絡(luò)模型。
【關(guān)鍵詞】：語(yǔ)音情感識(shí)別 極限學(xué)習(xí)機(jī) 核函數(shù)極限學(xué)習(xí)機(jī) 人工蜂群算法 選擇性集成
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN912.34
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 緒論10-16
• 1.1 課題研究背景和意義10-11
• 1.2 研究現(xiàn)狀11-12
• 1.2.1 語(yǔ)音情感識(shí)別研究現(xiàn)狀11-12
• 1.2.2 極限學(xué)習(xí)機(jī)研究現(xiàn)狀12
• 1.3 語(yǔ)音情感識(shí)別存在問(wèn)題12-13
• 1.4 本課題研究?jī)?nèi)容與論文安排13-16
• 第二章 語(yǔ)音情感識(shí)別系統(tǒng)理論16-28
• 2.1 語(yǔ)音情感庫(kù)16-17
• 2.2 語(yǔ)音情感特征17-21
• 2.2.1 基頻18
• 2.2.2 能量18
• 2.2.3 共振峰18-19
• 2.2.4 MFCC19-20
• 2.2.5 LPCC20-21
• 2.3 語(yǔ)音情感識(shí)別網(wǎng)絡(luò)21-26
• 2.3.1 隱馬爾可夫模型 HMM22-23
• 2.3.2 混合高斯模型法 GMM23-24
• 2.3.3 支持向量機(jī) SVM24-25
• 2.3.4 人工神經(jīng)網(wǎng)絡(luò) ANN25-26
• 2.4 本章小結(jié)26-28
• 第三章 極限學(xué)習(xí)機(jī)算法的研究及應(yīng)用28-38
• 3.1 基于 ELM 的單隱層前饋神經(jīng)網(wǎng)絡(luò)模型28-31
• 3.2 基于核函數(shù) ELM 的廣義單隱層前饋神經(jīng)網(wǎng)絡(luò)模型31-32
• 3.2.1 特征映射和核函數(shù)32
• 3.3 語(yǔ)音情感識(shí)別中的應(yīng)用32-36
• 3.3.1 情感數(shù)據(jù)庫(kù)32
• 3.3.2 情感特征提取32-33
• 3.3.3 實(shí)驗(yàn)結(jié)果及分析33-36
• 3.4 本章小結(jié)36-38
• 第四章 人工蜂群算法優(yōu)化 KELM 參數(shù)的研究及應(yīng)用38-52
• 4.1 人工蜂群算法38-40
• 4.1.1 蜂群算法生物學(xué)背景38-39
• 4.1.2 蜂群算法基本原理39-40
• 4.2 改進(jìn)的人工蜂群算法40-46
• 4.2.1 理論基礎(chǔ)41-42
• 4.2.2 改進(jìn)的蜂群算法42-43
• 4.2.3 性能對(duì)比43-46
• 4.2.4 基于 Im-ABC 的 KELM 參數(shù)優(yōu)化46
• 4.3 語(yǔ)音情感識(shí)別中的應(yīng)用46-50
• 4.3.1 情感數(shù)據(jù)庫(kù)46-47
• 4.3.2 情感特征提取47
• 4.3.3 實(shí)驗(yàn)結(jié)果及分析47-50
• 4.4 本章小結(jié)50-52
• 第五章 選擇性集成極限學(xué)習(xí)機(jī)的研究及應(yīng)用52-62
• 5.1 集成算法52-55
• 5.1.1 Bagging 集成算法52-54
• 5.1.2 Out-of-bag 樣本54-55
• 5.2 選擇性集成算法55-57
• 5.2.1 算法描述55-56
• 5.2.2 基于優(yōu)化的選擇性集成56-57
• 5.3 選擇性集成極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)57-58
• 5.4 語(yǔ)音情感識(shí)別中的應(yīng)用58-61
• 5.4.1 情感數(shù)據(jù)庫(kù)及特征提取58
• 5.4.2 實(shí)驗(yàn)結(jié)果及分析58-61
• 5.5 本章小結(jié)61-62
• 第六章 總結(jié)與展望62-64
• 6.1 工作總結(jié)62-63
• 6.2 下一步工作展望63-64
• 參考文獻(xiàn)64-68
• 致謝68-69
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 韓一;王國(guó)胤;楊勇;;基于MFCC的語(yǔ)音情感識(shí)別[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年05期

2 張文博;姬紅兵;;融合極限學(xué)習(xí)機(jī)[J];電子與信息學(xué)報(bào);2013年11期

3 韓敏;劉賁;;一種改進(jìn)的旋轉(zhuǎn)森林分類算法[J];電子與信息學(xué)報(bào);2013年12期

4 鄧萬(wàn)宇;鄭慶華;陳琳;許學(xué)斌;;神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法研究[J];計(jì)算機(jī)學(xué)報(bào);2010年02期

5 張春霞;張講社;;選擇性集成學(xué)習(xí)算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2011年08期

6 余伶俐;周開軍;邱愛兵;;基于Elman神經(jīng)網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別應(yīng)用研究[J];計(jì)算機(jī)應(yīng)用研究;2012年05期

7 田慧欣;毛志忠;;基于Bagging的多模型鋼水溫度預(yù)報(bào)[J];控制與決策;2009年05期

8 向萬(wàn)里;馬壽峰;;基于輪盤賭反向選擇機(jī)制的蜂群優(yōu)化算法[J];計(jì)算機(jī)應(yīng)用研究;2013年01期

9 陸慧娟;安春霖;馬小平;鄭恩輝;楊小兵;;基于輸出不一致測(cè)度的極限學(xué)習(xí)機(jī)集成的基因表達(dá)數(shù)據(jù)分類[J];計(jì)算機(jī)學(xué)報(bào);2013年02期

10 劉三陽(yáng);張平;朱明敏;;基于局部搜索的人工蜂群算法[J];控制與決策;2014年01期

本文編號(hào)：604115