本文關鍵詞：極限學習機在語音情感識別中的應用研究

  更多相關文章： 語音情感識別 極限學習機 核函數極限學習機 人工蜂群算法 選擇性集成

【摘要】：隨著計算機技術的快速發(fā)展，計算機的智能化和人性化逐漸成為新的研究熱點，其中語音作為人與計算機交流的最簡單方式，成為其實現(xiàn)的關鍵因素，本文重點研究了計算機的情感語音識別。所做的工作有以下幾點： 首先論文介紹了常用的幾種情感識別網絡模型原理及優(yōu)缺點，接下來將具有快速學習速度和良好泛化性能的極限學習機算法用于語音情感識別中，建立了基于極限學習機的廣義單隱層前饋神經網絡識別模型（基本極限學習機ELM和核函數極限學習機KELM），同時對比SVM識別模型，對TYUT和EMO-DB兩情感語音庫中的三種情感高興、生氣和中性的識別效果進行了分析。 接著就核函數極限學習機KELM性能進一步分析，發(fā)現(xiàn)其參數對網絡性能具有重要影響，從而提出了采用人工蜂群算法優(yōu)化網絡參數；針對基本人工蜂群算法尋優(yōu)過程存在的種群多樣性降低和收斂速度變慢的缺點，提出了改進的人工蜂群算法優(yōu)化KELM參數，對EMO-DB情感語音庫中的4種情感（高興、生氣、悲傷和中性）進行識別實驗，結果表明改進人工蜂群算法優(yōu)化KELM參數的識別模型在時間上和泛化性能上均是最優(yōu)的。 最后針對基本極限學習機網絡不夠穩(wěn)定的問題，提出了選擇性集成極限學習機模型，先建立Bagging極限學習機網絡和out-of-bag樣本；接著將每個基本ELM分類器對應的權重組成的權重向量作為人工蜂群算法的種群個體，適應度函數設為out-of-bag樣本輸入到具有不同權重向量的Bagging極限學習機網絡中得到的泛化誤差，通過蜂群算法尋優(yōu)機制找到最優(yōu)的權重向量，剔除對應權重值小于閾值的ELM分類器，對剩余的ELM分類器進行集成；對EMO-DB情感語音庫中的4種情感（高興、生氣、悲傷和中性）進行識別實驗，同時對比基本極限學習機ELM，多數投票極限學習機V-ELM,集成極限學習機Bagging-ELM模型，結果表明本文建立的選擇性集成極限學習機網絡模型，，在穩(wěn)定性和泛化性能上均優(yōu)于其它三種網絡模型。
【關鍵詞】：語音情感識別 極限學習機 核函數極限學習機 人工蜂群算法 選擇性集成
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：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 語音情感識別研究現(xiàn)狀11-12
• 1.2.2 極限學習機研究現(xiàn)狀12
• 1.3 語音情感識別存在問題12-13
• 1.4 本課題研究內容與論文安排13-16
• 第二章 語音情感識別系統(tǒng)理論16-28
• 2.1 語音情感庫16-17
• 2.2 語音情感特征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 語音情感識別網絡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 SVM24-25
• 2.3.4 人工神經網絡 ANN25-26
• 2.4 本章小結26-28
• 第三章 極限學習機算法的研究及應用28-38
• 3.1 基于 ELM 的單隱層前饋神經網絡模型28-31
• 3.2 基于核函數 ELM 的廣義單隱層前饋神經網絡模型31-32
• 3.2.1 特征映射和核函數32
• 3.3 語音情感識別中的應用32-36
• 3.3.1 情感數據庫32
• 3.3.2 情感特征提取32-33
• 3.3.3 實驗結果及分析33-36
• 3.4 本章小結36-38
• 第四章 人工蜂群算法優(yōu)化 KELM 參數的研究及應用38-52
• 4.1 人工蜂群算法38-40
• 4.1.1 蜂群算法生物學背景38-39
• 4.1.2 蜂群算法基本原理39-40
• 4.2 改進的人工蜂群算法40-46
• 4.2.1 理論基礎41-42
• 4.2.2 改進的蜂群算法42-43
• 4.2.3 性能對比43-46
• 4.2.4 基于 Im-ABC 的 KELM 參數優(yōu)化46
• 4.3 語音情感識別中的應用46-50
• 4.3.1 情感數據庫46-47
• 4.3.2 情感特征提取47
• 4.3.3 實驗結果及分析47-50
• 4.4 本章小結50-52
• 第五章 選擇性集成極限學習機的研究及應用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 選擇性集成極限學習機網絡57-58
• 5.4 語音情感識別中的應用58-61
• 5.4.1 情感數據庫及特征提取58
• 5.4.2 實驗結果及分析58-61
• 5.5 本章小結61-62
• 第六章 總結與展望62-64
• 6.1 工作總結62-63
• 6.2 下一步工作展望63-64
• 參考文獻64-68
• 致謝68-69
• 攻讀學位期間發(fā)表的學術論文目錄69

【參考文獻】

中國期刊全文數據庫 前10條

1 韓一;王國胤;楊勇;;基于MFCC的語音情感識別[J];重慶郵電大學學報(自然科學版);2008年05期

2 張文博;姬紅兵;;融合極限學習機[J];電子與信息學報;2013年11期

3 韓敏;劉賁;;一種改進的旋轉森林分類算法[J];電子與信息學報;2013年12期

4 鄧萬宇;鄭慶華;陳琳;許學斌;;神經網絡極速學習方法研究[J];計算機學報;2010年02期

5 張春霞;張講社;;選擇性集成學習算法綜述[J];計算機學報;2011年08期

6 余伶俐;周開軍;邱愛兵;;基于Elman神經網絡的語音情感識別應用研究[J];計算機應用研究;2012年05期

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

8 向萬里;馬壽峰;;基于輪盤賭反向選擇機制的蜂群優(yōu)化算法[J];計算機應用研究;2013年01期

9 陸慧娟;安春霖;馬小平;鄭恩輝;楊小兵;;基于輸出不一致測度的極限學習機集成的基因表達數據分類[J];計算機學報;2013年02期

10 劉三陽;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：604115