實現(xiàn)真正意義上的人工智能需要實現(xiàn)計算機的“情感智能”,語音作為人類交流中傳遞信息的常用載體,蘊含著豐富多樣的情感資源,因此,語音情感識別在人工智能的研究熱潮中占據(jù)重要地位。在語音情感識別的基本框架下,對能夠有效表征情感的特征參數(shù)的提取及對情感分類識別網(wǎng)絡的建立,是決定語音情感識別模型性能的關鍵,也是語音情感識別核心研究內容。本文利用遺傳算法對SVM分類模型進行參數(shù)優(yōu)化,根據(jù)多級分類思想構建SVM模型在柏林數(shù)據(jù)庫中的情感進行實驗,對語料庫中部分情感類別混淆度較大的問題,提出利用改進后具有全局多次優(yōu)解搜索能力的蟻群算法篩選貢獻度更大的特征向量實現(xiàn)特征降維。具體工作如下:（1）介紹語音情感識別中常用的情感模型及語料庫,選擇基于離散模型的純凈無噪的柏林數(shù)據(jù)庫作為語料庫。通過對語音數(shù)據(jù)庫中的語音信號進行預處理后,主要分析、提取包括短時能量、基音頻率、共振峰、MFCC及其衍生參數(shù)等重要情感特征,經過統(tǒng)計變量計算,構建出167維情感特征向量,完成語音信號的前端處理工作。（2）采用在高維小樣本上性能優(yōu)異的支持向量機作為分類器,通過研究,采用遺傳算法優(yōu)化的懲罰因子C和核參數(shù)σ,并以此來構造SVM分類器,... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖２．１語音情感識別基本原理框圖??本章將根據(jù)情感語音識別近年來的研宄成果和本文算法所需的理論及技術??基礎，介紹關于情感描述模型、情感語料庫的相關內容，并對語音信號進行一??

?第２章語音信號預處理及情感特征提取???ａ??ａｒｏｕｓａｌ??ｆｕｒｉｏｕｓ＾＾＾??／?ａｌａ?ｌｅｄ?Ｎ．??ｔｅｒｍｅｄ?ｈａｐｐｙ?＼??／?ＡＮＧＥＲ?ＪＯＹ?＼??Ａｆｒａｉｄ?ａｎｎｏｙｅｄ?＼??廠?ｉｎｔｅｒｅｓｔ?＇??ｐｌｅａｓｅｄ??ｎｅｒｖｏｕｓ??？?？??ｃｏｎｔｅｎｔ??ｉ?ｒｅｌａｘｅｄ?ｊ??＼?ＳＡＤＮＥＳＳ?ＮＥＵＴＲＡＬ?／??ｄｏ＾ｅｓｓｅｄ?ｂｏｒｅｄ?Ｃａｌｍ?／??＼．?ｓｌｅ?ｓｐｙ?／??＼?ｒ??圖２．２激活度－效價情感空間??較之離散情感模型的簡潔、易懂，維度模型由于需要進行定性情感到定量??空間坐標的轉換，這是一個較為繁重且難以保證質量的過程；但維度情感模型??能夠從連續(xù)的角度描述情感，以精確的數(shù)值回避了離散情感模型中模糊性描述??情感方面的問題，理論上可以涵蓋所有的情感狀態(tài)，被認為擁有無限的情感描??述能力。??２．２情感語音數(shù)據(jù)庫??情感數(shù)據(jù)庫的建立是對語音情感識別模型進行訓練和識別操作的前提和基??礎，語音情感數(shù)據(jù)庫的質量基本對在此基礎上訓練的情感識別模型的性能起著??至關重要的影響。由于情感類別定義尚無定論，因此情感語料庫也沒有限制統(tǒng)??一的標準，一般根據(jù)激發(fā)情感的方式將常用的情感語料庫主要分為：表演型、??引導型、表演和引導二者結合型及自然型。??情感語音數(shù)據(jù)庫基于情感描述模型分為離散情感語料庫和維度情感語料??９??

?第２章語音信號預處理及情感特征提取???高通濾波器的幅頻特性??，：１??１?－??０．５?．??Ｑ?Ｉ?Ｉ?１１１１?｜?Ｉ?Ｉ??０?２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??頻半／Ｈｚ??，５，?，?———，——??〇??—Ｊ?１?＇?＇?＾???０?５０?１００?１５０?２００?２５０?３００??頻率／Ｈｚ??圖２．４高通濾波器的特性??由圖２．４的幅頻特性可以看出，一階高通濾波器在處理語音信號時，高頻??信號能夠正常通過，對低頻信號會進行一定的衰減處理，使高頻部分得以提升，??且相頻特性圖顯示不會因此而破壞語音信號所攜帶的信息成分。通過此高通濾??波器對柏林語音庫中的０３ａ０１Ｆａ語音樣本（情感：高興）進行預加重，原始語音信??號及頻譜和加重后的信號和頻譜分別如圖２．５、圖２．６所示，展示了語音預加重??處理后的效果。??＾?ｘ１〇－３?原始語音信號??－１?１?１?１?１?１??０?５０?１００?１５０?２００?２５０?３００??樣點致??ｘ１〇－３?經萵通濾波后的語音倍兮????０?５０?１００?１５０?２００?２５０?３００??樣點數(shù)??圖２．５語音信號預加重??１２??

【參考文獻】：
期刊論文
[1]語音情感識別研究綜述[J]. 高慶吉,趙志華,徐達,邢志偉.  智能系統(tǒng)學報. 2020(01)
[2]一種融合蟻群算法和隨機森林的特征選擇方法[J]. 李光華,李俊清,張亮,辛衍森,鄧華偉.  計算機科學. 2019(S2)
[3]語音情感識別研究綜述[J]. 張會云.  信息通信. 2019(11)
[4]基于支持向量機的語音情感識別算法研究[J]. 劉明珠,李曉琴,陳洪恒.  哈爾濱理工大學學報. 2019(04)
[5]利用語音與文本特征融合改善語音情感識別[J]. 馮亞琴,沈凌潔,胡婷婷,王蔚.  數(shù)據(jù)采集與處理. 2019(04)
[6]基于改進型支持向量機的語音信號情感識別研究[J]. 胡明,崔冉,郭健鵬,吳靜然,翟曉東.  數(shù)字技術與應用. 2019(06)
[7]一種改進的DNN-HMM的語音識別方法[J]. 李云紅,梁思程,賈凱莉,張秋銘,宋鵬,何琛,王剛毅,李禹萱.  應用聲學. 2019(03)
[8]基于HMM和ANN混合模型的語音情感識別研究[J]. 林巧民,齊柱柱.  計算機技術與發(fā)展. 2018(10)
[9]語音識別技術的研究進展與展望[J]. 王海坤,潘嘉,劉聰.  電信科學. 2018(02)
[10]改進遺傳算法優(yōu)化BP神經網(wǎng)絡的語音情感識別[J]. 陳闖,Ryad Chellali,邢尹.  計算機應用研究. 2019(02)

碩士論文
[1]語音情感識別算法研究[D]. 王思羽.南京郵電大學 2019
[2]基于特征選擇和優(yōu)化的語音情感識別研究[D]. 李歡歡.西安電子科技大學 2019
[3]基于神經網(wǎng)絡的語音情感識別算法研究[D]. 喬文婷.西安電子科技大學 2018
[4]基于遺傳優(yōu)化的多級SVM語音情感識別[D]. 談利芳.華中師范大學 2017



本文編號：3580761