實(shí)現(xiàn)真正意義上的人工智能需要實(shí)現(xiàn)計(jì)算機(jī)的“情感智能”,語(yǔ)音作為人類(lèi)交流中傳遞信息的常用載體,蘊(yùn)含著豐富多樣的情感資源,因此,語(yǔ)音情感識(shí)別在人工智能的研究熱潮中占據(jù)重要地位。在語(yǔ)音情感識(shí)別的基本框架下,對(duì)能夠有效表征情感的特征參數(shù)的提取及對(duì)情感分類(lèi)識(shí)別網(wǎng)絡(luò)的建立,是決定語(yǔ)音情感識(shí)別模型性能的關(guān)鍵,也是語(yǔ)音情感識(shí)別核心研究?jī)?nèi)容。本文利用遺傳算法對(duì)SVM分類(lèi)模型進(jìn)行參數(shù)優(yōu)化,根據(jù)多級(jí)分類(lèi)思想構(gòu)建SVM模型在柏林?jǐn)?shù)據(jù)庫(kù)中的情感進(jìn)行實(shí)驗(yàn),對(duì)語(yǔ)料庫(kù)中部分情感類(lèi)別混淆度較大的問(wèn)題,提出利用改進(jìn)后具有全局多次優(yōu)解搜索能力的蟻群算法篩選貢獻(xiàn)度更大的特征向量實(shí)現(xiàn)特征降維。具體工作如下:（1）介紹語(yǔ)音情感識(shí)別中常用的情感模型及語(yǔ)料庫(kù),選擇基于離散模型的純凈無(wú)噪的柏林?jǐn)?shù)據(jù)庫(kù)作為語(yǔ)料庫(kù)。通過(guò)對(duì)語(yǔ)音數(shù)據(jù)庫(kù)中的語(yǔ)音信號(hào)進(jìn)行預(yù)處理后,主要分析、提取包括短時(shí)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(jīng)過(guò)統(tǒng)計(jì)變量計(jì)算,構(gòu)建出167維情感特征向量,完成語(yǔ)音信號(hào)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(jī)作為分類(lèi)器,通過(guò)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(lái)構(gòu)造SVM分類(lèi)器,... 

【文章來(lái)源】：南昌大學(xué)江西省 211工程院校

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１語(yǔ)音情感識(shí)別基本原理框圖??本章將根據(jù)情感語(yǔ)音識(shí)別近年來(lái)的研宄成果和本文算法所需的理論及技術(shù)??基礎(chǔ)，介紹關(guān)于情感描述模型、情感語(yǔ)料庫(kù)的相關(guān)內(nèi)容，并對(duì)語(yǔ)音信號(hào)進(jìn)行一??

?第２章語(yǔ)音信號(hào)預(yù)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(jià)情感空間??較之離散情感模型的簡(jiǎn)潔、易懂，維度模型由于需要進(jìn)行定性情感到定量??空間坐標(biāo)的轉(zhuǎn)換，這是一個(gè)較為繁重且難以保證質(zhì)量的過(guò)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(wèn)題，理論上可以涵蓋所有的情感狀態(tài)，被認(rèn)為擁有無(wú)限的情感描??述能力。??２．２情感語(yǔ)音數(shù)據(jù)庫(kù)??情感數(shù)據(jù)庫(kù)的建立是對(duì)語(yǔ)音情感識(shí)別模型進(jìn)行訓(xùn)練和識(shí)別操作的前提和基??礎(chǔ)，語(yǔ)音情感數(shù)據(jù)庫(kù)的質(zhì)量基本對(duì)在此基礎(chǔ)上訓(xùn)練的情感識(shí)別模型的性能起著??至關(guān)重要的影響。由于情感類(lèi)別定義尚無(wú)定論，因此情感語(yǔ)料庫(kù)也沒(méi)有限制統(tǒng)??一的標(biāo)準(zhǔn)，一般根據(jù)激發(fā)情感的方式將常用的情感語(yǔ)料庫(kù)主要分為：表演型、??引導(dǎo)型、表演和引導(dǎo)二者結(jié)合型及自然型。??情感語(yǔ)音數(shù)據(jù)庫(kù)基于情感描述模型分為離散情感語(yǔ)料庫(kù)和維度情感語(yǔ)料??９??

?第２章語(yǔ)音信號(hào)預(yù)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(yǔ)音信號(hào)時(shí)，高頻??信號(hào)能夠正常通過(guò)，對(duì)低頻信號(hào)會(huì)進(jìn)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(huì)因此而破壞語(yǔ)音信號(hào)所攜帶的信息成分。通過(guò)此高通濾??波器對(duì)柏林語(yǔ)音庫(kù)中的０３ａ０１Ｆａ語(yǔ)音樣本（情感：高興）進(jìn)行預(yù)加重，原始語(yǔ)音信??號(hào)及頻譜和加重后的信號(hào)和頻譜分別如圖２．５、圖２．６所示，展示了語(yǔ)音預(yù)加重??處理后的效果。??＾?ｘ１〇－３?原始語(yǔ)音信號(hào)??－１?１?１?１?１?１??０?５０?１００?１５０?２００?２５０?３００??樣點(diǎn)致??ｘ１〇－３?經(jīng)萵通濾波后的語(yǔ)音倍兮????０?５０?１００?１５０?２００?２５０?３００??樣點(diǎn)數(shù)??圖２．５語(yǔ)音信號(hào)預(yù)加重??１２??

【參考文獻(xiàn)】：
期刊論文
[1]語(yǔ)音情感識(shí)別研究綜述[J]. 高慶吉,趙志華,徐達(dá),邢志偉.  智能系統(tǒng)學(xué)報(bào). 2020(01)
[2]一種融合蟻群算法和隨機(jī)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(jì)算機(jī)科學(xué). 2019(S2)
[3]語(yǔ)音情感識(shí)別研究綜述[J]. 張會(huì)云.  信息通信. 2019(11)
[4]基于支持向量機(jī)的語(yǔ)音情感識(shí)別算法研究[J]. 劉明珠,李曉琴,陳洪恒.  哈爾濱理工大學(xué)學(xué)報(bào). 2019(04)
[5]利用語(yǔ)音與文本特征融合改善語(yǔ)音情感識(shí)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(jìn)型支持向量機(jī)的語(yǔ)音信號(hào)情感識(shí)別研究[J]. 胡明,崔冉,郭健鵬,吳靜然,翟曉東.  數(shù)字技術(shù)與應(yīng)用. 2019(06)
[7]一種改進(jìn)的DNN-HMM的語(yǔ)音識(shí)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(yīng)用聲學(xué). 2019(03)
[8]基于HMM和ANN混合模型的語(yǔ)音情感識(shí)別研究[J]. 林巧民,齊柱柱.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(10)
[9]語(yǔ)音識(shí)別技術(shù)的研究進(jìn)展與展望[J]. 王海坤,潘嘉,劉聰.  電信科學(xué). 2018(02)
[10]改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別[J]. 陳闖,Ryad Chellali,邢尹.  計(jì)算機(jī)應(yīng)用研究. 2019(02)

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



本文編號(hào)：3580761