【摘要】：針對傳統(tǒng)支持向量機(jī)的情感識(shí)別中,隨著識(shí)別情感的類別增加,支持向量機(jī)數(shù)目急劇增加,導(dǎo)致訓(xùn)練難度增大的同時(shí)占用內(nèi)存空間過大,耗時(shí)過長的問題,提出了基于層次支持向量機(jī)的情感識(shí)別算法。該算法結(jié)合了二維情感模型理論,以層次支持向量機(jī)為基礎(chǔ),運(yùn)用了小波分解等技術(shù)手段,構(gòu)建了一套完整的脈搏信號(hào)情感識(shí)別方法。對于n類分類問題,傳統(tǒng)的SVM(Support Vector Machine)分類需要n(n-1)/2個(gè)分類器,運(yùn)用層次SVM分類只需要構(gòu)造n-1個(gè)SVM分類器。實(shí)驗(yàn)結(jié)果表明,層次支持向量機(jī)模型在保證分類準(zhǔn)確率的同時(shí),減少了傳統(tǒng)分類算法支持向量機(jī)的個(gè)數(shù),分類速度提升了43.5%。
[Abstract]:For the emotion recognition of traditional support vector machines, the number of support vector machines increases sharply with the increase of the category of emotion recognition, which leads to the problem that the training difficulty is increased and the memory space is too large and the time consuming is too long. An emotion recognition algorithm based on hierarchical support vector machine is proposed. The algorithm combines the theory of two-dimensional emotion model, based on hierarchical support vector machine, and uses wavelet decomposition and other technical means to construct a complete set of pulse signal emotion recognition methods. For the n-class classification problem, the traditional SVM (Support Vector Machine) classification needs n (n ~ (1) / 2 classifiers, and the hierarchical SVM classification only needs to construct one SVM classifier. The experimental results show that the hierarchical support vector machine model not only guarantees the accuracy of classification, but also reduces the number of support vector machines in the traditional classification algorithm, and improves the classification speed by 43.5%.
【作者單位】： 吉林大學(xué)通信工程學(xué)院;吉林大學(xué)珠海學(xué)院;
【基金】：吉林省重點(diǎn)科技攻關(guān)基金資助項(xiàng)目(20150204039GX) 長春市重大科技攻關(guān)專項(xiàng)基金資助項(xiàng)目(14KG064) 廣東省自然科學(xué)基金資助項(xiàng)目(2016A030313658) 吉林省科技發(fā)展計(jì)劃基金資助項(xiàng)目(20170414017GH)
【分類號(hào)】：R443;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張向東,畢韶丹,關(guān)宏宇;拮抗藥化合物活性的支持向量機(jī)研究[J];遼寧大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

2 羅萬春;;基于支持向量機(jī)的凝血功能診斷模型[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2013年06期

3 謝洪波,王志中,黃海;表面肌電的支持向量機(jī)分類[J];北京生物醫(yī)學(xué)工程;2004年02期

4 陸強(qiáng);馮敏;馬華;張西學(xué);;模糊聚類支持向量機(jī)在步態(tài)分類中的應(yīng)用[J];中國組織工程研究與臨床康復(fù);2011年09期

5 史鑫;羅述謙;;支持向量機(jī)在醫(yī)學(xué)圖像分割中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2007年03期

6 李磊;黃水平;;支持向量機(jī)原理及其在醫(yī)學(xué)分類中的應(yīng)用[J];中國衛(wèi)生統(tǒng)計(jì);2009年01期

7 鄭莉麗;李曉強(qiáng);李福鳳;閆西平;王憶勤;王真真;;基于支持向量機(jī)的中醫(yī)望診唇色自動(dòng)分類[J];生物醫(yī)學(xué)工程學(xué)雜志;2011年01期

8 王浩軍,鄭崇勛,李映,朱華鋒,閆相國;支持向量機(jī)在血細(xì)胞分類中的應(yīng)用[J];生物醫(yī)學(xué)工程學(xué)雜志;2003年03期

9 周舒冬;張磊;葉小華;楊云升;;支持向量機(jī)技術(shù)在疾病預(yù)后中的應(yīng)用和比較[J];數(shù)理醫(yī)藥學(xué)雜志;2007年06期

10 胡康達(dá);符紅光;孔祥振;;分級(jí)聚類支持向量機(jī)在中醫(yī)舌像分類中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2010年S2期

相關(guān)會(huì)議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國管理學(xué)年會(huì)——商務(wù)智能分會(huì)場論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會(huì)暨第九屆全國會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：2439864