語音情感識別的特征選擇方法研究.pdf

1、語音特征的提取、特征的情感分析以及語音情感識別算法的研究是語音情感識別(SER)課題研究中最受關注的兩個方面，情感特征選擇的問題研究相對前兩者而言較少受到關注，這也是由特征選擇問題本身就是模式識別課題研究的共性問題而決定的。目前已經有多種特征選擇方法被采用來解決語音情感特征選擇問題，但是大都沒有取得良好的特征降維效果及情感識別效果。本文針對現有的方法不能高效地選擇出較好的情感特征參數這一問題，對語音情感特征選擇這一問題展開了探索性研究。

2、
　　 文中以Russell所提出的四象限情感分類模式為依據，以生活中較常見的四種情感類型:高興、生氣、悲傷、平靜為例，對所提取的88個語音特征進行了情感特征選擇的研究。本文主要作了以下三方面的工作:
　　 1、基于德語情感語音庫，在前人對語音情感聲學特征分析的基礎上，對語音信號提取了12階美爾倒譜系數、基頻、短時能量、前三階共振峰、短時過零率共5個基本特征，而后對它們均提取了均值、最大值、最小值、范圍和方差等統(tǒng)計特征，

3、最終組成了88維的特征向量，作為后續(xù)研究的原始特征集。
　　 2、分別研究了Filter式的F-score算法及分形維算法在語音情感特征選擇中的應用。針對F-score算法不能揭示所選特征間的互相關性的缺點，用分形維的特征選擇思想對其進行改進提出了改進的Filter-Fscore特征選擇算法。在語音情感識別的實驗中取得了較好的語音情感特征選擇效果。
　　 3、研究了Wrapper式的F-score算法在語音情感特征選擇中

4、的應用。同樣針對Wrapper式F-score特征選擇算法的缺點，引入了作為度量互信息的皮爾遜相關系數的準則，并采用支持向量機的六折交叉驗證平均識別率來評價搜索得到的特征子集的優(yōu)劣。與Wrapper式的F-score算法的對比實驗結果表明，本文所改進的Wrapper-Fscore特征選擇算法能對原始特征集進行較大幅度的降維，同時提高了語音情感識別率。與兩種典型特征選擇算法的對比實驗則表明改進的Wrapper-Fscore特征選擇算法在解