基于語音的負(fù)性情感強(qiáng)度模型研究.pdf

1、語音情感識別作為人工智能領(lǐng)域的重要分支，在實(shí)現(xiàn)自然和諧的人機(jī)交互方面具有重要的研究和應(yīng)用價值。對語音的情感進(jìn)行計(jì)算，是人機(jī)交互中廣為關(guān)注的領(lǐng)域，而語音的情感強(qiáng)度模型研究更是其核心研究內(nèi)容。但由于目前對情感的描述方式存在著較大差別，加之情感本身的社會性和多模態(tài)性，均對語音的情感強(qiáng)度模型研究造成了較大的阻礙。鑒于上述原因，本文首先對情感描述模型以及情感語音識別系統(tǒng)分別進(jìn)行了詳細(xì)介紹。然后重點(diǎn)對語音情感強(qiáng)度模型的訓(xùn)練及建立進(jìn)行了詳盡的探究和論

2、述，根據(jù)Plutchik“情感輪”理論對情感強(qiáng)度進(jìn)行了等級劃分，使用相似度算法來建立情感強(qiáng)度模型，實(shí)現(xiàn)對基本負(fù)性情感語音的情感強(qiáng)度劃分。最后設(shè)計(jì)實(shí)驗(yàn)對本文所建立的情感強(qiáng)度模型劃分結(jié)果進(jìn)行識別，平均識別率為90.4％。
　　本研究主要內(nèi)容包括：⑴對譜聚類算法進(jìn)行優(yōu)化。以密度敏感的相似度度量，通過對類內(nèi)數(shù)據(jù)的減小以及類間數(shù)據(jù)的放大，構(gòu)造相似度矩陣；以Bagging算法，根據(jù)不同的約束條件，選取拉普拉斯矩陣中最優(yōu)的特征向量組合，分別解決

3、了多尺度聚類和特征向量選取的問題，從而實(shí)現(xiàn)了譜聚類算法的優(yōu)化。⑵基于優(yōu)化后的譜聚類算法，訓(xùn)練并建立了三階情感強(qiáng)度模型。以優(yōu)化的譜聚類相似度算法為基礎(chǔ)，以基本負(fù)性情感語音為數(shù)據(jù)來源，選取并建立情感特征向量矩陣，對特征矩陣的每一列進(jìn)行聚類，訓(xùn)練并建立三階情感強(qiáng)度模型，并使用該模型實(shí)現(xiàn)語音的三階情感強(qiáng)度劃分。最后通過支持向量機(jī)對劃分結(jié)果識別，獲得了90.4%的平均識別率。⑶以基本負(fù)性情感語音數(shù)據(jù)為基礎(chǔ)，訓(xùn)練建立的三階情感強(qiáng)度模型對語音的情感強(qiáng)