基于SVM級(jí)聯(lián)式語(yǔ)音情感識(shí)別模型.pdf

1、隨著人工交互技術(shù)的飛速發(fā)展，越來(lái)越多研究者關(guān)注情感計(jì)算方面的研究。情感計(jì)算在模式識(shí)別中開辟了研究語(yǔ)音情感識(shí)別的新領(lǐng)域，讓機(jī)器在聽(tīng)懂人類語(yǔ)言內(nèi)容的同時(shí)也能夠識(shí)別說(shuō)話人的當(dāng)前情感狀態(tài)。然而目前情感語(yǔ)音識(shí)別系統(tǒng)的發(fā)展還不夠完善，存在訓(xùn)練集質(zhì)量不純、沒(méi)有確定最能表征情緒狀態(tài)的特征參數(shù)和識(shí)別模型缺乏穩(wěn)定性、高效性等問(wèn)題，因此本文針對(duì)上述問(wèn)題開展研究，有利于情感語(yǔ)音識(shí)別技術(shù)的發(fā)展，同時(shí)促進(jìn)人工智能的學(xué)術(shù)研究和工程應(yīng)用領(lǐng)域的發(fā)展。
　　本論文基

2、于傳統(tǒng)語(yǔ)音情感識(shí)別模型框架，對(duì)基于級(jí)聯(lián)式語(yǔ)音情感識(shí)別模型展開研究。本文主要內(nèi)容如下：
　　（1）設(shè)計(jì)了一個(gè)SVM級(jí)聯(lián)式語(yǔ)音情感識(shí)別模型總體框架。該框架包含語(yǔ)音增強(qiáng)方法、情感特征選取和級(jí)聯(lián)式識(shí)別模型三個(gè)設(shè)計(jì)模塊，其中語(yǔ)音增強(qiáng)方法模塊包括字典學(xué)習(xí)階段和語(yǔ)音增強(qiáng)階段；情感特征選取包括特征選擇和特征篩選；級(jí)聯(lián)式識(shí)別模型模塊結(jié)合多級(jí)分類理論，從語(yǔ)音情感數(shù)據(jù)預(yù)處理開始，選擇及篩選情感特征并搭建及優(yōu)化級(jí)聯(lián)式識(shí)別模型。
　?。?）提出了基于

3、一步字典學(xué)習(xí)（One-stage dictionary learning，OS-DL）的語(yǔ)音增強(qiáng)方法。該方法首先采用初始化系數(shù)矩陣方法為帶相干性準(zhǔn)則的批量最小角回歸（Batch LARS with coherence criterion，LARC）算法的OS-DL算法分別學(xué)習(xí)得到純凈語(yǔ)言、噪音和帶噪語(yǔ)音的幅度譜字典；接著將純凈語(yǔ)言和噪音的聯(lián)合譜字典作為L(zhǎng)ARC算法的輸入，對(duì)帶噪語(yǔ)音幅度譜進(jìn)行稀疏表示；最后將得到的稀疏系數(shù)矩陣用來(lái)估計(jì)純凈

4、語(yǔ)音幅度譜，并基于帶噪語(yǔ)音的相位信息重構(gòu)出純凈語(yǔ)音。實(shí)驗(yàn)結(jié)果表明，在不同信噪比下，所提語(yǔ)音增強(qiáng)方法均能很好地抑制噪聲，在提高語(yǔ)音質(zhì)量的同時(shí)減少計(jì)算復(fù)雜度。
　?。?）提出了新的語(yǔ)音情感特征選取方案。該方案首先從情感語(yǔ)音預(yù)處理出發(fā)，基于傳統(tǒng)的情感特征選取方法提出新的低維特征組合方案；然后確定合適的篩選方法及各參數(shù)的值；接著在CASIA情感語(yǔ)料庫(kù)數(shù)據(jù)集上驗(yàn)證了不同的單一識(shí)別算法下所提取方案的可行性和準(zhǔn)確性；最后圍繞識(shí)別效果最佳的一種識(shí)

5、別算法，分析各個(gè)情緒之間的特征混淆度。仿真實(shí)驗(yàn)表明，所提特征選取方案有效地緩解了維度災(zāi)難和情緒混淆度大的問(wèn)題。
　?。?）提出了基于SVM級(jí)聯(lián)式語(yǔ)音情感識(shí)別模型設(shè)計(jì)模塊。該模型結(jié)合級(jí)聯(lián)分類策略和SVM分類器具有較強(qiáng)的逼近、泛化能力，首先提出了兩種級(jí)聯(lián)式情感識(shí)別模型；然后分析各級(jí)分類器的分類結(jié)果，選擇合適的分類器及確定各參數(shù)的值；接著選擇識(shí)別率最高的模型，并將已選好的模型進(jìn)行擴(kuò)展；最后對(duì)模型結(jié)構(gòu)進(jìn)行優(yōu)化。仿真實(shí)驗(yàn)表明，此識(shí)別模型能夠