极限学习机在语音情感识别中的应用研究

发布时间：2017-08-01 12:02

  本文关键词：极限学习机在语音情感识别中的应用研究

  更多相关文章： 语音情感识别 极限学习机 核函数极限学习机 人工蜂群算法 选择性集成

【摘要】：随着计算机技术的快速发展，计算机的智能化和人性化逐渐成为新的研究热点，其中语音作为人与计算机交流的最简单方式，成为其实现的关键因素，本文重点研究了计算机的情感语音识别。所做的工作有以下几点： 首先论文介绍了常用的几种情感识别网络模型原理及优缺点，接下来将具有快速学习速度和良好泛化性能的极限学习机算法用于语音情感识别中，建立了基于极限学习机的广义单隐层前馈神经网络识别模型（基本极限学习机ELM和核函数极限学习机KELM），同时对比SVM识别模型，对TYUT和EMO-DB两情感语音库中的三种情感高兴、生气和中性的识别效果进行了分析。 接着就核函数极限学习机KELM性能进一步分析，发现其参数对网络性能具有重要影响，从而提出了采用人工蜂群算法优化网络参数；针对基本人工蜂群算法寻优过程存在的种群多样性降低和收敛速度变慢的缺点，提出了改进的人工蜂群算法优化KELM参数，对EMO-DB情感语音库中的4种情感（高兴、生气、悲伤和中性）进行识别实验，结果表明改进人工蜂群算法优化KELM参数的识别模型在时间上和泛化性能上均是最优的。 最后针对基本极限学习机网络不够稳定的问题，提出了选择性集成极限学习机模型，先建立Bagging极限学习机网络和out-of-bag样本；接着将每个基本ELM分类器对应的权重组成的权重向量作为人工蜂群算法的种群个体，适应度函数设为out-of-bag样本输入到具有不同权重向量的Bagging极限学习机网络中得到的泛化误差，通过蜂群算法寻优机制找到最优的权重向量，剔除对应权重值小于阈值的ELM分类器，对剩余的ELM分类器进行集成；对EMO-DB情感语音库中的4种情感（高兴、生气、悲伤和中性）进行识别实验，同时对比基本极限学习机ELM，多数投票极限学习机V-ELM,集成极限学习机Bagging-ELM模型，结果表明本文建立的选择性集成极限学习机网络模型，，在稳定性和泛化性能上均优于其它三种网络模型。
【关键词】：语音情感识别 极限学习机 核函数极限学习机 人工蜂群算法 选择性集成
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN912.34
【目录】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 绪论10-16
• 1.1 课题研究背景和意义10-11
• 1.2 研究现状11-12
• 1.2.1 语音情感识别研究现状11-12
• 1.2.2 极限学习机研究现状12
• 1.3 语音情感识别存在问题12-13
• 1.4 本课题研究内容与论文安排13-16
• 第二章 语音情感识别系统理论16-28
• 2.1 语音情感库16-17
• 2.2 语音情感特征17-21
• 2.2.1 基频18
• 2.2.2 能量18
• 2.2.3 共振峰18-19
• 2.2.4 MFCC19-20
• 2.2.5 LPCC20-21
• 2.3 语音情感识别网络21-26
• 2.3.1 隐马尔可夫模型 HMM22-23
• 2.3.2 混合高斯模型法 GMM23-24
• 2.3.3 支持向量机 SVM24-25
• 2.3.4 人工神经网络 ANN25-26
• 2.4 本章小结26-28
• 第三章 极限学习机算法的研究及应用28-38
• 3.1 基于 ELM 的单隐层前馈神经网络模型28-31
• 3.2 基于核函数 ELM 的广义单隐层前馈神经网络模型31-32
• 3.2.1 特征映射和核函数32
• 3.3 语音情感识别中的应用32-36
• 3.3.1 情感数据库32
• 3.3.2 情感特征提取32-33
• 3.3.3 实验结果及分析33-36
• 3.4 本章小结36-38
• 第四章 人工蜂群算法优化 KELM 参数的研究及应用38-52
• 4.1 人工蜂群算法38-40
• 4.1.1 蜂群算法生物学背景38-39
• 4.1.2 蜂群算法基本原理39-40
• 4.2 改进的人工蜂群算法40-46
• 4.2.1 理论基础41-42
• 4.2.2 改进的蜂群算法42-43
• 4.2.3 性能对比43-46
• 4.2.4 基于 Im-ABC 的 KELM 参数优化46
• 4.3 语音情感识别中的应用46-50
• 4.3.1 情感数据库46-47
• 4.3.2 情感特征提取47
• 4.3.3 实验结果及分析47-50
• 4.4 本章小结50-52
• 第五章 选择性集成极限学习机的研究及应用52-62
• 5.1 集成算法52-55
• 5.1.1 Bagging 集成算法52-54
• 5.1.2 Out-of-bag 样本54-55
• 5.2 选择性集成算法55-57
• 5.2.1 算法描述55-56
• 5.2.2 基于优化的选择性集成56-57
• 5.3 选择性集成极限学习机网络57-58
• 5.4 语音情感识别中的应用58-61
• 5.4.1 情感数据库及特征提取58
• 5.4.2 实验结果及分析58-61
• 5.5 本章小结61-62
• 第六章 总结与展望62-64
• 6.1 工作总结62-63
• 6.2 下一步工作展望63-64
• 参考文献64-68
• 致谢68-69
• 攻读学位期间发表的学术论文目录69

【参考文献】

中国期刊全文数据库 前10条

1 韩一;王国胤;杨勇;;基于MFCC的语音情感识别[J];重庆邮电大学学报(自然科学版);2008年05期

2 张文博;姬红兵;;融合极限学习机[J];电子与信息学报;2013年11期

3 韩敏;刘贲;;一种改进的旋转森林分类算法[J];电子与信息学报;2013年12期

4 邓万宇;郑庆华;陈琳;许学斌;;神经网络极速学习方法研究[J];计算机学报;2010年02期

5 张春霞;张讲社;;选择性集成学习算法综述[J];计算机学报;2011年08期

6 余伶俐;周开军;邱爱兵;;基于Elman神经网络的语音情感识别应用研究[J];计算机应用研究;2012年05期

7 田慧欣;毛志忠;;基于Bagging的多模型钢水温度预报[J];控制与决策;2009年05期

8 向万里;马寿峰;;基于轮盘赌反向选择机制的蜂群优化算法[J];计算机应用研究;2013年01期

9 陆慧娟;安春霖;马小平;郑恩辉;杨小兵;;基于输出不一致测度的极限学习机集成的基因表达数据分类[J];计算机学报;2013年02期

10 刘三阳;张平;朱明敏;;基于局部搜索的人工蜂群算法[J];控制与决策;2014年01期

本文编号：604115