基于蚁群优化的SVM语音情感识别算法研究
发布时间：2022-01-10 13:00
实现真正意义上的人工智能需要实现计算机的“情感智能”,语音作为人类交流中传递信息的常用载体,蕴含着丰富多样的情感资源,因此,语音情感识别在人工智能的研究热潮中占据重要地位。在语音情感识别的基本框架下,对能够有效表征情感的特征参数的提取及对情感分类识别网络的建立,是决定语音情感识别模型性能的关键,也是语音情感识别核心研究内容。本文利用遗传算法对SVM分类模型进行参数优化,根据多级分类思想构建SVM模型在柏林数据库中的情感进行实验,对语料库中部分情感类别混淆度较大的问题,提出利用改进后具有全局多次优解搜索能力的蚁群算法筛选贡献度更大的特征向量实现特征降维。具体工作如下:（1）介绍语音情感识别中常用的情感模型及语料库,选择基于离散模型的纯净无噪的柏林数据库作为语料库。通过对语音数据库中的语音信号进行预处理后,主要分析、提取包括短时能量、基音频率、共振峰、MFCC及其衍生参数等重要情感特征,经过统计变量计算,构建出167维情感特征向量,完成语音信号的前端处理工作。（2）采用在高维小样本上性能优异的支持向量机作为分类器,通过研究,采用遗传算法优化的惩罚因子C和核参数σ,并以此来构造SVM分类器,...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图２．１语音情感识别基本原理框图??本章将根据情感语音识别近年来的研宄成果和本文算法所需的理论及技术??基础，介绍关于情感描述模型、情感语料库的相关内容，并对语音信号进行一??
?第２章语音信号预处理及情感特征提取???ａ??ａｒｏｕｓａｌ??ｆｕｒｉｏｕｓ＾＾＾??／?ａｌａ?ｌｅｄ?Ｎ．??ｔｅｒｍｅｄ?ｈａｐｐｙ?＼??／?ＡＮＧＥＲ?ＪＯＹ?＼??Ａｆｒａｉｄ?ａｎｎｏｙｅｄ?＼??厂?ｉｎｔｅｒｅｓｔ?＇??ｐｌｅａｓｅｄ??ｎｅｒｖｏｕｓ??？?？??ｃｏｎｔｅｎｔ??ｉ?ｒｅｌａｘｅｄ?ｊ??＼?ＳＡＤＮＥＳＳ?ＮＥＵＴＲＡＬ?／??ｄｏ＾ｅｓｓｅｄ?ｂｏｒｅｄ?Ｃａｌｍ?／??＼．?ｓｌｅ?ｓｐｙ?／??＼?ｒ??图２．２激活度－效价情感空间??较之离散情感模型的简洁、易懂，维度模型由于需要进行定性情感到定量??空间坐标的转换，这是一个较为繁重且难以保证质量的过程；但维度情感模型??能够从连续的角度描述情感，以精确的数值回避了离散情感模型中模糊性描述??情感方面的问题，理论上可以涵盖所有的情感状态，被认为拥有无限的情感描??述能力。??２．２情感语音数据库??情感数据库的建立是对语音情感识别模型进行训练和识别操作的前提和基??础，语音情感数据库的质量基本对在此基础上训练的情感识别模型的性能起着??至关重要的影响。由于情感类别定义尚无定论，因此情感语料库也没有限制统??一的标准，一般根据激发情感的方式将常用的情感语料库主要分为：表演型、??引导型、表演和引导二者结合型及自然型。??情感语音数据库基于情感描述模型分为离散情感语料库和维度情感语料??９??
?第２章语音信号预处理及情感特征提取???高通滤波器的幅频特性??，：１??１?－??０．５?．??Ｑ?Ｉ?Ｉ?１１１１?｜?Ｉ?Ｉ??０?２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??频半／Ｈｚ??，５，?，?———，——??〇??—Ｊ?１?＇?＇?＾???０?５０?１００?１５０?２００?２５０?３００??频率／Ｈｚ??图２．４高通滤波器的特性??由图２．４的幅频特性可以看出，一阶高通滤波器在处理语音信号时，高频??信号能够正常通过，对低频信号会进行一定的衰减处理，使高频部分得以提升，??且相频特性图显示不会因此而破坏语音信号所携带的信息成分。通过此高通滤??波器对柏林语音库中的０３ａ０１Ｆａ语音样本（情感：高兴）进行预加重，原始语音信??号及频谱和加重后的信号和频谱分别如图２．５、图２．６所示，展示了语音预加重??处理后的效果。??＾?ｘ１〇－３?原始语音信号??－１?１?１?１?１?１??０?５０?１００?１５０?２００?２５０?３００??样点致??ｘ１〇－３?经萵通滤波后的语音倍兮????０?５０?１００?１５０?２００?２５０?３００??样点数??图２．５语音信号预加重??１２??
【参考文献】：
期刊论文
[1]语音情感识别研究综述[J]. 高庆吉,赵志华,徐达,邢志伟. 智能系统学报. 2020(01)
[2]一种融合蚁群算法和随机森林的特征选择方法[J]. 李光华,李俊清,张亮,辛衍森,邓华伟. 计算机科学. 2019(S2)
[3]语音情感识别研究综述[J]. 张会云. 信息通信. 2019(11)
[4]基于支持向量机的语音情感识别算法研究[J]. 刘明珠,李晓琴,陈洪恒. 哈尔滨理工大学学报. 2019(04)
[5]利用语音与文本特征融合改善语音情感识别[J]. 冯亚琴,沈凌洁,胡婷婷,王蔚. 数据采集与处理. 2019(04)
[6]基于改进型支持向量机的语音信号情感识别研究[J]. 胡明,崔冉,郭健鹏,吴静然,翟晓东. 数字技术与应用. 2019(06)
[7]一种改进的DNN-HMM的语音识别方法[J]. 李云红,梁思程,贾凯莉,张秋铭,宋鹏,何琛,王刚毅,李禹萱. 应用声学. 2019(03)
[8]基于HMM和ANN混合模型的语音情感识别研究[J]. 林巧民,齐柱柱. 计算机技术与发展. 2018(10)
[9]语音识别技术的研究进展与展望[J]. 王海坤,潘嘉,刘聪. 电信科学. 2018(02)
[10]改进遗传算法优化BP神经网络的语音情感识别[J]. 陈闯,Ryad Chellali,邢尹. 计算机应用研究. 2019(02)
硕士论文
[1]语音情感识别算法研究[D]. 王思羽.南京邮电大学 2019
[2]基于特征选择和优化的语音情感识别研究[D]. 李欢欢.西安电子科技大学 2019
[3]基于神经网络的语音情感识别算法研究[D]. 乔文婷.西安电子科技大学 2018
[4]基于遗传优化的多级SVM语音情感识别[D]. 谈利芳.华中师范大学 2017
本文编号：3580761
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图２．１语音情感识别基本原理框图??本章将根据情感语音识别近年来的研宄成果和本文算法所需的理论及技术??基础，介绍关于情感描述模型、情感语料库的相关内容，并对语音信号进行一??
?第２章语音信号预处理及情感特征提取???ａ??ａｒｏｕｓａｌ??ｆｕｒｉｏｕｓ＾＾＾??／?ａｌａ?ｌｅｄ?Ｎ．??ｔｅｒｍｅｄ?ｈａｐｐｙ?＼??／?ＡＮＧＥＲ?ＪＯＹ?＼??Ａｆｒａｉｄ?ａｎｎｏｙｅｄ?＼??厂?ｉｎｔｅｒｅｓｔ?＇??ｐｌｅａｓｅｄ??ｎｅｒｖｏｕｓ??？?？??ｃｏｎｔｅｎｔ??ｉ?ｒｅｌａｘｅｄ?ｊ??＼?ＳＡＤＮＥＳＳ?ＮＥＵＴＲＡＬ?／??ｄｏ＾ｅｓｓｅｄ?ｂｏｒｅｄ?Ｃａｌｍ?／??＼．?ｓｌｅ?ｓｐｙ?／??＼?ｒ??图２．２激活度－效价情感空间??较之离散情感模型的简洁、易懂，维度模型由于需要进行定性情感到定量??空间坐标的转换，这是一个较为繁重且难以保证质量的过程；但维度情感模型??能够从连续的角度描述情感，以精确的数值回避了离散情感模型中模糊性描述??情感方面的问题，理论上可以涵盖所有的情感状态，被认为拥有无限的情感描??述能力。??２．２情感语音数据库??情感数据库的建立是对语音情感识别模型进行训练和识别操作的前提和基??础，语音情感数据库的质量基本对在此基础上训练的情感识别模型的性能起着??至关重要的影响。由于情感类别定义尚无定论，因此情感语料库也没有限制统??一的标准，一般根据激发情感的方式将常用的情感语料库主要分为：表演型、??引导型、表演和引导二者结合型及自然型。??情感语音数据库基于情感描述模型分为离散情感语料库和维度情感语料??９??
?第２章语音信号预处理及情感特征提取???高通滤波器的幅频特性??，：１??１?－??０．５?．??Ｑ?Ｉ?Ｉ?１１１１?｜?Ｉ?Ｉ??０?２００?４００?６００?８００?１０００?１２００?１４００?１６００?１８００?２０００??频半／Ｈｚ??，５，?，?———，——??〇??—Ｊ?１?＇?＇?＾???０?５０?１００?１５０?２００?２５０?３００??频率／Ｈｚ??图２．４高通滤波器的特性??由图２．４的幅频特性可以看出，一阶高通滤波器在处理语音信号时，高频??信号能够正常通过，对低频信号会进行一定的衰减处理，使高频部分得以提升，??且相频特性图显示不会因此而破坏语音信号所携带的信息成分。通过此高通滤??波器对柏林语音库中的０３ａ０１Ｆａ语音样本（情感：高兴）进行预加重，原始语音信??号及频谱和加重后的信号和频谱分别如图２．５、图２．６所示，展示了语音预加重??处理后的效果。??＾?ｘ１〇－３?原始语音信号??－１?１?１?１?１?１??０?５０?１００?１５０?２００?２５０?３００??样点致??ｘ１〇－３?经萵通滤波后的语音倍兮????０?５０?１００?１５０?２００?２５０?３００??样点数??图２．５语音信号预加重??１２??
【参考文献】：
期刊论文
[1]语音情感识别研究综述[J]. 高庆吉,赵志华,徐达,邢志伟. 智能系统学报. 2020(01)
[2]一种融合蚁群算法和随机森林的特征选择方法[J]. 李光华,李俊清,张亮,辛衍森,邓华伟. 计算机科学. 2019(S2)
[3]语音情感识别研究综述[J]. 张会云. 信息通信. 2019(11)
[4]基于支持向量机的语音情感识别算法研究[J]. 刘明珠,李晓琴,陈洪恒. 哈尔滨理工大学学报. 2019(04)
[5]利用语音与文本特征融合改善语音情感识别[J]. 冯亚琴,沈凌洁,胡婷婷,王蔚. 数据采集与处理. 2019(04)
[6]基于改进型支持向量机的语音信号情感识别研究[J]. 胡明,崔冉,郭健鹏,吴静然,翟晓东. 数字技术与应用. 2019(06)
[7]一种改进的DNN-HMM的语音识别方法[J]. 李云红,梁思程,贾凯莉,张秋铭,宋鹏,何琛,王刚毅,李禹萱. 应用声学. 2019(03)
[8]基于HMM和ANN混合模型的语音情感识别研究[J]. 林巧民,齐柱柱. 计算机技术与发展. 2018(10)
[9]语音识别技术的研究进展与展望[J]. 王海坤,潘嘉,刘聪. 电信科学. 2018(02)
[10]改进遗传算法优化BP神经网络的语音情感识别[J]. 陈闯,Ryad Chellali,邢尹. 计算机应用研究. 2019(02)
硕士论文
[1]语音情感识别算法研究[D]. 王思羽.南京邮电大学 2019
[2]基于特征选择和优化的语音情感识别研究[D]. 李欢欢.西安电子科技大学 2019
[3]基于神经网络的语音情感识别算法研究[D]. 乔文婷.西安电子科技大学 2018
[4]基于遗传优化的多级SVM语音情感识别[D]. 谈利芳.华中师范大学 2017
本文编号：3580761
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3580761.html
