基于层次支持向量机的脉搏信号情感识别

发布时间：2019-03-14 09:35

【摘要】：针对传统支持向量机的情感识别中,随着识别情感的类别增加,支持向量机数目急剧增加,导致训练难度增大的同时占用内存空间过大,耗时过长的问题,提出了基于层次支持向量机的情感识别算法。该算法结合了二维情感模型理论,以层次支持向量机为基础,运用了小波分解等技术手段,构建了一套完整的脉搏信号情感识别方法。对于n类分类问题,传统的SVM(Support Vector Machine)分类需要n(n-1)/2个分类器,运用层次SVM分类只需要构造n-1个SVM分类器。实验结果表明,层次支持向量机模型在保证分类准确率的同时,减少了传统分类算法支持向量机的个数,分类速度提升了43.5%。
[Abstract]:For the emotion recognition of traditional support vector machines, the number of support vector machines increases sharply with the increase of the category of emotion recognition, which leads to the problem that the training difficulty is increased and the memory space is too large and the time consuming is too long. An emotion recognition algorithm based on hierarchical support vector machine is proposed. The algorithm combines the theory of two-dimensional emotion model, based on hierarchical support vector machine, and uses wavelet decomposition and other technical means to construct a complete set of pulse signal emotion recognition methods. For the n-class classification problem, the traditional SVM (Support Vector Machine) classification needs n (n ~ (1) / 2 classifiers, and the hierarchical SVM classification only needs to construct one SVM classifier. The experimental results show that the hierarchical support vector machine model not only guarantees the accuracy of classification, but also reduces the number of support vector machines in the traditional classification algorithm, and improves the classification speed by 43.5%.
【作者单位】： 吉林大学通信工程学院;吉林大学珠海学院;
【基金】：吉林省重点科技攻关基金资助项目(20150204039GX) 长春市重大科技攻关专项基金资助项目(14KG064) 广东省自然科学基金资助项目(2016A030313658) 吉林省科技发展计划基金资助项目(20170414017GH)
【分类号】：R443;TP18

【相似文献】

相关期刊论文 前10条

1 张向东,毕韶丹,关宏宇;拮抗药化合物活性的支持向量机研究[J];辽宁大学学报(自然科学版);2005年03期

2 罗万春;;基于支持向量机的凝血功能诊断模型[J];数学的实践与认识;2013年06期

3 谢洪波,王志中,黄海;表面肌电的支持向量机分类[J];北京生物医学工程;2004年02期

4 陆强;冯敏;马华;张西学;;模糊聚类支持向量机在步态分类中的应用[J];中国组织工程研究与临床康复;2011年09期

5 史鑫;罗述谦;;支持向量机在医学图像分割中的应用[J];北京生物医学工程;2007年03期

6 李磊;黄水平;;支持向量机原理及其在医学分类中的应用[J];中国卫生统计;2009年01期

7 郑莉丽;李晓强;李福凤;闫西平;王忆勤;王真真;;基于支持向量机的中医望诊唇色自动分类[J];生物医学工程学杂志;2011年01期

8 王浩军,郑崇勋,李映,朱华锋,闫相国;支持向量机在血细胞分类中的应用[J];生物医学工程学杂志;2003年03期

9 周舒冬;张磊;叶小华;杨云升;;支持向量机技术在疾病预后中的应用和比较[J];数理医药学杂志;2007年06期

10 胡康达;符红光;孔祥振;;分级聚类支持向量机在中医舌像分类中的应用[J];计算机应用;2010年S2期

相关会议论文 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：2439864