基于語音信息的多特征情緒識(shí)別算法研究.pdf

1、情感計(jì)算是對(duì)與情感相關(guān)、來源于情感或者影響情感方面的計(jì)算，其目的是賦予智能機(jī)器感知，理解和表達(dá)各種情感狀態(tài)的能力。情感識(shí)別是情感計(jì)算的關(guān)鍵研究內(nèi)容，是實(shí)現(xiàn)和諧人機(jī)交互的重要基礎(chǔ)。目前，情感計(jì)算主要以表情、姿態(tài)、語音、文本和生理信號(hào)為基礎(chǔ)進(jìn)行情感識(shí)別，其中語音信號(hào)，是情感信息表達(dá)的主要載體，且獲取方便，越來越受到研究人員的重視。尋找能夠準(zhǔn)確表征語音情緒狀態(tài)的特征參數(shù)和有效的情緒狀態(tài)識(shí)別模型是語音情緒識(shí)別的主要困難，一直是研究的熱點(diǎn)之一。<

2、br>　　本文主要以語音信息的情感特征參數(shù)和情感模型對(duì)四種情緒(happy, angry,sad，fear)識(shí)別的有效性為研究內(nèi)容。首先，提取語音信號(hào)的樣本熵作為一個(gè)表征語音情緒狀態(tài)的特征參數(shù)，分析其在語音情緒識(shí)別中的區(qū)分性，并與傳統(tǒng)的聲學(xué)參數(shù)進(jìn)行特征融合，用于情緒識(shí)別;然后，在傳統(tǒng)BP網(wǎng)絡(luò)基礎(chǔ)上，結(jié)合基于貢獻(xiàn)分析的PCA算法，建立了一種基于PCA貢獻(xiàn)分析的神經(jīng)網(wǎng)絡(luò)語音情感識(shí)別模型。對(duì)實(shí)驗(yàn)結(jié)果的分析表明，對(duì)樣本熵與傳統(tǒng)的聲學(xué)參數(shù)進(jìn)行特征

3、融合可以改進(jìn)分類器的性能;基于PCA與神經(jīng)網(wǎng)絡(luò)建立的語音情感識(shí)別模型提高了識(shí)別效率。具體研究內(nèi)容如下:
　　(1)信號(hào)獲取。根據(jù)語音情感信號(hào)的產(chǎn)生機(jī)理和國際上對(duì)情感類型的劃分方法，綜合比較國內(nèi)外典型情感語音數(shù)據(jù)庫，最終確定本文的情感類型劃分方法和采用的情感語音庫。
　　(2)前期處理。對(duì)原始數(shù)據(jù)進(jìn)行采樣、量化、預(yù)加重、分幀、加窗等預(yù)處理后，針對(duì)端點(diǎn)效應(yīng)問題，本文提出基于樣本熵改進(jìn)的兩級(jí)判別端點(diǎn)檢測算法。采用模糊C均值聚類算法

4、和貝葉斯信息判決算法確定雙門限閾值，將其作為第一級(jí)判別，初步判斷信號(hào)的起止點(diǎn)，然后將修正的過零率作為第二級(jí)判別，最終確定信號(hào)的起止點(diǎn)。
　　(3)特征提取與特征選擇。本研究將樣本熵及目前比較成熟的聲學(xué)參數(shù)(包括語速、能量特征、基音頻率、MFCC)及其統(tǒng)計(jì)參數(shù)，進(jìn)行特征融合應(yīng)用于語音情緒識(shí)別。采用PCA貢獻(xiàn)分析對(duì)原始特征向量集合進(jìn)行降維，得到最簡約向量集，降低網(wǎng)絡(luò)模型的復(fù)雜性，降低訓(xùn)練時(shí)間。
　　(4)語音情緒識(shí)別模型。本文在

5、傳統(tǒng)BP網(wǎng)絡(luò)基礎(chǔ)上，結(jié)合基于貢獻(xiàn)分析的PCA算法，建立一種基于PCA的神經(jīng)網(wǎng)絡(luò)語音信號(hào)情感識(shí)別模型?；谏鲜鋈诤系奶卣?，利用該情感模型對(duì)800個(gè)樣本的四種情緒狀態(tài)進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果分析表明:(a)樣本熵是一個(gè)能夠表征語音信號(hào)情感變化的有效參數(shù)。樣本熵和傳統(tǒng)聲學(xué)特征參數(shù)的融合可以顯著提高分類器的識(shí)別率，改善情感識(shí)別模型的性能。(b)基于PCA貢獻(xiàn)分析的神經(jīng)網(wǎng)絡(luò)語音情感識(shí)別模型解決了傳統(tǒng)BP算法計(jì)算量大，運(yùn)算速度慢的問題，有效的提高了系統(tǒng)的