语音情感识别中的分层特征与序贯识别

《语音情感识别中的分层特征与序贯识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、语音情感识别中的分层特征与序贯识别专业名称：计算机应用技术申请人：罗梅指导教师：黄汉明教授论文答辩委员会i席o。红尘彬委员：菠叠c鲴篷塑!c盥丛!L‘曼砖，『蠢语音情感识别中的分层特征与序贯识别㈣姓名：继学科专业：盐簋拯应厦撞鲞导师姓名：黄选咀年级：垫且研究方向：适壹信曼矬堡摘要语音情感识别技术具有』。泛的应刚前景，冈此语音情感的识别研究具有重要的意义。本文以生气、高兴、中性、悲伤四种情感状态为例，对情感特征的提取、选择以及识别方法进行研究，主要工作概括为以一卜几个方面：(1)*-I-对基音频率特征参数提取过程中的传统巾值平滑算法的不足，提出了一种改进『f勺中债滤波平滑算法。

2、实验结果表明，改进的中值滤波jI!滑算法比传统的中值滤波平滑算法能更有效地去除“野点”，可在一定程度上抑制噪声对邻域的影响，使基频轨迹与真实的轨迹更接近，达到理想n勺平滑效果。(2)结合小波分析理论和分形维理论，提取了一种新的特征一小波分形维特征，突破了传统语音情感特征的局限性。使用GMM模型对时序性的小波分形特征进行建模，实验结果表叨，小波分形的时序性特征对中性、悲伤两种情感具有较强的区分能力，司‘作为一种新的情感特征用于语音情感识别领域。(3)不同的情感特征、识别方法对识别率的高低产生很大的影响。本文依次采用SVM、GMM分别针对全局性的情感特征、时序性的情感特征进行建模

3、和识别，寻找区分各个情感类刘的有效的情感特征。(4)从情感维度理论出发，针对不同1)勺两种基本情感状态适当组合与比对，采用不同的语音情感特征，对四种基本情感进行分层识别。四种基本情感状态的识别过程分两步进行：第一步利用--N两个分类器区分出(生气、高兴)情感组合与(中性、悲伤)情感组合两大类组合情感；第二步再针对生气与高兴基本情感、中性与悲伤基本情感分别提取不同特征和采用不同的分类器进行区分识别。这种序贯分类器识别方法有效降低了高激活维度情感与低激活维度情感之问的误识率，提高了四类情感总体的识别率。关键字：语音情感识别，特征选择，基本情感级合，类比比对，序贯识别Stratif

4、iedFeaturesandSequentialClassificationonSpeechAffectiveRecognitionName：L盟M亟SpecialField：Supervisor：HuangHanmingTechnologyofComputerApplication——AbstractGrade：2皿Interests：SpeechSignalProcessingDuetospeechaffectiverecognitionhasfarrangingapplicableprospects，SOemotionalspeechrecognitionresearc

5、hhasimportantsignificance．Inthispaper，fourbasicemotionmodes：angry，happy,neutralandsadareconsidered，researchesarecarriedoutontheemotionalfeaturesextractionandselection，andalsoontherecognitionalgorithms．Thecompletedreseachescanbesummarizedasthefollowing：(1)Animprovedmedianfiltersmoothingalgor

6、ithmisproposedtoamelioratethesbortcomesofthetypicalmediansmoothingalgorithmforpitchfrequencyfeatureextraction．Theresultsofexperimentsshowthattheimprovedmedianfiltersmoothingmethodismuchmoreeffectivetoremove”outliers”thantheclassicmedianfiltersmoothingmethod．Furthermore，insomeextent，thisnews

7、moothingalgorithmsuppressestheinfluenceofnoisesontheirneighborhood，makingtheestimatedfundamentalfrequencytrajectorymuchmoreclosertotherealtrajectory,andachievingamoredesirablesmoothingeffect．(2)Anewfearture～wavelet—fractalfeatureisextractedbasingonwavele