語(yǔ)音情感識(shí)別的研究

《語(yǔ)音情感識(shí)別的研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、￣￣單位代碼１０６０２Ｉ學(xué)號(hào)２０１３０１１６６５分類(lèi)號(hào)ＴＰ３９１級(jí)公開(kāi)全Ｑ方心呼藏＇＞序ＧＵＡＮＧＸＩＮＯＰＭＡＬＵＮＩＶＥＰＳＩＴＹ碩壬學(xué)化文語(yǔ)音情感識(shí)別的研究Ｒｅｓｅａｒｃｈｏｎｓｅｅｃｈｅｍｏｔｉｏｎｒｅｃｏｎｉｔｉｏｎｐｇ學(xué)院；電子工程學(xué)院專(zhuān)業(yè)：電子與通信王程研究方向；語(yǔ)音情感識(shí)別的研究年級(jí)；２０１３級(jí)研究生：謝玲指導(dǎo)教師：視維平教授完成日期：２０１６年４月語(yǔ)音情感識(shí)別的研究專(zhuān)業(yè)名電子與通信工程申請(qǐng)人：

2、撕冷指導(dǎo)教師：胡錐平論文答辯委巧會(huì)主席委員：八訓(xùn)廣西師姬大學(xué)碩±學(xué)巧論義語(yǔ)音情感識(shí)別的研巧研究生姓名：謝玲導(dǎo)師姓名：胡維平專(zhuān)業(yè)：電子與通信工程研究方向：語(yǔ)音情感識(shí)別的研究年級(jí)：２０１３摘要語(yǔ)音情感識(shí)別是屯、理學(xué)、語(yǔ)音學(xué)、數(shù)字信號(hào)處理、人工智能等多個(gè)學(xué)科相互交義而產(chǎn)生的新興研巧領(lǐng)域，引起了越來(lái)越多學(xué)者的關(guān)注。語(yǔ)音情感識(shí)別不僅在人機(jī)交互中有較大，而且在疾病診斷、刑偵破案、遠(yuǎn)程教育等領(lǐng)域也有日趨廣泛的應(yīng)用的應(yīng)用前景。因此，語(yǔ)音情感識(shí)別的研究具有重大的理論意義

3、Ｗ及實(shí)際應(yīng)用價(jià)值。目前，語(yǔ)音情感識(shí)別研巧己取得了豐富的理論和應(yīng)用成果，然而由于語(yǔ)音自身的復(fù)雜性Ｗ及各相關(guān)學(xué)科發(fā)展程度的制約，該項(xiàng)研巧依然存在許多亟待解決的技術(shù)難題。本文是在悲哀，對(duì)語(yǔ)、高興、中性、驚嚇?biāo)姆N語(yǔ)音情感庫(kù)的基礎(chǔ)上音情感識(shí)別將征提取技術(shù)做了相關(guān)研巧Ｉ主要包括如下四個(gè)方面內(nèi)容：１（）端點(diǎn)檢測(cè)不僅影響語(yǔ)音情感識(shí)別系統(tǒng)的性能，而且對(duì)語(yǔ)音分析中的計(jì)算量與處理時(shí)間也有影響，。本文提出采用了基于能煽比的端點(diǎn)檢測(cè)法并與常用的基于短時(shí)能量與短。，時(shí)過(guò)零率的方法做了比較分析實(shí)驗(yàn)結(jié)果表明在低信

4、噪比的情況下，本文采用的方法能得到更優(yōu)的檢測(cè)效果。（２）特征選擇是語(yǔ)音情感識(shí)別系統(tǒng)中的關(guān)鍵環(huán)節(jié)。通常，特征選擇的原則是盡可能將，，相關(guān)特征納入特征集，其結(jié)果很難避免特征間的相關(guān)性和冗余性同時(shí)大大増加了計(jì)算量并對(duì)隨后的語(yǔ)音情感識(shí)別結(jié)果帶來(lái)負(fù)面的影響。因此，本文采用了ＢＰ神經(jīng)網(wǎng)絡(luò)對(duì)常用的一３２個(gè)特征進(jìn)行特征選擇，選出對(duì)語(yǔ)音情感識(shí)別貢獻(xiàn)度較好的５個(gè)特征（能量階差分、基一頻均值，ＳＶＭ、ＭＦＣＣ均值、過(guò)零率階差分、ＬＰＣ均值）作為特征矢量集最后分別使用，７６７９７５，與ＧＭＭ識(shí)別機(jī)進(jìn)行識(shí)

5、別得到語(yǔ)音情感平均識(shí)別率分別為％與．％。因此本文Ｗ下工作中的語(yǔ)音情感識(shí)別機(jī)選用ＧＭＭ。（３）從特征選擇結(jié)果得到的日個(gè)特征，其中ＭＦＣＣ均值參數(shù)維數(shù)為２４、ＬＰＣ均值參２一一數(shù)維數(shù)為１，而其余Ｈ個(gè)特征參數(shù)（能量階差分、基頻均值、過(guò)零率階差分）的維數(shù)一１，均為。因此為了進(jìn)步提高語(yǔ)音情感識(shí)別率，降低特征維數(shù)，減少計(jì)算量，本文提出ＰＣＡＭＦＣＣＰＣ３６一采用方法對(duì)均值與Ｌ均值組成的維特征矢量集進(jìn)行降維，得到姐化維特征矢量集與其余Ｈ個(gè)特征組成新的持征矢量集。最后使用ＧＭＭ識(shí)別機(jī)識(shí)別，得到四種

6、語(yǔ)音情感的平均識(shí)別率為８０．５％，實(shí)現(xiàn)識(shí)別率的提升。（４）由（３）可知，其方法對(duì)語(yǔ)音情感識(shí)別率的提升是有效的，然而提升效果有限。因此一，為了進(jìn)步提升語(yǔ)音情感識(shí)別率，本文提出了在語(yǔ)音信號(hào)基頻曲線上提?。停疲茫锰兀崳娬鲄?shù)，并將其加入將征矢量集中，用ＧＭＭ識(shí)別機(jī)識(shí)別，得到四種語(yǔ)音情感的平均識(shí)別Ｉ廣西師巧大學(xué)碩±學(xué)位論義一率為８３％。為了再進(jìn)步提升語(yǔ)音情感識(shí)別率，本文提出了基于短時(shí)平均幅度曲線上提?。崳?，，用ＧＭＭ識(shí)別機(jī)識(shí)別的微擾特征參數(shù)并將其加入特征矢量集中，得到四種語(yǔ)音情感的８４５平

7、均識(shí)別率為．％。說(shuō)明本文提取的兩類(lèi)特征對(duì)語(yǔ)音情感識(shí)別率的提升是有效的。關(guān)鍵詞；ＢＰ：語(yǔ)音情感識(shí)別；能擱比神經(jīng)網(wǎng)絡(luò)；特征選擇；高斯漏合模型ｎ廣西師范大學(xué)碩±學(xué)位論文ＲｅｓｅａｒｃｈｏｎｓｐｅｅｃｈｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎＧｒａｄｕａｔｅｓｔｕｄｅｎｔ：ＬｉｎｇＸｉｅＴｕｔｏｒ：Ｐｒｏｆ．ＷｅｉｐｉｎｇＨｕｇｒａｄｅ：２０１３Ｍａｏｒ：Ｅｌｅ巧ｒｏｎｉｃｓａｎｄＣｏｍｍｘｍｉｃａｔｉｏ打ＥｎｇｉｎｅｅｒｉｎｊｇＲｅｓｅａｒｃｈｄｉｒｅｃｔ

8、ｉｏｎ：ＲｅｓｅａｒｃｈｏｎｓｐｅｅｃｈｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎＡｂｓｔｒａｃｔＳｐｅｅｃｈＥｍｏｔｉｏｎＲｅｃｏｇｎｉｔｉｏｎ（ＳＥＣ），ｗｈｉｃｈｉｓ過(guò)ｉｒｅｓｅａｒｃｈｉｎｔｅｒａｃｔｉｏｎｏｆｍｕｌｔｉｐｌｅｄｉｓｃｉｐｌｉｎｅｓ，ｓｕｃｈ＊ａｓｓｃｈｏｌｏｈｏｎｅｔｉｃｓｄｉｉｔａｌｓｉｎａｌｒｏｃｅｓｓｉｎａｎｄａｒｔｉｆｉｃｉａ