語音情感狀態(tài)模糊識(shí)別研究.pdf

1、語音情感識(shí)別技術(shù)是人工智能領(lǐng)域的一個(gè)新興分支，在建立和諧人機(jī)交互環(huán)境和安全系統(tǒng)自動(dòng)監(jiān)督方面有著廣泛的應(yīng)用前景，對(duì)人類的進(jìn)步意義是重大的。語音情感的識(shí)別過程主要包括語音信號(hào)預(yù)處理、語音情感特征參數(shù)提取分析、語音情感類別分類識(shí)別。由于情感信息這一語義變量本身的模糊、不可確定性，所以對(duì)情感狀態(tài)進(jìn)行精準(zhǔn)識(shí)別是很有難度的。而在識(shí)別過程中所用到的情感特征參數(shù)的維數(shù)又高，增加了識(shí)別的難度，降低了識(shí)別率。為此，本文針對(duì)基于模糊理論的語音情感識(shí)別方法進(jìn)行

2、了研究，主要研究?jī)?nèi)容如下：
　　1、研究了語音信號(hào)的端點(diǎn)檢測(cè)、預(yù)加重、分幀和加窗等預(yù)處理步驟，以及提取詳細(xì)的語音情感特征參數(shù)和用 KPCA方法對(duì)語音情感特征降維分析。KPCA能夠降低特征的冗余度，有效減少學(xué)習(xí)算法的運(yùn)算量，改善識(shí)別性能。實(shí)驗(yàn)結(jié)果表明基于核主成分分析方法的特征選擇使識(shí)別結(jié)果得到提高。
　　2、研究了基于模糊支持向量機(jī)算法（FSVM）的語音情感識(shí)別方法，通過將模糊理論與支持向量相結(jié)合，提高支持向量機(jī)方法的學(xué)習(xí)性能

3、和泛化能力，解決小樣本、非線性、高維數(shù)以及局部極小點(diǎn)等問題，并消弱噪聲和孤立點(diǎn)對(duì)模糊分類的影響，改善了對(duì)語音情感狀態(tài)的識(shí)別率。
　　3、研究了基于自適應(yīng)模糊C均值算法（AFCM）的語音情感識(shí)別方法，該方法對(duì)不同的數(shù)據(jù)使用不同的聚類半徑，彌補(bǔ)了FCM方法使用同一個(gè)聚類半徑的不足，改善了語音情感狀態(tài)的識(shí)別率。在 AFCM算法中，實(shí)驗(yàn)發(fā)現(xiàn)用 Mahalanobis距離函數(shù)和模糊加權(quán)指數(shù) m=2時(shí)對(duì)四類的情感識(shí)別率都最高。而在 FCM算法

4、和AFCM算法對(duì)比實(shí)驗(yàn)中發(fā)現(xiàn)，AFCM比FCM有更好的識(shí)別效果。
　　4、研究了模糊矢量量化相關(guān)理論，接著研究模糊核矢量量化算法（FKVQ）和模糊核熵矢量量化（FKEVQ）。在FKEVQ算法中引入了碼字矢量量化，把相似的數(shù)據(jù)量化成碼書，還用核映射將輸入空間映射到高維特征空間，使數(shù)據(jù)有更好的區(qū)分性，同時(shí)為了平衡隸屬度函數(shù)，使用模糊熵度增加不同數(shù)據(jù)的可區(qū)分性。實(shí)驗(yàn)發(fā)現(xiàn)碼書中的碼字?jǐn)?shù)目C為22和模糊加權(quán)指數(shù)m為1.1以及高斯核寬度δ為5