極限學(xué)習(xí)機(jī)在語(yǔ)音情感識(shí)別中的應(yīng)用研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，計(jì)算機(jī)的智能化和人性化逐漸成為新的研究熱點(diǎn)，其中語(yǔ)音作為人與計(jì)算機(jī)交流的最簡(jiǎn)單方式，成為其實(shí)現(xiàn)的關(guān)鍵因素，本文重點(diǎn)研究了計(jì)算機(jī)的情感語(yǔ)音識(shí)別。所做的工作有以下幾點(diǎn):
　　首先論文介紹了常用的幾種情感識(shí)別網(wǎng)絡(luò)模型原理及優(yōu)缺點(diǎn)，接下來(lái)將具有快速學(xué)習(xí)速度和良好泛化性能的極限學(xué)習(xí)機(jī)算法用于語(yǔ)音情感識(shí)別中，建立了基于極限學(xué)習(xí)機(jī)的廣義單隱層前饋神經(jīng)網(wǎng)絡(luò)識(shí)別模型（基本極限學(xué)習(xí)機(jī)ELM和核函數(shù)極限學(xué)習(xí)機(jī)KELM），同時(shí)對(duì)

2、比SVM識(shí)別模型，對(duì)TYUT和EMO-DB兩情感語(yǔ)音庫(kù)中的三種情感高興、生氣和中性的識(shí)別效果進(jìn)行了分析。
　　接著就核函數(shù)極限學(xué)習(xí)機(jī)KELM性能進(jìn)一步分析，發(fā)現(xiàn)其參數(shù)對(duì)網(wǎng)絡(luò)性能具有重要影響，從而提出了采用人工蜂群算法優(yōu)化網(wǎng)絡(luò)參數(shù);針對(duì)基本人工蜂群算法尋優(yōu)過(guò)程存在的種群多樣性降低和收斂速度變慢的缺點(diǎn)，提出了改進(jìn)的人工蜂群算法優(yōu)化KELM參數(shù)，對(duì)EMO-DB情感語(yǔ)音庫(kù)中的4種情感（高興、生氣、悲傷和中性）進(jìn)行識(shí)別實(shí)驗(yàn)，結(jié)果表明改進(jìn)人工

3、蜂群算法優(yōu)化KELM參數(shù)的識(shí)別模型在時(shí)間上和泛化性能上均是最優(yōu)的。
　　最后針對(duì)基本極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)不夠穩(wěn)定的問(wèn)題，提出了選擇性集成極限學(xué)習(xí)機(jī)模型，先建立Bagging極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)和out-of-bag樣本;接著將每個(gè)基本ELM分類(lèi)器對(duì)應(yīng)的權(quán)重組成的權(quán)重向量作為人工蜂群算法的種群個(gè)體，適應(yīng)度函數(shù)設(shè)為out-of-bag樣本輸入到具有不同權(quán)重向量的Bagging極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)中得到的泛化誤差，通過(guò)蜂群算法尋優(yōu)機(jī)制找到最優(yōu)的權(quán)重向量，