基于語音信息的多特征情緒識別算法研究.pdf

1、情感計算是對與情感相關、來源于情感或者影響情感方面的計算，其目的是賦予智能機器感知，理解和表達各種情感狀態(tài)的能力。情感識別是情感計算的關鍵研究內容，是實現(xiàn)和諧人機交互的重要基礎。目前，情感計算主要以表情、姿態(tài)、語音、文本和生理信號為基礎進行情感識別，其中語音信號，是情感信息表達的主要載體，且獲取方便，越來越受到研究人員的重視。尋找能夠準確表征語音情緒狀態(tài)的特征參數和有效的情緒狀態(tài)識別模型是語音情緒識別的主要困難，一直是研究的熱點之一。<

2、br>　　本文主要以語音信息的情感特征參數和情感模型對四種情緒(happy, angry,sad，fear)識別的有效性為研究內容。首先，提取語音信號的樣本熵作為一個表征語音情緒狀態(tài)的特征參數，分析其在語音情緒識別中的區(qū)分性，并與傳統(tǒng)的聲學參數進行特征融合，用于情緒識別;然后，在傳統(tǒng)BP網絡基礎上，結合基于貢獻分析的PCA算法，建立了一種基于PCA貢獻分析的神經網絡語音情感識別模型。對實驗結果的分析表明，對樣本熵與傳統(tǒng)的聲學參數進行特征

3、融合可以改進分類器的性能;基于PCA與神經網絡建立的語音情感識別模型提高了識別效率。具體研究內容如下:
　　(1)信號獲取。根據語音情感信號的產生機理和國際上對情感類型的劃分方法，綜合比較國內外典型情感語音數據庫，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。對原始數據進行采樣、量化、預加重、分幀、加窗等預處理后，針對端點效應問題，本文提出基于樣本熵改進的兩級判別端點檢測算法。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，將其作為第一級判別，初步判斷信號的起止點，然后將修正的過零率作為第二級判別，最終確定信號的起止點。
　　(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參數(包括語速、能量特征、基音頻率、MFCC)及其統(tǒng)計參數，進行特征融合應用于語音情緒識別。采用PCA貢獻分析對原始特征向量集合進行降維，得到最簡約向量集，降低網絡模型的復雜性，降低訓練時間。
　　(4)語音情緒識別模型。本文在

5、傳統(tǒng)BP網絡基礎上，結合基于貢獻分析的PCA算法，建立一種基于PCA的神經網絡語音信號情感識別模型?；谏鲜鋈诤系奶卣鳎迷撉楦心Ｐ蛯?00個樣本的四種情緒狀態(tài)進行識別。實驗結果分析表明:(a)樣本熵是一個能夠表征語音信號情感變化的有效參數。樣本熵和傳統(tǒng)聲學特征參數的融合可以顯著提高分類器的識別率，改善情感識別模型的性能。(b)基于PCA貢獻分析的神經網絡語音情感識別模型解決了傳統(tǒng)BP算法計算量大，運算速度慢的問題，有效的提高了系統(tǒng)的