語音情感狀態(tài)模糊識別研究.pdf

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

2、了研究，主要研究內(nèi)容如下：
　　1、研究了語音信號的端點檢測、預加重、分幀和加窗等預處理步驟，以及提取詳細的語音情感特征參數(shù)和用 KPCA方法對語音情感特征降維分析。KPCA能夠降低特征的冗余度，有效減少學習算法的運算量，改善識別性能。實驗結果表明基于核主成分分析方法的特征選擇使識別結果得到提高。
　　2、研究了基于模糊支持向量機算法（FSVM）的語音情感識別方法，通過將模糊理論與支持向量相結合，提高支持向量機方法的學習性能

3、和泛化能力，解決小樣本、非線性、高維數(shù)以及局部極小點等問題，并消弱噪聲和孤立點對模糊分類的影響，改善了對語音情感狀態(tài)的識別率。
　　3、研究了基于自適應模糊C均值算法（AFCM）的語音情感識別方法，該方法對不同的數(shù)據(jù)使用不同的聚類半徑，彌補了FCM方法使用同一個聚類半徑的不足，改善了語音情感狀態(tài)的識別率。在 AFCM算法中，實驗發(fā)現(xiàn)用 Mahalanobis距離函數(shù)和模糊加權指數(shù) m=2時對四類的情感識別率都最高。而在 FCM算法

4、和AFCM算法對比實驗中發(fā)現(xiàn)，AFCM比FCM有更好的識別效果。
　　4、研究了模糊矢量量化相關理論，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。實驗發(fā)現(xiàn)碼書中的碼字數(shù)目C為22和模糊加權指數(shù)m為1.1以及高斯核寬度δ為5