基于稀疏表示的語(yǔ)音情感特征學(xué)習(xí)與識(shí)別方法研究.pdf

1、語(yǔ)音情感識(shí)別旨在使用計(jì)算機(jī)技術(shù)來(lái)分析說(shuō)話人的情感狀態(tài)及變化，進(jìn)而確定其內(nèi)心情緒狀態(tài)或變化，最終實(shí)現(xiàn)人機(jī)之間更自然、更和諧的交互過(guò)程。經(jīng)過(guò)十幾年的研究與發(fā)展，語(yǔ)音情感識(shí)別已經(jīng)取得了許多突破性的研究成果，有著廣泛的應(yīng)用前景。首先，本文將基于稀疏表示的非監(jiān)督學(xué)習(xí)算法應(yīng)用于語(yǔ)音情感特征學(xué)習(xí)，由于在非監(jiān)督學(xué)習(xí)過(guò)程中使用的數(shù)據(jù)不帶類別標(biāo)簽，不需要昂貴的代價(jià)去獲取類別標(biāo)簽，因此與傳統(tǒng)的人工標(biāo)注類別并根據(jù)先驗(yàn)知識(shí)提取特征的方法相比，有著巨大的優(yōu)勢(shì)。其次

2、，本文對(duì)現(xiàn)有稀疏表示識(shí)別方法進(jìn)行研究和分析，對(duì)用于稀疏表示識(shí)別的字典學(xué)習(xí)模型進(jìn)行改進(jìn)，以求獲得更高的識(shí)別精度。最后，本文實(shí)現(xiàn)了基于稀疏表示的語(yǔ)音情感特征學(xué)習(xí)與識(shí)別原型系統(tǒng)。具體研究?jī)?nèi)容和成果列舉如下:
　　(1)基于稀疏表示的語(yǔ)音情感特征學(xué)習(xí)方法。到目前為止，語(yǔ)音情感識(shí)別所提取的特征大多都是基于韻律特征及其衍生的參數(shù)，到底何種特征能夠較好的反映情感信息還沒(méi)有一個(gè)明確的結(jié)論，這使得根據(jù)人工先驗(yàn)知識(shí)提取情感特征的方式遇到了瓶頸。本文將

3、基于稀疏表示的非監(jiān)督學(xué)習(xí)算法（包括:稀疏自動(dòng)編碼器、稀疏玻爾茲曼機(jī)、K-均值聚類）用于語(yǔ)音情感特征學(xué)習(xí)，旨在從大量無(wú)標(biāo)簽的語(yǔ)音情感數(shù)據(jù)中學(xué)習(xí)到有區(qū)分度的語(yǔ)音情感特征表示，而不需要像提取傳統(tǒng)語(yǔ)音情感特征那樣需要大量的先驗(yàn)知識(shí)和昂貴的類別標(biāo)注代價(jià)。提出基于稀疏表示的語(yǔ)音情感特征學(xué)習(xí)框架，從大量的底層特征中自動(dòng)學(xué)習(xí)到體現(xiàn)類別可區(qū)分性的語(yǔ)音情感特征，并對(duì)學(xué)習(xí)得到的特征進(jìn)行可視化。實(shí)驗(yàn)結(jié)果顯示:基于稀疏表示的語(yǔ)音情感特征學(xué)習(xí)方法學(xué)習(xí)得到的特征表示

4、比傳統(tǒng)情感特征的識(shí)別率高1％～7％，而且K-均值聚類方法得到特征表示的識(shí)別率要比其他兩種特征學(xué)習(xí)方法高1％～14％。
　　(2)聯(lián)合懲罰字典學(xué)習(xí)的稀疏表示語(yǔ)音情感識(shí)別方法。最近，稀疏表示識(shí)別方法在圖像和語(yǔ)音信號(hào)的識(shí)別任務(wù)中獲得了較高的識(shí)別率，并且對(duì)有遮擋的圖片和有環(huán)境噪音的語(yǔ)音信號(hào)有較好的的魯棒性。本文將基于字典學(xué)習(xí)的稀疏表示識(shí)別方法應(yīng)用于語(yǔ)音情感識(shí)別，提出聯(lián)合懲罰字典學(xué)習(xí)模型及相應(yīng)的識(shí)別準(zhǔn)則，給出該字典學(xué)習(xí)模型的優(yōu)化算法，最后給

5、出聯(lián)合懲罰字典學(xué)習(xí)的稀疏表示語(yǔ)音情感識(shí)別方法，并和其他字典學(xué)習(xí)方法的識(shí)別結(jié)果進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，本文提出的SCECDL(Sub-coding and Entire-coding JointlyPenalty based Dictionary Learning)方法比其他字典學(xué)習(xí)方法識(shí)別率高1％～8％，比常用的語(yǔ)音情感識(shí)別方法SVM高4％～9％。
　　(3)基于稀疏表示的語(yǔ)音情感特征學(xué)習(xí)與識(shí)別原型系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)。針對(duì)上述提出的基