论文部分内容阅读
作为人机交互技术中重要的成员之一，语音情感识别技术被广泛应用在教育、医疗、通信、计算机、自动化等行业。同时，语音情感识别涉及的知识面很广，涵盖了计算机科学与技术、模式识别、语音学、心理学、统计学和信号处理等学科。具有良好的研究基础和广阔的发展前景。目前，语音情感识别的相关研究已经取得很多的成果，同时也存在着许多研究困难。通过改进分类算法准确率可以提高语音情感识别产品和系统的性能，使其提供更好的服务和用户体验，提高一些行业的工作质量和效率，对促进行业发展具有重要意义。在语音情感识别方面，SVM算法具有很好的分类性能，而AdaBoost算法可以进一步提升SVM算法的分类准确率。本文以SVM和AdaBoost算法为基础，提出一种新的集成学习算法，即选择性AdaBoostSVM算法，算法思路为：首先使用AdaBoost算法训练若干个SVM分类器，再通过Kmeans算法对这些分类器进行聚类，得到若干个代表分类器，然后对每一个测试样本，均使用Knn算法从训练集中找出其最近邻的若干训练样本，并将这些训练样本放入代表分类器中测试，最后选出测试准确率最高的分类器作为当前测试样本的最终分类器。本文在EMO-DB德语语音库、CASIA中文语音库和SAVEE英语语音库下测试算法效果。先找出三个语音库在五倍交叉验证和十倍交叉验证下的最优SVM参数，再分别对三个语音库作五倍交叉验证和十倍交叉验证的测试。实验结果表明，本文算法对三个语音库的分类准确率均有提升。在五倍交叉验证中，本文算法对三个语音库的分类准确率较单一SVM算法分别提升了1.86%、1.51%和3.77%，较AdaBoostSVM算法提升了0.35%、0.78%和0.13%，分类准确率达到87.56%、81.75%和76.75%。在十倍交叉验证中，本文算法对三个语音库的分类准确率较单一SVM算法分别提升了1.46%、0.74%和1.86%，较AdaBoostSVM算法提升了0.21%、0.37%和1.86%，分类准确率达到87.29%、81.20%和76.51%。说明本文提出的选择性AdaBoostSVM算法在提升语音情感识别准确率上是可行的。