菜单
  

    为了提高整体识别率,本文采用HMM与人工神经网络相结合的方法。在HMM与ANN融合时,本文采用的是人工神经网络多层感知器(MLP)。首先对该分类器进行训练,对每一个样本计算它和所有HMM模型的似然概率,从而完成对神经网络的训练过程。在识别阶段,先用每个HMM的均值矢量序列与待识别的语音信号进行线性匹配,过MLP识别。只采用HMM与二者相结合得到的识别率的对比表3如下所示。
    表3 HMM与HMM/ANN识别结果对比

    高兴        愤怒         惊奇        悲伤        平静
    HMM    84.6%      68.1%        69.4%       88.6%       68.5%
    HMM/ANN    92.3%      69.1%        79.6%       94.8%       79.2%
    从表3可以看出,在高兴的情感状态下,用HMM法的识别率为84.6%,将HMM与ANN相结合时的识别率为92.3%,在悲伤的情感状态下,用二者结合的方法识别率提高了6.2%,在惊奇和平静的情感状态下,识别率分别提高了10.2%和11.3%。这说明,用HMM与ANN相结合的方法是可行的,并且较只用HMM法所得到的识别率有了显著提高,具有更好的性能。
    4. 总结与展望
    本文对语音情感智能识别的现状和研究方法等做了深入的分析研究,在语音情感的分类、特征选择、模式识别方法等方面提出了自己的观点和看法。在进行语音情感的特征参数提取时,本文主要选取了时长、振幅、基频和共振峰等相关参数,并与经MFCC模型所提取的特征参数相结合,有效提取了语音中的情感特征参数,使识别率有了明显地提高。在进行模式识别时,采用了HMM与ANN相结合的方法,对以往研究进行了改进,并取得了较为满意的结果。
    虽然本文中有创新的地方并提高了识别率,但仍存在不足之处。首先,由于受到文化、性别、教育背景等的影响,每个人的说话特点都不尽相同,这将给语音情感识别的研究造成很大困难。本文仅仅对非个性化语音情感进行了研究,即只研究了人类在不同情感状态下语音特征的共性特征,并未对个性化特征加以分析。另外,由表3可知,愤怒、惊奇这两种情感的识别率分别为69.1%和79.6%,对这两种语音情感的识别率有待进一步地提高。
    关于语音情感智能识别的研究正由起步阶段逐渐发展,研究方法也越来越多,但很多仍处于理论阶段,未被推广应用。由于情感语音是随时间变化的非平稳信号,在信号变化过程中也会有很多语音特征发生变化,所以,如果有一种方法能将这些特征结合起来研究,就能比较全面地描述情感语音信号。这种多类特征组合是特征获取的一个新兴研究动向。另外,用特征降文方法能实现语音情感的高效识别,但目前仍处于起步阶段,需要在这个方面进行更多的研究与尝试。
  1. 上一篇:STC89C52单片机室内电器设备智能控制系统设计+源码+电路图+仿真图
  2. 下一篇:AT89C52单片机智能压力传感器系统设计+PCB线路板图+源程序
  1. MATLAB小电流接地故障选相方法研究

  2. Matlab基于前馈控制的加热炉温度控制系统设计

  3. Matlab微流控芯片热键合工艺优化研究

  4. MATLAB永磁同步电机矢量控制模型与算法设计

  5. MATLAB排爆机器人移动平台控制系统的设计

  6. 基于LabVIEW和MATLAB混合编程...

  7. 基于DeepLearning的语音识别研究

  8. 大众媒体对公共政策制定的影响

  9. 电站锅炉暖风器设计任务书

  10. java+mysql车辆管理系统的设计+源代码

  11. 杂拟谷盗体内共生菌沃尔...

  12. 当代大学生慈善意识研究+文献综述

  13. 十二层带中心支撑钢结构...

  14. 河岸冲刷和泥沙淤积的监测国内外研究现状

  15. 乳业同业并购式全产业链...

  16. 中考体育项目与体育教学合理结合的研究

  17. 酸性水汽提装置总汽提塔设计+CAD图纸

  

About

751论文网手机版...

主页:http://www.751com.cn

关闭返回