基于半监督判别分析的语音情感识别(英文)

将基于多个嵌入图组合形式的半监督判别分析(SDA)以及核SDA(KSDA)应用于全监督的语音情感识别.在语音信号样本情感成分的预处理阶段,从样本语段中提取出多种特征及其统计参数,包括基音、过零率、能量、持续长度、共振峰和MFCC(Mel频率倒谱系数).在将样本特征送入分类器之前的维数约简阶段,使用经过参数优化的SDA或KSDA进行降维.Berlin语音情感数据库上的实验表明,在使用多类SVM分类器时的全监督语音情感识别中,SDA优于其他一些先进的基于谱图学习的维数约简算法,如LDA,LPP,MFA等,而KSDA通过核化的数据映射,能够取得比上述所有算法更好的识别效果.     

基于级联降维判别的语言情感识别（英文）

为了准确地识别语音情感信息,研究了语音情感识别的降维中判别级联效应.基于现有的局部投影算法和图形嵌入理论,提出了一种新型判别分析算法,即DCLPP算法.为了能够对语音情感识别保持足够的信息,该算法利用嵌入图形为样本的内部特点保留了原始空间.然后,为了扩展映射形式,提出了一种kernel dCLPP(KDCLPP)的方法.在EM O-DB和eNTERFACE'05情感语音数据库上对该算法进行了验证,结果表明,所提算法可明显地超越现有的常用主成成分分析(PCA)、线性判别分析(LDA)、局部保持投影(LPP)、局部鉴别嵌入(LDE)和图优化的Fisher判别分析(Gb FA)等判别分析算法,这些算法都有不同类型的分类器.     

基于局部离散度的监督型线性判别分析及其应用

鉴于线性判别分析(Linear Discriminant Analysis,LDA)算法存在的弊端,本文提出了一种基于局部离散度的监督型线性判别分析(Supervised Linear Discriminant Analysis based on Local Dispersion,SLDALD)算法.新方法的改进主要有:1)从像元邻域的角度出发,对类内散布矩阵、类间散布矩阵进行重新定义,得到类内邻域散布矩阵和类间邻域散布矩阵.新定义充分考虑了不同区域之间像元光谱特征离散度的差异性; 2)在计算类间邻域散布矩阵时,赋予类边界像元较大的权重,让特征降维更针对此类像元; 3)在计算类内邻域散布矩阵时,加大类边界像元的权重,让后续的特征降维针对此类像元.同时,降低噪声点的权重,以抑制噪声点对特征降维的干扰.实验结果表明:相比依据LDA算法所获得的低维特征的分类结果,以SLDALD算法所获得的低维特征为依据,影像分类精度得到明显地提高.     

基于Matlab仿真的数据降维实验设计

在Matlab的基础上,以3种经典的数据降维方法——主成分分析(PCA)、线性判别分析(LDA)和保局投影算法(LPP)为例,给出3种降维方法的最优化比较结果,对数据降维实验方法进行了探讨和设计。通过UCI标准数据集和ORL、Yale人脸数据集的比较实验表明:3种降维方法均能较好地完成降维任务,其中LPP和LDA数据降维方法效率较优,但在不同的实验条件下,表现略有不同。     

基于分片逆回归方法的线性与非线性判别分析的应用比较

所统计分析的数据集是前列腺癌基因数据集.采用分片逆回归方法和线性判别分析(LDA),二次判别分析(QDA).对基因芯片(微阵列)数据进行分析.用SIR降维,用LDA和QDA分类.讨论分片逆回归方法和二种方法对基因样本进行分类的效果.     

基于小波特征的维吾尔语方言识别

为进一步提高维吾尔语方言识别准确率,从特征域出发提出基于小波包变换的方言语音声学参数提取算法,利用小波包变换对语音信号进行精细分解,使用Bark滤波器提取低频子带和高频子带系数与人耳基底膜的不同部分对应,用局部线性嵌入的流形学习算法进行降维,提升信号的分类性能。分别以i-vector和x-vector两个主流系统进行方言识别实验,结果表明,小波特征声学参数的方言识别准确率比MFCC特征和FBank特征识别准确率均有提高。     

正则化最小二乘线性判别分析算法

线性判别分析(Linear Discriminant Analysis,LDA)是用于降维和分类的方法,然而在遇到小样本问题时,由于全局散布矩阵是奇异的,所以传统的LDA方法是不适用的。为了解决LDA的这种缺点,提出了基于最小二乘线性判别分析(Least Squares Linear Discriminant Analysis,LS-LDA)的正则化算法,在LS-LDA中分别加入关于加权矩阵的L1范数、L2范数和弹性网络的惩罚项、来解决小样本问题,使模型具有鲁棒性和稀疏性。在对回归分析、正则化方法和LS-LDA相关技术进行深入分析的基础上,构建正则化最小二乘线性判别分析框架算法,实现数据降维。结合标准文本数据集进行实验,采用KNN(K-Nearest-Neighbor)分类器进行文本分类。实验结果表明,正则化的LS-LDA具有很好的分类性能,其中以加入了弹性网络惩罚项的LS-LDA最优。     

基于认知评估的多维耳语音情感识别（英文）

研究了基于认知评估原理的多维耳语音情感识别.首先,比较了耳语音情感数据库和数据采集方法,研究了耳语音情感表达的特点,特别是基本情感的表达特点.其次,分析了耳语音的情感特征,并通过近年来的文献总结相关阶特征在效价维和唤醒维上的特征.研究了效价维和唤醒维在区分耳语音情感中的作用.最后,研究情感识别算法和应用耳语音情感识别的高斯混合模型.认知能力的评估也融入到情感识别过程中,从而对耳语音情感识别的结果进行纠错.基于认知分数,可以提高情感识别的结果.实验结果表明,耳语音信号中共振峰特征与唤醒维度不显著相关,而短期能量特征与情感变化在唤醒维度相关.结合认知分数可以提高语音情感识别的结果.     

融合HOG+SVM与MFCC特征的自动优化物体识别系统研究

在与人交互情况下,针对物体识别系统通过反馈信息自动优化识别能力问题,提出一种结合梯度直方图（HOG）特征提取和支持向量机（SVM）进行特定物体识别的方法。运用Tensorflow训练语音识别模型反馈人机交互信息,使系统实现自优化。以手表类别作为识别对象,通过HOG特征描述对手表进行特征提取,通过二维主成分分析（2DPCA）和线性判别分析（LDA）对整体和局部特征进行降维,运用改进的空间金字塔匹配模型通过SVM对其分类,并运用非极大值抑制（NMS）确定区域,运用训练的梅尔倒谱（MFCC）特征语音识别模型对反馈信息进行识别,最终整合信息优化识别系统。实验表明,该系统对手表有较高的识别率,并能通过人机交流在较短时间内使系统实现自优化。     

基于级联投影高斯混合模型的语音与心电情绪识别（英文）

提出了一种基于级联投影的高斯混合模型算法.首先,针对不同的特征维度计算高斯混合模型的边缘概率,依据边缘概率模型构造出多个子分类器,每个子分类器包含不同的特征组合.采用级联结构的框架对子分类器进行动态融合,从而获得对样本的自适应能力.其次,在心电情感信号和语音情感信号上验证了算法的有效性,通过实验诱发手段,采集了烦躁、喜悦、悲伤等情感数据.最后,探讨了情感特征参数(心率变异性、心电混沌特征,语句级静态特征等)的提取方法.研究了情感特征的降维方法,包括主分量分析、顺序特征选择、Fisher区分度和最大信息系数等方法.实验结果显示,所提算法能够在2种不同的场景中有效地提高情感识别的准确率.     

基于二维 PLA 的半监督动态人脸识别算法

提出一种结合二维PCA和二维LDA的降维方法,并将方法应用于人脸识别研究.对传统的半监督模糊聚类算法进行改造,使之可以直接用于二维数据矩阵进行动态聚类,并据此设计了一种动态学习算法.实验结果表明,与其他降维方法和聚类算法比较,这种结合了二维LDA的半监督聚类模型具有更好的识别率.     

基于局部线性嵌入与主成分分析的优化的RBF降水预报模型

针对用主成分分析算法对非线性数据降维,存在丢失局部结构数据信息的不足,提出了将主成分分析与局部线性嵌入相结合的正交投影降维算法。首先采用主成分分析方法降维可算出特征空间矩阵,然后采用局部线性嵌入方法降维后提取特征空间矩阵,再将这两种方法获得的特征空间矩阵正交投影进行降维的主要信息作为预报因子,最后利用优化的径向基函数RBF建立网络模型,以此对广西5月区域日降水量进行降水预报,结果显示,该模型在预报性能上优于同期的T213日降水预报。     

一种语音情感深度迁移识别算法

传统语音情感识别算法模型结构较为简单,需要足够量级的训练数据才能使其具有一定的实用性.然而,在实际应用中可供训练的数据集较少.为解决上述问题,提出了一种语音情感深度迁移识别算法.通过属性分析表构建、特征提取、相关性计算等操作确定源域数据集,并在此基础上训练迁移学习并构建预训练模型,最终构成语音情感分类模型.实验结果表明...     

一种新的结合情感数据场和蚁群策略的语音情感识别算法（英文）

为了有效识别自发、非典型及未分割语音的情感以建立更自然的人机交互界面,提出了一种新的结合情感数据场和蚁群策略的语音情感识别算法.用情感数据场中势函数建立基于块的声学特征向量之间的内在联系.为识别自发语音情感,用人工蚁群模拟基于块的声学特征向量,然后用典型的蚁群策略研究每个人工蚂蚁在情感数据场的运动轨迹,并把该蚂蚁的运动轨迹作为对应的声学特征向量的情感标签.利用2012年连续音视频情感挑战赛中的语音数据对所提算法进行测试.实验结果表明:该算法较已有算法能更好地对基于块的语音情感进行识别.     

针对人脸个体差异性的核线性判别分析

分析人脸特征结构,提出针对人脸个体差异性的核线性判别分析。首先,利用QR分解和正交投影提取出能够描述人脸个体差异的特征。然后,应用核技术将描述人脸个体差异的特征集投影到高维空间;最后,利用线性判别分析对高维空间中的数据进行分类识别,并在FERET、PIE和AR数据库上进行仿真实验。实验结果表明,本文算法与核线性判别分析、核主成分分析相比能够去除人脸的公共特征,从而提高了正确识别率和识别的稳定性。     

一种快衰落信道中OFDM系统的Kalman信道估计方法

针对频率选择性快衰落信道的多径干扰和较大的多普勒频率扩展,提出了一种基于导频的低维Kalman滤波算法用于正交频分复用(OFDM)系统信道估计.为了简化计算,采用一阶自回归(AR)过程对时变信道进行建模.利用复杂度大大降低的一维Kalman滤波算法进行单个子载波的并行信道估计,并采用基于导频的最小平方(LS)算法估计时变的信道衰减因子a.为了同时跟踪信道的频域相关性,采用了最小均方误差(MMSE)线性合并器对Kalman信道估计结果进行修正.在5.5 GHz频段上的仿真表明了这种基于导频的低维Kalman信道估计方法,降低了传统的Kalman滤波结构的复杂度,能够跟踪信道的时频变化,并且在一定程度上可以接近于理想信道估计的误码率性能.     

一种基于广义奇异值分解的无关联线性判别分析算法

有监督学习旨在样本数据集中找到最优判决向量。线性判别分析（LDA）和无关联线性判别分析（ULDA）是解决该问题的常用方法。研究中改进了古曲LDA方法使其与ULDA等价,并给出了相应求判决向量的ULDA/QR算法来简化ULDA中对判决向量的求解;为了有效地解决LDA方法和ULDA方法中类内散布矩阵奇异性的问题,提出了一种基于ULDA/QR,正则LDA和广义奇异值分解（GSVD）的无关联线性判别分析算法。     

基于多头注意力长短期记忆模型的语音情感识别方法（英文）

针对语音情感识别中不同表征空间的信息利用不足问题,提出了一种多头注意力的双层长短时记忆模型,用于充分挖掘有效的情感信息.该模型以具有时序情感信息的帧级别特征作为输入值,利用长短时记忆模块学习时域特征,设计了特征注意力模块和时间多头注意力模块,对长短时记忆模块的逐层输出值、特征注意力模块输出值、时间多头注意力模块输出值进行融合.结果表明,相比传统的长短时记忆模型,所提方法在eENTERFACE和GEMEP两个数据集上的识别准确率分别提升了14.6%和10.5%,从而证明了其在语音情感识别任务中的有效性.     

改进的人脸识别主分量分析算法

在应用于人脸识别领域的主分量分析(PCA)算法中,为了降低与外界光照变化相关的特征向量对提取特征的影响,提出了一种改进的主分量分析(MPCA)算法,利用相对应的标准方差对提取的特征矢量元素进行归一化处理.采用耶鲁大学的2个人脸数据库(Yale face database和Yaleface database B)进行了验证,实验结果表明,对于正面人脸和具有小角度姿态变化情况下的人脸,提出方法的性能优于传统的PCA和LDA(线性判别分析)算法,而运算量和PCA算法相同,大大低于LDA算法.     

语音情感识别分类算法研究综述

语音情感识别本质上是对语音情感的特征参数进行分类和模式识别,其核心问题在于寻找一个更为合适的语音情感识别算法.综述了语音情感识别算法的分类概况、常用的分类算法、研究中的困难与需要进一步研究的问题.最后展望了可能提高精度的先进识别模型.