基于稀疏表示的语音情感特征学习与识别方法研究

摘要

语音情感识别旨在使用计算机技术来分析说话人的情感状态及变化，进而确定其内心情绪状态或变化，最终实现人机之间更自然、更和谐的交互过程。经过十几年的研究与发展，语音情感识别已经取得了许多突破性的研究成果，有着广泛的应用前景。首先，本文将基于稀疏表示的非监督学习算法应用于语音情感特征学习，由于在非监督学习过程中使用的数据不带类别标签，不需要昂贵的代价去获取类别标签，因此与传统的人工标注类别并根据先验知识提取特征的方法相比，有着巨大的优势。其次，本文对现有稀疏表示识别方法进行研究和分析，对用于稀疏表示识别的字典学习模型进行改进，以求获得更高的识别精度。最后，本文实现了基于稀疏表示的语音情感特征学习与识别原型系统。具体研究内容和成果列举如下:
　　(1)基于稀疏表示的语音情感特征学习方法。到目前为止，语音情感识别所提取的特征大多都是基于韵律特征及其衍生的参数，到底何种特征能够较好的反映情感信息还没有一个明确的结论，这使得根据人工先验知识提取情感特征的方式遇到了瓶颈。本文将基于稀疏表示的非监督学习算法（包括:稀疏自动编码器、稀疏玻尔兹曼机、K-均值聚类）用于语音情感特征学习，旨在从大量无标签的语音情感数据中学习到有区分度的语音情感特征表示，而不需要像提取传统语音情感特征那样需要大量的先验知识和昂贵的类别标注代价。提出基于稀疏表示的语音情感特征学习框架，从大量的底层特征中自动学习到体现类别可区分性的语音情感特征，并对学习得到的特征进行可视化。实验结果显示:基于稀疏表示的语音情感特征学习方法学习得到的特征表示比传统情感特征的识别率高1％～7％，而且K-均值聚类方法得到特征表示的识别率要比其他两种特征学习方法高1％～14％。
　　(2)联合惩罚字典学习的稀疏表示语音情感识别方法。最近，稀疏表示识别方法在图像和语音信号的识别任务中获得了较高的识别率，并且对有遮挡的图片和有环境噪音的语音信号有较好的的鲁棒性。本文将基于字典学习的稀疏表示识别方法应用于语音情感识别，提出联合惩罚字典学习模型及相应的识别准则，给出该字典学习模型的优化算法，最后给出联合惩罚字典学习的稀疏表示语音情感识别方法，并和其他字典学习方法的识别结果进行比较。实验结果表明，本文提出的SCECDL(Sub-coding and Entire-coding JointlyPenalty based Dictionary Learning)方法比其他字典学习方法识别率高1％～8％，比常用的语音情感识别方法SVM高4％～9％。
　　(3)基于稀疏表示的语音情感特征学习与识别原型系统设计与实现。针对上述提出的基于稀疏表示的语音情感特征学习方法和联合惩罚字典学习的稀疏表示语音情感识别方法，在Matlab2012a环境下开发了该原型系统。该原型系统主要包括情感语音库的选择、语音信号预处理、语音情感特征提取、字典学习和稀疏表示识别五个功能。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．3 本文研究内容

1．4 本文组织结构

第二章 语音情感特征学习与识别关键技术概述

2．1 语音情感识别关键技术

2．1．1 情感语音库简介

2．1．2 语音信号预处理

2．1．3 情感特征的提取

2．1．4 情感特征的降维

2．1．5 语音情感识别方法

2．2 非监督特征学习理论

2．3 稀疏表示与识别

2．3．1 稀琉表示理论基础

2．3．2 稀琉表示识别

2．3．3 基于字典学习的稀琉表示识别方法

2．4 本章小结

第三章 基于稀疏表示的语音情感特征学习方法

3．1 引言

3．2 基于稀疏表示的语音情感特征学习框架

3．2．1 预处理并提取块

3．2．2 基于稀疏表示的特征学习算法

3．2．3 特征提取

3．2．4 语音情感识别

3．3 实验结果和分析

3．3．1 实验数据介绍

3．3．2 实验参数设定

3．3．3 特征表示的可视化

3．3．4 识别率比较与分析

3．4 本章小结

第四章 联合惩罚字典学习的稀疏表示语音情感识别方法

4．1 引言

4．2 基于子编码和全编码联合惩罚字典学习模型

4．2．1 子编码惩罚函数r1(A，D，X)

4．2．2 全编码惩罚函数r2(H，W，X)

4．2．3 子编码和全编码联合惩罚字典学习模型

4．3 基于子编码和全编码联合惩罚字典学习模型算法

4．3．1 字典学习模型的优化

4．3．2 优化后字典学习模型的算法

4．4 联合惩罚字典学习模型的识别准则

4．5 联合惩罚字典学习的稀琉表示语音情感识别框架

4．6 实验仿真研究

4．6．1 实验数据介绍

4．6．2 算法收敛性讨论与分析

4．6．3 识别率讨论与分析

4．7 本章小结

第五章 原型系统的设计与实现

5．1 概述

5．2 系统功能分析

5．3 功能模块的设计与实现

5．3．1 情感语音库选择模块

5．3．2 语音信号预处理模块

5．3．3 语音情感特征提取模块

5．3．4 字典学习模块

5．3．5 稀琉表示识别模块

5．4 原型系统功能简介

5．5 本章小结

第六章 工作总结与展望

6．1 本文工作总结

6．2 下一步工作展望

参考文献

致谢

攻读硕士学位期间完成的论文