極限學習機在語音情感識別中的應(yīng)用研究.pdf

1、隨著計算機技術(shù)的快速發(fā)展，計算機的智能化和人性化逐漸成為新的研究熱點，其中語音作為人與計算機交流的最簡單方式，成為其實現(xiàn)的關(guān)鍵因素，本文重點研究了計算機的情感語音識別。所做的工作有以下幾點:
　　首先論文介紹了常用的幾種情感識別網(wǎng)絡(luò)模型原理及優(yōu)缺點，接下來將具有快速學習速度和良好泛化性能的極限學習機算法用于語音情感識別中，建立了基于極限學習機的廣義單隱層前饋神經(jīng)網(wǎng)絡(luò)識別模型（基本極限學習機ELM和核函數(shù)極限學習機KELM），同時對

2、比SVM識別模型，對TYUT和EMO-DB兩情感語音庫中的三種情感高興、生氣和中性的識別效果進行了分析。
　　接著就核函數(shù)極限學習機KELM性能進一步分析，發(fā)現(xiàn)其參數(shù)對網(wǎng)絡(luò)性能具有重要影響，從而提出了采用人工蜂群算法優(yōu)化網(wǎng)絡(luò)參數(shù);針對基本人工蜂群算法尋優(yōu)過程存在的種群多樣性降低和收斂速度變慢的缺點，提出了改進的人工蜂群算法優(yōu)化KELM參數(shù)，對EMO-DB情感語音庫中的4種情感（高興、生氣、悲傷和中性）進行識別實驗，結(jié)果表明改進人工

3、蜂群算法優(yōu)化KELM參數(shù)的識別模型在時間上和泛化性能上均是最優(yōu)的。
　　最后針對基本極限學習機網(wǎng)絡(luò)不夠穩(wěn)定的問題，提出了選擇性集成極限學習機模型，先建立Bagging極限學習機網(wǎng)絡(luò)和out-of-bag樣本;接著將每個基本ELM分類器對應(yīng)的權(quán)重組成的權(quán)重向量作為人工蜂群算法的種群個體，適應(yīng)度函數(shù)設(shè)為out-of-bag樣本輸入到具有不同權(quán)重向量的Bagging極限學習機網(wǎng)絡(luò)中得到的泛化誤差，通過蜂群算法尋優(yōu)機制找到最優(yōu)的權(quán)重向量，