采用半定规划多核SVM的语音情感识别

doi:10.13190/j.jbupt.2015.s1.016

北京邮电大学学报 ›› 2015, Vol. 38 ›› Issue (s1): 67-71.doi: 10.13190/j.jbupt.2015.s1.016

采用半定规划多核SVM的语音情感识别

姜晓庆^1,2, 夏克文¹, 夏莘媛¹, 祖宝开¹

1. 河北工业大学电子信息工程学院, 天津 300401;
2. 济南大学信息科学与工程学院, 济南 250022

收稿日期:2014-07-08 出版日期:2015-06-28 发布日期:2015-06-28
作者简介:姜晓庆(1981—), 女, 博士生, E-mail: ujnjxq@126.com; 夏克文(1965—), 男, 教授, 博士生导师.
基金资助:
国家自然科学基金项目(51208168); 天津市自然科学基金项目(11JCYBJC00900, 13JCYBJC37700); 河北省自然科学基金项目(F2013202254, F2013202102); 河北省引进留学人员基金项目(C2012003038); 济南大学科研基金项目(XKY1317)

Speech Emotion Recognition Using Semi-Definite Programming Multiple-Kernel SVM

JIANG Xiao-qing^1,2, XIA Ke-wen¹, XIA Xin-yuan¹, ZU Bao-kai¹

1. School of Electronics and Information Engineering, Hebei University of Technology, Tianjin 300401, China;
2. School of Information Science and Engineering, University of Jinan, Jinan 250022, China

Received:2014-07-08 Online:2015-06-28 Published:2015-06-28

摘要/Abstract

摘要：

为提高语音情感识别精度,采用二叉树结构设计多分类器,其中使用半定规划法求解并构造多核支持向量机(SVM)分类模型,并采用均方根误差与最大误差对分类器性能进行衡量. 对特征选择之后的参数集合进行了测试,结果表明,采用半定规划多核SVM分类模型的情感识别精度达到88.614%,比单核分类模型的识别精度提高了12.376%,且能有效减少误差积累和降低情感状态之间混淆程度.

关键词: 语音情感识别, 多核支持向量机, 半定规划

Abstract:

To improve the accuracy of speech emotion recognition, a multi-class classifier with binary-tree structure is adopted, which includes building the multi-kernel support vector machine (SVM) classifier model solved by semi-definite programming method, and using the root mean square error and maximum error to evaluate the performance of the classifier. Through the test on the parameter set obtained by feature selection algorithm, the results of experiments show that the total recognition accuracy of the proposed multiple-kernel SVM classifier model using semi-definite programming is 88.614%, which is 12.376% higher than that of single-kernel SVM model. Moreover the multiple-kernel SVM model can reduce the total error accumulation and confusion between emotion states.

Key words: speech emotion recognition, multiple-kernel support vector machine, semi-definite programming

中图分类号:

TP18

姜晓庆, 夏克文, 夏莘媛, 祖宝开. 采用半定规划多核SVM的语音情感识别[J]. 北京邮电大学学报, 2015, 38(s1): 67-71.

JIANG Xiao-qing, XIA Ke-wen, XIA Xin-yuan, ZU Bao-kai. Speech Emotion Recognition Using Semi-Definite Programming Multiple-Kernel SVM[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2015, 38(s1): 67-71.

[1]	张天魁蔡昌利骆晓亮朱禹涛. 基于多尺度特征Transformer的细粒度图像分类方法[J]. 北京邮电大学学报, 2023, 46(4): 70-75.
[2]	霍纬纲孟璐郭润夏. 融合重构和对比的多维时间序列表示学习模型[J]. 北京邮电大学学报, 2023, 46(4): 83-90.
[3]	包乾辉文娟石淑珍董萌萍刘雪. 融合句法依存与 BERT-Att-BiLSTM 的属性分类[J]. 北京邮电大学学报, 2023, 46(4): 123-128.
[4]	周雨昊孙哲吴晓非禹可. 基于门控特征融合的中文错别字纠正模型[J]. 北京邮电大学学报, 2023, 46(4): 91-96,122.
[5]	苏兴禹可吴晓非. 基于层次门控交互融合网络的谣言检测方法[J]. 北京邮电大学学报, 2023, 46(4): 97-102.
[6]	张涛马春梅. 面向异构时序数据基于关键帧动态采样的行为识别研究[J]. 北京邮电大学学报, 0, (): 0-0.
[7]	宫岐伟禹可吴晓非. PERC Roberta：基于ERC Roberta的提示学习实现对话情感识别[J]. 北京邮电大学学报, 0, (): 0-0.
[8]	孙艳华史亚会王朱伟李萌司鹏搏. 基于元蒸馏的个性化联邦学习算法[J]. 北京邮电大学学报, 2023, 46(1): 12-18.
[9]	姚日辉陈雯柏陈启丽吴培良. 家庭服务机器人知识图谱的构建与应用[J]. 北京邮电大学学报, 2022, 45(5): 72-78.
[10]	杨杰张书杰. 基于密集YOLOv3的印刷电路板缺陷识别[J]. 北京邮电大学学报, 2022, 45(5): 42-48.
[11]	刘绍华孙靖凯王奕苏刘海波毛天露. 一种多精度交互的行人轨迹预测[J]. 北京邮电大学学报, 2022, 45(5): 1-6.
[12]	刘金桐, 杨国兴, 刘晓鸿, 王光宇. 针对心电图分类模型的平滑攻击算法[J]. 北京邮电大学学报, 2022, 45(4): 44-50.
[13]	黄柳婷, 刘可欣, 牛凯, 常春, 贺志强. 基于深度学习的哮喘患者CT影像黏液栓自动识别[J]. 北京邮电大学学报, 2022, 45(4): 58-63.
[14]	武兴坤, 罗涛, 刘爱军, 杨明, 张文静. 面向主动脉缩窄辅助诊断的神经网络模型设计[J]. 北京邮电大学学报, 2022, 45(4): 1-6.
[15]	谢攀, 彭才静, 何志慧, 张远. 一种融合分组卷积和半监督的睡眠分期方法[J]. 北京邮电大学学报, 2022, 45(4): 7-12.

采用半定规划多核SVM的语音情感识别

Speech Emotion Recognition Using Semi-Definite Programming Multiple-Kernel SVM

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价