[发明专利]一种基于PCA-BP的情绪识别方法及系统

权利要求书

1.一种基于PCA-BP的情绪识别方法，其特征在于，包括：

S1：获取训练音频，提取所述训练音频的第一声学特征向量和第一样本熵特征，分别将各个所述训练音频的所述第一声学特征向量和所述第一样本熵特征进行融合，得到各个所述训练音频的第一情感声谱特征向量；

S2：采用PCA算法对所述第一情感声谱特征向量进行降维处理，得到的第二情感声谱特征向量；

S3：分别将各种情绪对应的所述训练音频的所述第二情感声谱特征向量输入预置BP神经网络模型进行训练，得到各种情绪对应的声谱特征向量情绪模型并加入训练模板库；

S4：获取待检测音频，提取所述待检测音频的第二声学特征向量和第二样本熵特征，将所述第二声学特征向量和所述第二样本熵特征进行融合，得到待检测音频的第三情感声谱特征向量，将第三情感声谱特征向量与所述训练模板库中的各个所述声谱特征向量情绪模型进行比对并计算情绪模型匹配度，输出最大情绪模型匹配度对应的所述声谱特征向量情绪模型。

2.根据权利要求1所述的一种基于PCA-BP的情绪识别方法，其特征在于，步骤S1具体包括：

获取训练音频，对所述训练音频进行预处理，提取预处理后的所述训练音频的第一声学特征向量和第一样本熵特征，分别将各个所述训练音频的所述第一声学特征向量和所述第一样本熵特征进行融合，得到各个所述训练音频的情感声谱特征向量，其中，预处理具体包括：采样处理和/或预加重处理和/或预滤波处理和/或加窗处理和/或端点检测处理。

3.根据权利要求1所述的一种基于PCA-BP的情绪识别方法，其特征在于，所述第一声学特征向量具体包括：MFCC特征和/或GFCC特征。

4.根据权利要求1所述的一种基于PCA-BP的情绪识别方法，其特征在于，步骤S3具体包括：

S31：对预置BP神经网络模型进行网络参数初始化，其中，所述网络参数包括：连接权值、连接阈值、最大学习次数和误差精度；

S32：分别将各种情绪对应的所述训练音频的所述情感声谱特征向量输入预置BP神经网络模型进行训练，得到各种情绪对应的声谱特征向量情绪模型并加入训练模板库。

5.根据权利要求1所述的一种基于PCA-BP的情绪识别方法，其特征在于，步骤S4具体包括：

S41：获取待检测音频；

S42：对所述待检测音频进行预处理，提取预处理后的所述待检测音频的第二声学特征向量和第二样本熵特征，分别将各个所述待检测音频的所述第二声学特征向量和所述第二样本熵特征进行融合，得到各个所述待检测音频的情感声谱特征向量；

S43：将所述待检测音频的所述第三情感声谱特征向量与训练模板库中的各个所述声谱特征向量情绪模型进行比对并计算情绪模型匹配度，输出最大情绪模型匹配度对应的所述声谱特征向量情绪模型。

6.一种基于PCA-BP的情绪识别系统，其特征在于，包括：

第一特征提取单元，用于获取所述训练音频，提取预处理后的所述训练音频的第一声学特征向量和所述第一样本熵特征，分别将各个所述训练音频的所述第一声学特征向量和第一样本熵特征进行融合，得到各个所述训练音频的第一情感声谱特征向量；

降维处理单元，用于采用PCA算法对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量；

模型训练单元，用于分别将各种情绪对应的所述训练音频的所述第二情感声谱特征向量输入预置BP神经网络模型进行训练，得到各种情绪对应的声谱特征向量情绪模型并加入训练模板库；

情绪识别单元，用于获取待检测音频，提取所述待检测音频的第二声学特征向量和第二样本熵特征，将所述第二声学特征向量和所述第二样本熵特征进行融合，得到待检测音频的第三情感声谱特征向量，将所述第三情感声谱特征向量与所述训练模板库中的各个所述声谱特征向量情绪模型进行比对并计算情绪模型匹配度，输出最大情绪模型匹配度对应的所述声谱特征向量情绪模型。