[发明专利]基于重要性权重支持向量机分类器的语音情感识别方法

摘要

本发明公开了一种基于重要性权重支持向量机分类器的语音情感识别方法，包括训练样本与测试样本偏差的量化，重要性权重系数模型的建立以及重要性权重系数为基础的SVM的建立。该方法在重要性权重系数的基础上量化训练样本与测试样本的偏差，从而在分类器层面进行偏差调整。本发明通过构建针对情感分类中训练样本与测试样本存在偏差的问题的重要性权重系数模型，量化语音样本中训练样本与测试样本的偏差，利用基于重要性权重系数模型的SVM分类器，在分类器层面通过调整分类超平面来进行偏差调整，提高了语音情感识别的准确度以及稳定性。

主权项

1.一种基于重要性权重支持向量机分类器的语音情感识别方法，其特征在于，该方法包括以下步骤：步骤1：对输入的语音信号进行预处理，并提取特征向量d_i；步骤2：将输入的样本集划分为训练样本集和测试样本集并从所述测试样本集中随机选取b个模板点，c_l，组成其中是所述训练样本集中的一个样本，是所述测试样本集中的一个样本，n_tr是训练样本集中样本个数，n_te是测试样本集中样本个数，i是训练样本集中样本序号，j是测试样本集中样本序号，l是随机选取的测试样本集中样本序号；步骤3：计算基函数最佳高斯核宽度具体流程如下：步骤3.1：设置预设基函数高斯核宽度σ分别为0.1，0.2，...，1；步骤3.2：按照以下流程计算预估参数向量α：步骤3.2.1：根据下式计算构建以为元素的b×b矩阵是b×b的矩阵，是中的元素，l,l′＝1,2,...,b，c_l′是随机选取的测试样本集中的一点，l’是随机选取的测试样本集中样本下标；步骤3.2.2：根据下式计算构建以为元素的b维向量是b维的向量，是中的元素；步骤3.2.3：计算预估参数向量α：以α≥0为约束条件，计算最优化问题即计算以下表达式取最小值时参数向量α的取值：其中是重要性权重的近似方差期望，α′为向量α的转置向量，是向量的转置向量；步骤3.3：交叉验证计算基函数最佳高斯核宽度把训练样本集和测试样本集分别分成R个子集和根据下式计算交叉验证下第r个重要性权重的近似方差期望：其中是交叉验证下第r个重要性权重的近似方差期望，r＝1,2,...R，是第r个训练样本子集，是第r个测试样本子集，是的样本数，是的样本数，s^tr是中的一个样本，s^te是中的一个样本，是样本s^tr的重要性权重估计，是样本s^te的重要性权重估计，其计算公式如下：其中α_l是步骤3.2.3中计算得到的预估参数向量α中的第l个元素；将预设的10个σ值：0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1分别代入下式计算交叉验证下重要性权重的近似方差期望将最小的值对应的σ作为基函数最佳高斯核宽度其中r＝1,2,...R；步骤4：以α≥0为约束条件，计算最优化问题得到最佳参数向量其中l,l′＝1,2,...,b,其中是矩阵中第l行l’列的元素，是一维向量中的第l个元素；步骤5：通过下式计算重要性权重β(s)：其中为最佳参数向量中的元素，s为训练测试样本点中的一个样本，s∈D，D为训练测试样本点的集合；步骤6：建立重要性权重SVM分类器：把所述重要性权重β(s)作为系数加到标准SVM分类器的松弛变量ξ上，得到如下SVM分类器表达式：将所述SVM分类器表达式与如下约束条件构成重要性权重SVM分类器：y_i(<w,d_i>+b)≥1‑ξ_i,ξ_i≥0,1≤i≤L其中，w是分类超平面的标准向量，|w|是w的模长，C是惩罚参数，d_i是由预处理之后的训练样本集提取的特征向量，y_i∈{+1,‑1}是类标签，它们组成训练样本(d₁,y₁)，(d₂,y₂)，...，(d_l,y_l)，β_i是训练样本点(d_i,y_i)的重要性权重,ξ_i是训练样本点(d_i,y_i)的松弛变量；步骤7：利用所述步骤1提取的特征向量和所述步骤6建立的重要性权重SVM分类器进行语音情感的识别。