基于KELM决策融合的语音情感识别

《基于KELM决策融合的语音情感识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于KELM决策融合的语音情感识别摘要：针对语音情感信号的复杂性和单一分类器识别的局限性，提出一种核函数极限学习机(KELM)决策融合的方法用于语音情感识别。首先对语音信号提取不同的特征，并训练相应的基分类器，同时将输出转化为概率型输出；然后利用测试集在基分类器的输出概率值计算自适应动态权值；最后对各慕分类器的输出进行线性加权融合得到最终的分类结果。利用该方法对柏林语音库中4种情感进行识别，实验结果表明，提出的融合KELM方法优于常用的单分类器以及多分类器融合方法，有效地提高了语咅情感识别系统的性能。关键词：语音情感识别；核函数极限学习机；决策策略；概率矩阵0引言人类的情感很难从一个量化的角度

2、定义，其中语音是一种包含说话人信息、语义、情感的复杂信号，是识别情感状态的有效途径。语咅情感识别是计算机分析语音信号的特征参数并自动判别情感状态的一门技术，是语音信号处理领域屮非常重要的研究方向，广泛应用于人工服务、精神健康诊断治疗、远程教学、机器人等领域。目前，国内外学者采用多种分类方法用于语音情感识別，常用的有隐马尔科夫模型(HiddenMarkovmodel,HMM)>支持向量机(SupportVectorMachine,SVM)和人工神经网络(ArtificialNeuralNetwork,ANN)等，NWETL⑴等人对一个汉语普通话语音库和一个缅甸语语音库训练和测试HMM,对6种情感

3、的平均识别率可以达到75.5%和78.5%,TATOR［2］等人使用SVM对喜、怒、悲、中性4种情感进行识别研究，最终平均识别率达到73%o极限学习机(ExtremeLearningMachine,ELM)是由HUANGGB等⑶于2006年提出的一-种应用于广义单隐层前馈神经网络的学习算法，与常用的ANN、SVM相比极大地提高了网络的学习速度和泛化性能⑷，已经在故障诊断⑸、病理诊断⑹等领域得到应用。文献［7］中证明ELM与SVM分类精度相似，但学习速度优于SVM、参数选择更容易，同时文中将Mercer条件用于网络模型，提出性能更好的核函数极限学习机(ExtremeLearningMachine

4、withKernel,KELM),据此本文采用KELM作为分类器。传统的语音情感识别方法均是采用单一特征或多个特征简单相加来构建单个网络进行分类识别，这种模式若要达到最佳的识别结果，需选择最全面的输入特征以及最优的分类器，但是两者兼顾最优是很难实现的。近年来提出的融合技术⑹通过制定融合规则在一定程度上实现了两个“最优”。因此，本文提出融合KELM的方法，该方法不仅继承了极限学习机分类精度高、学习速度快的性能，还具有融合技术识别率高的优势。设计实验将本文方法在柏林语音库中测试，提取聚合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)特征、韵律特征、梅

5、尔倒谱系数特征(Mel-FregurecyCepstrumCoefficients,MFCC),通过对基分类器的输出加权融合，实现语音情感识别。1核函数极限学习机极限学习机的隐层参数均为随机产生，且无需迭代，因此比传统方法参数选择简单、学习速度快。核函数极限学习机由ELM衍生而來，其解决多分类识别问题的能力更强。对于一个输入为d维向量X”输出标签为ti(i=1,N)的基木极限学习机模型描述为：KELM模型中，广义逆矩阵中的参数C与核函数中的参数g的选择会影响识别性能，需优化求解。2融合KELM基于加权求和的分类器决策融合方法可以分为两种：基于硬判决输出和基于软判决输出的融合方法。对于前者，每个

6、分类器的输岀是一个标签，通过计算各分类器输出的所有类别数量，将得到最大的票数的类別作为最后的输击；而对于后者，每个分类器的输出为决策概率，各个分类器按照分配的权重加权求和得到输出结果。基于软判决输出的方法通过输出一个介于0〜1之间的概率相比于输出0/1的硬判决输岀方法更能准确地分类，故选择软判决的融合方法。这里需要解决两个问题:(1)将KELM的数值输岀转化为概率输岀；(2)确定决策策略。2.1概率矩阵基本KELM的输出为数值输出，为了将输出范围统一，仿照概率支持向量机的研究将KELM的输出转化为概率形式：2.2决策策略融合权值的确定是一个关键问题，决策权重一般由分类器在训练数据上的性能决定，

7、决策吋会给训练吋性能好的分类器分配较大的权重，但这样会忽略测试样本的多样性和特性，所以计算权重分布时不仅应考虑分类器的性能，还应考虑测试样本的特性，这是本文制定决策策略的核心思想。融合KELM算法实现框图如图1o该方法的具体实现如下：⑴训练阶段训练样本经预处理后，分别提取n类特征，记为・・・，Fn,利用特征分别训练N个核函数极限学习机，记为KELMi,i=1,No(2)识别阶段%1对于预处理后的测