基于上下文的語音情感特征提取及推理方法研究.pdf

1、作為情感計(jì)算重要分支的語音情感識(shí)別，通過利用計(jì)算機(jī)及其它輔助設(shè)備分析和提取語音信號(hào)的情感特征參數(shù)，進(jìn)而分析情感狀態(tài)及狀態(tài)的變化規(guī)律，從而更大貢獻(xiàn)地提高人機(jī)交互技術(shù)的智能性和自然性。目前，基于孤立情感語句分析的語音情感識(shí)別研究已經(jīng)取得了非常優(yōu)異的成就，特別是已經(jīng)在通信、醫(yī)療、客服系統(tǒng)、遠(yuǎn)程教育等領(lǐng)域得到大量應(yīng)用，但在現(xiàn)實(shí)世界中，人的情感表達(dá)是連續(xù)流暢的，因此，針對(duì)連續(xù)語音的情感識(shí)別研究更加具有現(xiàn)實(shí)意義。本文正是針對(duì)人的說話具有連續(xù)性，前后

2、間是有規(guī)律的特點(diǎn)，提出從前后相鄰情感語句中提取上下文語音情感特征和考慮情感上下文信息的情感推理規(guī)則，并通過實(shí)驗(yàn)論證其有效性和貢獻(xiàn)性。論文的主要工作如下:
　　 (1)提出基于聲學(xué)上下文的語音情感特征提取與分析。針對(duì)語句之間的情感存在相互關(guān)聯(lián)的特性，從聲學(xué)角度提出上下文動(dòng)態(tài)情感特征、上下文差分情感特征、上下文邊緣動(dòng)態(tài)情感特征和上下文邊緣差分情感特征共四類268維語音情感上下文特征以及這四類情感特征的提取方法，該方法是從當(dāng)前情感語句

3、與其前面若干句的相鄰句中提取聲學(xué)特征，建立上下文特征模型，以此輔助傳統(tǒng)特征所建模型來提高識(shí)別率。其中，兩模型間采用基于模糊密度的多模型間的決策融合算法融合為一個(gè)完整的模型。最后，將該方法應(yīng)用于語音情感識(shí)別，實(shí)驗(yàn)結(jié)果表明，加入新的上下文語音情感特征后，六類典型情感的平均識(shí)別率為82.78％，比原有特征模型的平均識(shí)別率提高了約8.89％。
　　 (2)提出基于情感上下文的語音情感推理算法。針對(duì)在日常說話中，前后相鄰情感語句的情感變化

4、存在相互關(guān)聯(lián)的特性，提出基于情感上下文的情感推理算法。此算法首先利用待分析情感語句的傳統(tǒng)語音情感特征和上下文語音情感特征分別識(shí)別其所屬的情感狀態(tài)，然后借助于情感交互矩陣以及兩類情感特征識(shí)別結(jié)果的置信度對(duì)待測(cè)試語句所屬的情感類別進(jìn)行初次推理。在此基礎(chǔ)上，建立了一種語音情感上下文推理規(guī)則，利用該規(guī)則根據(jù)上下文情感狀態(tài)對(duì)待分析情感語句情感狀態(tài)進(jìn)行調(diào)整，最終得出待分析情感語句所屬的情感類別。將此算法應(yīng)用于語音情感識(shí)別，實(shí)驗(yàn)結(jié)果表明，此算法使得6

5、類典型情感的識(shí)別效率均得到了提高，其中，連續(xù)語音的情感識(shí)別的最優(yōu)結(jié)果為75.10％，比單一模型的識(shí)別率提高了12.17％。
　　 (3)基于上下文的語音情感識(shí)別原型系統(tǒng)在Matlab2012a環(huán)境實(shí)現(xiàn)開發(fā)。主要實(shí)現(xiàn)的功能有語音信號(hào)的預(yù)處理、情感特征參數(shù)的提取及降維、模型的訓(xùn)練和語句的情感識(shí)別，其代碼均由Matlab語言實(shí)現(xiàn)。最后，通過從不同庫、不同方面實(shí)驗(yàn)結(jié)果的對(duì)比和分析，證明了本文提出的上下文語音情感特征和情感推理算法的可行性