情感在人機(jī)交互中扮演著重要的角色,語(yǔ)音作為人們?nèi)粘Ｉ钪惺褂米顝V泛的交流方式之一,也是傳遞情感的主要媒介。全球老齡化、少子化、“空巢老人”問(wèn)題的加劇,為服務(wù)機(jī)器人的發(fā)展提供了廣闊的市場(chǎng)前景。新一代人機(jī)交互技術(shù)的逐漸深入,促使語(yǔ)音情感識(shí)別在服務(wù)機(jī)器人中的應(yīng)用成為研究的熱點(diǎn)。本文圍繞語(yǔ)音情感識(shí)別在服務(wù)機(jī)器人中的應(yīng)用開展了以下三個(gè)方面的工作:(1)在傳統(tǒng)機(jī)器學(xué)習(xí)領(lǐng)域,提出了基于Zernike的語(yǔ)音情感特征提取算法ZMFCC。語(yǔ)音情感識(shí)別的精度與提取的語(yǔ)音情感特征密切相關(guān)。MFCC作為語(yǔ)音信號(hào)的譜特征之一,充分考慮了人耳的聽覺(jué)感知特性,因此在以語(yǔ)音為研究對(duì)象的相關(guān)領(lǐng)域得到廣泛的應(yīng)用。本文對(duì)MFCC特征提取算法進(jìn)行改進(jìn),提出了基于Zernike矩的梅爾頻率倒譜系數(shù)(ZMFCC)語(yǔ)音情感特征提取算法,并結(jié)合LIBSVM分類器,實(shí)現(xiàn)了CASIA中文情感語(yǔ)料庫(kù)中六種情感的分類和識(shí)別。實(shí)驗(yàn)證明,本文提出的算法優(yōu)于MFCC和HuWSF等基于譜特征的語(yǔ)音情感特征提取方法。(2)在深度學(xué)習(xí)領(lǐng)域,提出了基于卷積神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林相結(jié)合的語(yǔ)音情感識(shí)別模型CNN-RF。深度學(xué)習(xí)可以從原始數(shù)據(jù)中自動(dòng)學(xué)習(xí)、提取高層次的...

【文章頁(yè)數(shù)】：46 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 服務(wù)機(jī)器人發(fā)展現(xiàn)狀
        1.2.2 語(yǔ)音情感識(shí)別在機(jī)器人領(lǐng)域的應(yīng)用
    1.3 本文研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
第2章 語(yǔ)音情感識(shí)別概述
    2.1 常用語(yǔ)音情感數(shù)據(jù)庫(kù)
    2.2 語(yǔ)音情感特征提取
        2.2.1 韻律特征
        2.2.2 譜特征
        2.2.3 其他特征
    2.3 語(yǔ)音情感特征選擇
    2.4 語(yǔ)音情感識(shí)別分類模型
第3章 ZMFCC特征提取算法
    3.1 MFCC應(yīng)用現(xiàn)狀
    3.2 基于Zernike矩的梅爾頻率倒譜系數(shù)的特征提取算法
        3.2.1 Zernike矩
        3.2.2 ZMFCC特征提取算法
        3.2.3 ZMFCC特征分析
    3.3 實(shí)驗(yàn)
        3.3.1 ZMFCC參數(shù)設(shè)置
        3.3.2 對(duì)比實(shí)驗(yàn)
    3.4 本章小結(jié)
第4章 基于CNN-RF的語(yǔ)音情感識(shí)別
    4.1 基于CNN的語(yǔ)音情感識(shí)別研究現(xiàn)狀
    4.2 基于CNN-RF的語(yǔ)音情感識(shí)別
        4.2.1 CNN體系結(jié)構(gòu)
        4.2.2 RF分類器
        4.2.3 CNN-RF模型分析
    4.3 實(shí)驗(yàn)
    4.4 本章小結(jié)
第5章 語(yǔ)音情感識(shí)別在NAO機(jī)器人中的應(yīng)用
    5.1 NAO機(jī)器人簡(jiǎn)介
        5.1.1 NAOqi簡(jiǎn)介
    5.2 CNN-RF模型在NAO上的應(yīng)用
        5.2.1 改進(jìn)RecordSound指令盒
        5.2.2 NAO的語(yǔ)音情感測(cè)試
    5.3 本章小結(jié)
第6章 總結(jié)與展望
參考文獻(xiàn)
致謝
碩士期間的科研成果



本文編號(hào)：3735887