1380-基于BP 神经网络的语音情感识别系统
以下是资料介绍,如需要完整的请充值下载.
1.无需注册登录,支付后按照提示操作即可获取该资料.
2.资料以网页介绍的为准,下载后不会有水印.资料仅供学习参考之用.
密 惠 保
1.无需注册登录,支付后按照提示操作即可获取该资料.
2.资料以网页介绍的为准,下载后不会有水印.资料仅供学习参考之用.
密 惠 保
资料介绍：
1.1 研究背景及意义
计算机科学技术的快速发展对人类社会产生了巨大的影响，一场信息革命正在酝酿，为了使人类与计算机之间能够更加智能更加自然的交互，新型的人机交互技术正逐步成为研究热点，而实时多媒体信息在新型人机交互环境中扮演着举足轻重的角色，计算机通过采集语音信息和图像信息，形成计算机听觉和视觉，然后处理采集到的媒体信息进行识别，从而感知使用者的意图，完成人机自然交互。研究表明，在人机交互中需要解决的重要问题是“情感智能”的能力，对于情感信息的处理技术有语音情感识别，情感语音合成，脸部表情处理，情感机器人等。目前，对于情感信息处理的研究正处在不断深入中，其中语音信号中的情感信息处理的研究也越来越受到研究者的重视。[计算机毕业设计_毕业设计论文_计算机硕士论文下载-计算机毕业网].40735592013-3-10
包含在语音中的情感信息是一种很重要的信息资源，它是人们感知事物的必不可少的信息。例如，同一句话，由于说话人所表现的情感不同，在听者的感知上就会有较大的差别，所谓“听话听音”就是这个道理。计算机毕业设计，而语音情感识别就是建立在对语音信号的产生机制深入分析的基础上，对语音中反映个人情感信息的一些特征参数进行提取，并利用这些参数采用相应的模式识别方法来确定语音情感状态的技术。传统的语音识别是语音学与数字信号处理技术相结合的交叉学科，它与认知科学、心理学、语言学、计算机科学、模式识别和人工智能等学科联系紧密，对它的研究已经有相当多的方法可以实现，例如动态规划(DP)，线性预测分析技术 (LPC)，动态时间归正技术(DTW)，矢量量化(VQ)隐马尔可夫模型(HMM)理论和人工神经元网络(ANN)，然而传统的语音识别系统仅仅着眼于传达语音词汇的准确性，而完全忽略了包含在语音信号中的情感因素，所以它只反映了信息的一个方面。语音情感识别作为传统语音识别的一个重要研究方向，着眼点不是传统语音识别中语音词汇表达的准确性，而是传统语音识别中完全忽略的包含在语音信号中的情感和情绪信息。直到近年来，人们发现情感和态度所引起的变化对语音合成、语音识别、说话人识别等方面的影响较大，因而语音信号中情感处理的研究逐步引起了人们的重视。因此，语音情感信息的研究，分析语音信号中的情感特征、判断说话人的喜怒哀乐是一个具有重大意义的研究课题。
2.2 特征选择
2.2.1 特征提取概述
经过预处理后，几秒钟的语音就会产生很大的数据量。提取说话人特征的过程，实际上就是去除原来语音中的冗余信息，减小数据量的过程。从语音信号中提取的说话人特征参数应满足以下准则：对局外变量(例如说话人的健康状况和情绪，系统的传输特性等)不敏感；能够长期地保持稳定；可经常表现出来；易于进行测量；与其他特征不相关。
根据参数的稳定性，可把说话人特征参数大致分为两类：工程硕士论文，一类是反映说话人生理结构的固有特征(例如声道结构等)，这类特征主要表现在语音的频谱结构上，包含了反映声道共振的频谱包络特征信息和反映声带振动等音源特性的频谱细节构造特征信息，具有代表性的特征参数有基音和共振锋，这类特征不易被模仿，但容易受健康状况的影响；另一类是反映声道运动的动态特征，即发音方式、发音习惯等，主要表现在语音频谱结构随时间的变化上，包含了特征参数的动态特性，这类特征相对稳定但比较容易模仿，代表性的特征参数是倒谱系数。
计算机科学技术的快速发展对人类社会产生了巨大的影响，一场信息革命正在酝酿，为了使人类与计算机之间能够更加智能更加自然的交互，新型的人机交互技术正逐步成为研究热点，而实时多媒体信息在新型人机交互环境中扮演着举足轻重的角色，计算机通过采集语音信息和图像信息，形成计算机听觉和视觉，然后处理采集到的媒体信息进行识别，从而感知使用者的意图，完成人机自然交互。研究表明，在人机交互中需要解决的重要问题是“情感智能”的能力，对于情感信息的处理技术有语音情感识别，情感语音合成，脸部表情处理，情感机器人等。目前，对于情感信息处理的研究正处在不断深入中，其中语音信号中的情感信息处理的研究也越来越受到研究者的重视。[计算机毕业设计_毕业设计论文_计算机硕士论文下载-计算机毕业网].40735592013-3-10
包含在语音中的情感信息是一种很重要的信息资源，它是人们感知事物的必不可少的信息。例如，同一句话，由于说话人所表现的情感不同，在听者的感知上就会有较大的差别，所谓“听话听音”就是这个道理。计算机毕业设计，而语音情感识别就是建立在对语音信号的产生机制深入分析的基础上，对语音中反映个人情感信息的一些特征参数进行提取，并利用这些参数采用相应的模式识别方法来确定语音情感状态的技术。传统的语音识别是语音学与数字信号处理技术相结合的交叉学科，它与认知科学、心理学、语言学、计算机科学、模式识别和人工智能等学科联系紧密，对它的研究已经有相当多的方法可以实现，例如动态规划(DP)，线性预测分析技术 (LPC)，动态时间归正技术(DTW)，矢量量化(VQ)隐马尔可夫模型(HMM)理论和人工神经元网络(ANN)，然而传统的语音识别系统仅仅着眼于传达语音词汇的准确性，而完全忽略了包含在语音信号中的情感因素，所以它只反映了信息的一个方面。语音情感识别作为传统语音识别的一个重要研究方向，着眼点不是传统语音识别中语音词汇表达的准确性，而是传统语音识别中完全忽略的包含在语音信号中的情感和情绪信息。直到近年来，人们发现情感和态度所引起的变化对语音合成、语音识别、说话人识别等方面的影响较大，因而语音信号中情感处理的研究逐步引起了人们的重视。因此，语音情感信息的研究，分析语音信号中的情感特征、判断说话人的喜怒哀乐是一个具有重大意义的研究课题。
内容来自think58
[资料来源：http://THINK58.com]
2.2 特征选择
2.2.1 特征提取概述
经过预处理后，几秒钟的语音就会产生很大的数据量。提取说话人特征的过程，实际上就是去除原来语音中的冗余信息，减小数据量的过程。从语音信号中提取的说话人特征参数应满足以下准则：对局外变量(例如说话人的健康状况和情绪，系统的传输特性等)不敏感；能够长期地保持稳定；可经常表现出来；易于进行测量；与其他特征不相关。
根据参数的稳定性，可把说话人特征参数大致分为两类：工程硕士论文，一类是反映说话人生理结构的固有特征(例如声道结构等)，这类特征主要表现在语音的频谱结构上，包含了反映声道共振的频谱包络特征信息和反映声带振动等音源特性的频谱细节构造特征信息，具有代表性的特征参数有基音和共振锋，这类特征不易被模仿，但容易受健康状况的影响；另一类是反映声道运动的动态特征，即发音方式、发音习惯等，主要表现在语音频谱结构随时间的变化上，包含了特征参数的动态特性，这类特征相对稳定但比较容易模仿，代表性的特征参数是倒谱系数。