| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的及其意义 | 第10-11页 |
| 1.2.1 研究目的 | 第10页 |
| 1.2.2 研究意义 | 第10-11页 |
| 1.3 研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 研究内容与主要工作 | 第13-14页 |
| 1.5 论文结构 | 第14-15页 |
| 1.6 本章小结 | 第15-16页 |
| 第二章 汉语情绪识别的关键技术 | 第16-35页 |
| 2.1 语音信号特征提取技术 | 第16-23页 |
| 2.1.1 语音信号处理的原理 | 第16页 |
| 2.1.2 语音信号处理的关键技术 | 第16-23页 |
| 2.2 SVM多分类算法 | 第23-28页 |
| 2.2.1 支持向量机算法原理 | 第23-27页 |
| 2.2.2 SVM多分类算法的研究 | 第27-28页 |
| 2.2.3 SVM多分类算法的应用 | 第28页 |
| 2.3 深度置信网络技术 | 第28-34页 |
| 2.3.1 深度置信网络原理 | 第29-30页 |
| 2.3.2 深度置信网络的关键技术 | 第30-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 支持向量机多分类算法实现情感识别 | 第35-47页 |
| 3.1 特征参数提取算法的实现 | 第37-39页 |
| 3.2 SVM分类器的训练过程的实现 | 第39-45页 |
| 3.2.1 多分类转换为二分类的编码实现 | 第40-42页 |
| 3.2.2 实现优化SVM分类器的相关参数 | 第42-45页 |
| 3.3 SVM测试过程的实现 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 基于DBN的汉语情感识别 | 第47-56页 |
| 4.1 数据准备模块 | 第48-49页 |
| 4.2 构造深度置信网络初始训练模型 | 第49-52页 |
| 4.3 构造深度置信网络的最佳预测模型 | 第52-54页 |
| 4.4 预测阶段 | 第54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 对比分析两种算法下的情绪识别结果 | 第56-65页 |
| 5.1 概述 | 第56页 |
| 5.2 测试环境 | 第56-57页 |
| 5.3 测试目标 | 第57页 |
| 5.4 测试用例 | 第57-63页 |
| 5.4.1 识别率的对比分析 | 第57-62页 |
| 5.4.2 待优化的参数的个数以及优化参数的算法进行对比分析 | 第62页 |
| 5.4.3 两种算法的能耗数据对比 | 第62-63页 |
| 5.5 测试结果总结 | 第63页 |
| 5.6 本章总结 | 第63-65页 |
| 第六章 SVM与DBN结合实现情绪识别 | 第65-70页 |
| 6.1 两种算法结合的原因 | 第65页 |
| 6.2 两种算法结合的具体实现 | 第65-68页 |
| 6.3 实验结果分析 | 第68-69页 |
| 6.4 本章小结 | 第69-70页 |
| 总结 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的学术成果 | 第76-77页 |
| 致谢 | 第77页 |