基于特征选择的语音情感识别
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第一章 引言 | 第15-25页 |
| 1.1 研究背景 | 第15页 |
| 1.2 情感识别的发展历史、方法研究以及应用 | 第15-18页 |
| 1.2.1 情感识别的发展历史 | 第15-16页 |
| 1.2.2 语音情感识别的过程 | 第16-18页 |
| 1.2.3 情感识别的应用 | 第18页 |
| 1.3 机器学习的定义及其应用 | 第18-19页 |
| 1.3.1 机器学习的定义 | 第18-19页 |
| 1.3.2 机器学习的应用 | 第19页 |
| 1.4 特征选择方法综述 | 第19-23页 |
| 1.4.1 特征选择方法的定义 | 第19-21页 |
| 1.4.2 语音情感识别领域中的特征选择 | 第21-22页 |
| 1.4.3 基于贝叶斯网络的特征选择 | 第22-23页 |
| 1.5 本文的主要研究工作介绍 | 第23页 |
| 1.6 本文组织结构安排 | 第23-24页 |
| 1.7 本章小结 | 第24-25页 |
| 第二章 基本理论及MMHC算法介绍 | 第25-29页 |
| 2.1 关联规则 | 第25页 |
| 2.2 关联模型 | 第25-27页 |
| 2.3 基本概念 | 第27页 |
| 2.4 MMHC算法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 用于主因素分析的贝叶斯网络构建算法研究 | 第29-34页 |
| 3.1 主因素分析的背景及现状 | 第29-30页 |
| 3.1.1 主因素分析的研究背景 | 第29页 |
| 3.1.2 主因素分析的现状 | 第29-30页 |
| 3.2 启发式最大最小爬山算法：h-MMHC | 第30-32页 |
| 3.2.1 h-MMHC算法的提出背景 | 第30-31页 |
| 3.2.2 h-MMHC的理论描述 | 第31-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 h-MMHC算法在语音情感识别中的应用 | 第34-61页 |
| 4.1 基于h-MMHC的语音情感特征选择方法 | 第34-35页 |
| 4.1.1 背景描述 | 第34页 |
| 4.1.2 MFCC数据集介绍 | 第34-35页 |
| 4.2 研究方案与实验设计 | 第35-38页 |
| 4.2.1 研究方案 | 第35-37页 |
| 4.2.2 实验设计及各模块的实现 | 第37-38页 |
| 4.3 SVM分类器的介绍 | 第38-43页 |
| 4.3.1 结构风险最小化 | 第38-40页 |
| 4.3.2 最优分类超平面 | 第40页 |
| 4.3.3 核函数 | 第40-43页 |
| 4.4 实验结果分析 | 第43-59页 |
| 4.4.1 实验环境及其LIBSVM参数设计 | 第43-44页 |
| 4.4.2 各情感类别主因素提取结果与分析 | 第44-58页 |
| 4.4.3 主因素提取后识别率结果与分析 | 第58-59页 |
| 4.5 小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 该研究的工作 | 第61-62页 |
| 5.2 下一步的研究工作 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第67-68页 |
