第３４卷第６期 ２０１７年６月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏ１．３４ Ｎｏ．６ Ｊｕｎ．２０１７ 基于多级ＳＶＭ分类的语音情感识别算法 任浩，叶亮 ，李月，沙学军 （哈尔滨工业大学电子与信息工程学院，哈尔滨１５０００１） 摘要：为了提高语音情感识别系统的识别准确率，在传统支持向量机（ＳＶＭ）方法的基础上，提出了一种基于 主成分分析法（ＰＣＡ）的多级ＳＶＭ情感分类算法。首先将容易区分的情感分开，针对混淆度大且不能再利用多 级分类策略直接进行区分的情感，采用ＰＣＡ进行特征降维，然后逐级地判断出输入语音所属的情感类型。与传 统基于ＳＶＭ分类算法的语音情感识别相比，本方法可将七种情感的平均识别率提高５．０５％，并且特征维度可降 低５８．３％，从而证明了所提出方法的正确性与有效性。 关键词：语音情感识别；支持向量机；多级分类；主成分分析 中图分类号：ＴＰ３９１．４ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１７）０６—１６８２－０３ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１７．０６．０１８ Ｓｐｅｅｃｈ ｅｍｏｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ—ｌａｙｅｒ ＳＶＭ ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｒｅｎ Ｈａｏ，Ｙｅ Ｌｉａｎｇ ，Ｌｉ Ｙｕｅ，Ｓｈａ Ｘｕｅｊｕｎ （Ｓｃｈｏｏｌ ｏｆＥｌｅｃｔｒｏｎｉｃ＆Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ １５０００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｓｐｅｅｃｈ ｅｍｏｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍｓ，ｂａｓｅｄ ｏｎ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｓｕｐｐｏ￣ｖｅｃｔｏｒ ｍａ－ ｃｈｉｎｅ（ＳＶＭ）ｍｅｔｈｏｄ．ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｍｕｌｔｉ．１ａｙｅｒ ＳＶＭ ｅｍｏｔｉｏｎ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ＰＣＡ．Ｔｈｅ ｆｉｒｓｔ １ａｙｅｒ ｓｅｐａｒａｔｅｄ ｔｈｅ ｅｍｏｔｉｏｎｓ ｗｈｉｃｈ ｃｏｕｌｄ ｂｅ ｅａｓｉｌｙ ｄｉｓｔｉｎｇｕｉｓｈｅｄ．Ｆｏｒ ｔｈｅ ｅｍｏｔｉｏｎｓ ｗｈｉｃｈ ｃｏｕｌｄｎ’ｔ ｂｅ ｄｉｓｔｉｎｇｕｉｓｈｅｄ ｂｙ ｔｈｅ ｆｉｒｓｔ ｌａｙｅｒ，ｔｈｅ ａｌｇｏｒｉｔｈｍ ｐｅｒｆｏｒｍｅｄ ｆｅａｔｕｒｅ ｄｉｍｅｎｓｉｏｎ ｒｅｄｕｃｔｉｏｎ ｗｉｔｈ ｔｈｅ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＰＣＡ）ｍｅｔｈｏｄ，ａｎｄ ｔｈｅｎ ｓｅｐ— ａｒａｔｅｄ ｅｍｏｔｉｏｎｓ ｌａｙｅｒ ｂｙ ｌａｙｅｒ；Ｃｏｍｐａｒｅｄ ｔｏ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ＳＶＭ ｃｌａｓｓｉｆｉｅｒ．ｔｈｅ ｐｒｏｐｏｓｅｄ ＰＣＡ—ｃｏｍｂｉｎｅｄ ｍｕｌｔｉ １ａｙｅｒ ＳＶＭ ｃｌａｓｓｉ— ｉｅｒ ｉｍｐｒｏｖｅｓ ｔｔｈｅ ａｖｅｒａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ７ ｅｍｏｔｉｏｎｓ ｂｙ ５．０５％ａｎｄ ｒｅｄｕｃｅｓ ｔｈｅ ｆｅａｔｕｒｅ ｄｉｍｅｎｓｉｏｎ ｂｙ ５８．３％．ｔｈｕｓ ｐｒｏｖｅｓ ｔｈｅ ｃｏｒｒｅｃｔｎｅｓｓ ａｎｄ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ． Ｋｅｙ ｗｏｒｄｓ：ｓｐｅｅｃｈ ｅｍｏｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ；ＳＶＭ；ｍｕｌｔｉ—ｌａｙｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ＰＣＡ 随着计算机科学技术的蓬勃发展，人机交互的应用领域也 越来越广泛，情感的理解能力逐渐成为衡量机器是否具有智能 的重要标准。目前虽然已经有很多人机交互的机器人产品问 征情感区分能力高低的判定并无定论。Ｂｏｕ—Ｇｈａｚａｌｅ等人 研 究发现，倒谱特征ＬＰＣＣ（１ｉｎｅａｒ ｐｒｅｄｉｃｔｏｒ ｃｅｐｓｔｒａｌ ｃｏｅｆｉｃｆｉｅｎｔ，线 性预测倒谱系数）、ＯＳＡＬＰＣＣ（ｏｎｅ—ｓｉｄｅｄ ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ ＬＰＣＣ， 世，但基本上都很难准确理解人类的意图，为了实现人机的自 然交互，机器必须能够要准确地理解并区分人类的情感。作为 人类日常情感交流的主要方式，人类话语中所携带的情感信息 越来越受到人们的重视。 针对语音情感识别率不高、特征维数多、计算量大的问题， 本文在柏林语音情感数据库的基础上，提出了多级分类策略与 ＰｃＡ降维相结合的方法，首先将容易区分的情感分开，然后再 针对混淆度大且不能再利用多级分类策略进行区分的情感采 用ＰＣＡ进行降维，最终实现对七种情感的分类。 单侧自相关ＬＰＣＣ）和ＭＦＣＣ的区分能力明显优于线性谱特征 ＬＰＣ和ＯＳＡＬＰＣ。然而，Ｎｗｅ等人却得出了相反的结论。具体 地说，当ＨＭＭ（ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｍｏｄｅｌ，隐马尔可夫模型）被用做分 类器对包括生气、厌恶、恐惧、愉悦、悲伤和惊奇在内的六类情感 进行话者相关的识别时，ＬＦＰＣ取得了７７．１％的识别率，而ＬＰＣＣ 和ＭＦＣＣ的识别率分别为５６．１％和５９．０％。此外，还可以利用 共振峰作为衡量语音质量的特征。由于语音信号的不同特征分 别能从不同侧面对语音情感信息进行表达，所以目前使用融合 特征进行语音情感识别研究是本领域的主流方法 Ｊ。 １ 研究现状 当前，用于语音情感识别的声学特征大致可归纳为韵律学 ２多级分类算法与ＰＣＡ降维 ２．１ ＰＣＡ降维 特征、基于谱的相关特征和音质特征这三种类型 。这些特 征常常以帧为单位进行提取，却以全局特征统计值的形式参与 情感的识别。韵律学特征的情感区分能力已得到语音情感识 别领域研究人员的广泛认可 ，然而对线性谱特征和倒谱特 一主成分分析（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ，ＰＣＡ）本质上是 种多元的统计学分析方法。ＰＣＡ将数据集中的多个多元变 目的。语音的特征值维数很大，其中可能有很多对语音包含的 量通过线性变换选出较少的几个重要变量，以达到特征提取的 收稿日期：２０１６—０４—１２；修回日期：２０１６－０６—２１ 基金项目：国家自然科学基金资助项目（６１６０２１２７）；国家“９７３”计划资助项目 （２０１３ＣＢ３２９００３）；国家科技重大专项资助项目（２０１４ＺＸ０３００４００）；国家教育部留学回国人员科研启动基金资助项目 作者简介：任浩（１９９１一），男，河南驻马店人，硕士，主要研究方向为语音情感识别、机器学习；叶亮（１９８１一），男（通信作者），黑龙江哈尔滨人，助 理研究员，博士，主要研究方向为模式识别、移动通信（ｙｅｌｉａｎｇ＠ｈｉｔ．ｅｄｕ．ｃｎ）；李月（１９８２．），女，河北秦皇岛人，博士，主要研究方向为模式识别、移 动通信；沙学军（１９６６－），男，黑龙江齐齐哈尔人，教授，博导，工学博士，主要研究方向为移动通信． 第６期 任浩，等：基于多级ＳＶＭ分类的语音情感识别算法 ・ｌ６８３・ 情感值没有贡献或者贡献较小的特征值，通过ＰＣＡ去除一些 噪声信息的影响。 次进行分类，所得ｂｏｒｅｄｏｍ、ｎｅｕｔｒａｌ、ｓａｄｎｅｓｓ三种情感的类别问 混淆度如表５所示。 表１提取的情感特征 ２．２多级分类算法 本文所选语音库为柏林语音情感库，该语音库有恐惧 ｆｅａｒ、厌恶ｄｉｓｇｕｓｔ、快乐ｈａｐｐｙ、无聊ｂｏｒｅｄｏｍ、中性ｎｅｕｔｒａｌ、悲伤 ｓａｄｎｅｓｓ和愤怒ａｎｇｅｒ七种情感，共５３５条语音样本。 由于在情感分类中，某些情感比较相近，而某些情感却很 容易区分，所以先将比较相近的情感归为一类，进行粗分类；然 后再对容易混淆的情感进行细分类；最后对不能再利用多级分 类策略进行区分的情感采用ＰＣＡ进行特征降维将其分开，通 过逐级分类，最终实现对所有七种情感的分类。 首先定义情感状态集合为Ｂ＝｛ｆｅａｒ，ｄｉｓｇｕｓｔ，ｈａｐｐｙ，ｂｏｒｅ— ｄｏｍ，ｎｅｕｔｒａｌ，ｓａｄｎｅｓｓ，ａｎｇｅｒ｝，Ｂ中情感状态的个数ｓ＝７。情感混 淆度是指情感之间的相似程度，定义第ｉ类情感 与第 类情 感Ｂ，的混淆度为， 其表示第ｉ类情感误判为第 类情感的概 率与第． 类情感误判为第ｉ类情感的概率的平均值，其表达式为 （１） 其中： 为测试样本； 为测试样本 所对应的识别结果。 多级分类的构造算法具体步骤为： ａ）利用传统ＳＶＭ方法计算情感识别混淆矩阵。 ｂ）将混淆度超过概率Ｐ的情感归为一类，本文初次分组Ｐ 设为１０％，再次分组Ｐ设为１５％，每多一级，则Ｐ递增５％。 若情感不重复，则将其归为一组，若与之前组内情感重复，则将 重复组并为一组。即若Ｉｏ６＞Ｐ，Ｉｏｄ＞Ｐ，则将。、ｂ归为一组，Ｃ、ｄ 归为一组；若ｌａ６＞Ｐ且，６。＞Ｐ，则将ａ、ｂ、Ｃ归为一组。 ｅ）对未分组的情感状态，根据式（１）计算其情感混淆度， 转至步骤ａ），将其归入已有组或单独成组。 ｄ）七种情感都得到正确分组，结束。 ３实验结果与分析 本文选取的语音情感特征如表１所示，共７２个情感特征。 传统方法利用ＳＶＭｌ９’ 进行情感识别一次性将七种情感分 开。实验采用台湾大学林智仁开发的ＬｉｂＳＶＭ工具，其中使用 的核函数为ＲＢＦ核函数，采用十折交叉验证，即将数据集分成 十份，将其中九份作为训练数据，一份作为测试数据，进行实 验。每次实验都会得出相应的识别率，更换测试集做十次实 验，结果的平均值作为对算法精度的估计，所得混淆矩阵如表 ２所示。根据式（１）计算类间混淆度，得到七种情感类别间混 淆度，如表３所示。从表３得出，ｌａｒ＝１１．０４％， ＾＝１５．０６％， ．．根据多级分类构造算法将ｆｅａｒ（ 、ｈａｐｐｙ（ｈ）、ａｎｇｅｒ（ａ）作为一 类，Ｉｎ ６＝３１．９３％， ６＝ｌ０．１６％，则将ｂｏｒｅｄｏｍ（ｂ）、ｎｅｕｔｒａｌ（ｎ）、 ｓａｄｎｅｓｓ（ｓ）作为一类；又因ｄｉｓｇｕｓｔ（ｄ）与其他六类情感的混淆 度都小于１０％，所以将其单独作为一类。根据多级分类构造 算法步骤ｂ），经过第一级分类后需再次进行分类，对ｆｅａｒ、ｈａｐ— ＰＹ、ａｎｇｅｒ再次进行分类，所得ｆｅａｒ、ｈａｐｐｙ、ａｎｇｅｒ情感的类别间 混淆度如表４所示。 由表４可以看出，，＾＝１５．７０％，Ｌ．＾：１８．１０％，其混淆度 ． 都大于１５％，根据多级构造算法可知，将ｆｅａｒ、ｈａｐｐｙ、ａｎｇｅｒ作 为一类，对于这三种情感不再利用原特征进行分类，而是利用 ＰＣＡ对原来的７２维特征进行降维 ｌ ｌ］，本文选取降维后的３０ 维作为这三种情感的特征，同理，对ｂｏｒｅｄｏｍ、ｎｅｕｔｒａｌ、ｓａｄｎｅｓｓ再 情感 ｆｅａｒ ｄｉｓｇｕｓｔ ｈａｐｐｙ ｂｏｒｅｄｏｍ ｎｅｕｔｒａｌ ｓａｄｎｅｓｓ ａｎｇｅｒ ｄｉｓｇｕｓｔ ９．７８ ｈａｐｐｙ ７．７７ ８．１９ ｂｏｒｅｄｏｍ ２．５８ ５．５６ ２．６４ ｎｅｕｔｒｌａ ５．９７ ７．０６ ４．０８ ３１．９３ ｓａｄｎｅｓｓ ５．３２ ５．４０ ０．８１ １０．１６ ６．７４ ａｎｇｅｒ １１．ｏ４ ６．３２ １５．０６ ０．３９ ０ ０ 表５ 三种情感ｂｏｒｅｄｏｍ、ｎｅｕｔｒａｌ、ｓａｄｎｅｓｓ的类别问混淆度 ／％ 由表５可以看出，厶 ＝３３．８３％，ｓａｄｎｅｓｓ与其他两种情感 的混淆度都小于１５％，所以将ｓａｄｎｅｓｓ单独作为一类，ｂｏｒｅｄｏｍ 与ｎｅｕｔｒａｌ作为一类。同时对于ｂｏｒｅｄｏｍ和ｎｅｕｔｒａｌ这两种情感 进行ＰＣＡ特征降维，将原来的７２维特征降低到３０维特征。 经过以上论述之后，根据多级构造算法得出多级分类示意图， 如图１所示。通过一级判决器后七种情感的混淆矩阵如表６ 所示；最终得到的七种情感的混淆矩阵如表７所示；传统 ＳＶＭ、多级分类＋ＳＶＭ、多级分类＋ＳＶＭ＋ＰＣＡ三种方法的平 均识别率如表８所示。 。［Ｉ。 。。。ｆ。。ｅ。。ａ。。 ｒ ，。。。ｄ。。ｉ。ｓ。。ｇ。。ｕ。。。。。ｓ。。ｔ‘塑 ，。。ｈ。。。。ａ。ｐ。。。。ｐ。。。ｙ。ｇ！！。，。。ｂ‘。ｏ。 。。ｒ。。ｅ。。。ｄ。。ｏ。。。。ｍ。 。。，。，２。ｎｅ。‘。。。ｕｔ。。。。。ｒ’ ａｌ，’’。’ —— ＩＩ 匪 ；．［二二＝ ｛。ｊ匝回 ｌ＿——＝ 二■—＝二二二］ ｅ嚣 ．Ｉ卤函 卤 藤 图１多级分类后示意图 ・１６８４・ 计算机应用研究 第３４卷 将表７与表２进行对比，ｆｅａｒ情感识别率有少许降低，其 他六种情感的识别率都得到了不同程度的提高，同时平均识别 率也由５８．６９％提高到了６３．７４％，从而证明了本文所提出多 因此在以后的研究工作中，需要对相似情感进行针对性的研 究，找出能对相似情感进行区分的情感特征，从而减少相互的 误判率，提高情感识别率。 参考文献： ［１］韩文静，李海峰，阮华斌，等．语音情感识别研究进展综述［Ｊ］．软 件学报，２０１４，２５（１）：３７—５Ｏ． 级分类算法确实能够提高识别率。并且从表８可以得知，采取 ＰＣＡ进行特征降维后平均识别率只有少许下降，但特征从７２ 维降低到了３０维，特征维度减少了５８．３％，降低了计算的复 杂度。 表６通过一级判决器后七种情感混淆矩阵 ／％ ［２］周晓凤，肖南峰，文翰．基于情感特征分类的语音情感识别研究 ［Ｊ］．计算机应用研究，２０１２，２９（１０）：３６４８－３６５０． ［３］Ｄｅｌｉｃ Ｖ，Ｂｏｊａｎｉｃ Ｍ，Ｇｎｊａｔｏｖｉｃ Ｍ，ｅｔ ａ１．Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ ｃａｐａｂｉｌｉｔｙ ｏｆ ｐｒｏｓｏｄｉｃ ａｎｄ ｓｐｅｃｔｒａｌ ｆｅａｔｕｒｅｓ ｆｏｒ ｅｍｏｔｉｏｎａｌ ｓｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｅ— ｌｅｃｔｒｏｎｉｃｓ＆Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１２，１８（９）：５１－５４． ［４］Ｐｒｉｂｉｌ Ｊ，Ｐｒｉｂｉｌｏｖａ Ａ．Ａ ｓｔａｔｉｓｔｉｃａｌ ａｎａｌｙｓｉｓ ｏｆ ｓｐｅｃｔｒａｌ ｐｒｏｐｅｒｔｉｅｓ ａｎｄ ｐｒｏｓｏｄｉｃ ｐａｒａｍｅｔｅｒｓ ｏｆ ｅｍｏｔｉｏｎａｌ ｓｐｅｅｃｈ［Ｊ］．Ｍｅａｓｕｒｅｍｅｎｔ Ｓｃｉｅｎｃｅ 表７基于多级分类的七种情感混淆矩阵 ／％ Ｒｅｖｉｅｗ，２００９，９（４）：９５－１０４． ［５］Ｂｏａ－Ｇｈａｚａｌｅ Ｓ Ｅ，Ｈａｎｓｅｎ Ｊ Ｈ Ｌ．Ａ ｃｏｍｐａｒａｔｉｖｅ ｓｔｕｄｙ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ａｎｄ ｎｅｗｌｙ ｐｒｏｐｏｓｅｄ ｆｅａｔｕｒｅｓ ｆｏｒ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｓｐｅｅｃｈ ｕｎｄｅｒ ｓｔｒｅｓｓ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｓｐｅｅｃｈ ａｎｄ Ａｕｄｉｏ Ｐｒｏｃｅｓｓｉｎｇ，２０００，８（４）： ４２９—４４２． ［６］Ｓｃｈｕｌｌｅｒ Ｂ，Ｚｈａｎｇ Ｚｉｘｉｎｇ，Ｗｅｎｉｎｇｅｒ Ｆ，ｅｔ ａ１．Ｓｙｎｔｈｅｓｉｚｅｄ ｓｐｅｅｃｈ ｆｏｒ ｍｏｄｅｌ ｔｒａｉｎｉｎｇ ｉｎ ｃｒｏｓｓ－ｃｏｒｐｕｓ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｈｕｍａｎ ｅｍｏｔｉｏｎ［Ｊ］．１ｎ。 ｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓｐｅｅｃｈ Ｔｅｃｈｎｏｌｏｇｙ．２０１２，１５（３）：３１３— ３２３． ［７］Ｐｒｒｅｚ—Ｅｓｐｉｎｏｓａ Ｈ，Ｒｅｙｅｓ—Ｇａｒｃｉａ Ｃ Ａ，Ｖｉ嵋ｓｅｎｏｒ—Ｐｉｎｅｄａ Ｌ．Ａｃｏｕｓｔｉｃ ＳＶＭ ５８．６９ 多级分类＋ＳＶＭ ６４．１１ 多级分类＋ＳＶＭ＋ＰＣＡ ６３．７４ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｅｍｏｔｉｏｎｓ ｉｎ ｓｐｅｅｃｈ ｕｓｉｎｇ ａ ３Ｄ ｃｏｎｔｉｎｕｏｕｓ ｅｍｏｔｉｏｎ ｍｏｄｅｌ［Ｊ］．Ｂｉｏｍｅｄｉｃａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｃｏｎｔｒｏｌ，２０１２，７（１）：７９－８７． ４结束语 本文在柏林情感语音库上进行实验，首先通过传统ＳＶＭ 方法得出七种情感的混淆矩阵，然后根据本文所提出的多级分 类策略将其中情感先进行粗分类，再对容易混淆的情感进行细 分类，最后对于不能再利用多级分类策略进行细分的情感，采 取ＰＣＡ方法进行特征降维，从而去除一些无用特征的干扰。 实验表明，本文所提出的多级分类策略能够提高平均识别率， ［８］Ａｙａｄｉ Ｍ Ｅ，Ｋａｍｅｌ Ｍ Ｓ，Ｋａｒｒａｙ Ｆ．Ｓｕｒｖｅｙ ｏｎ ｓｐｅｅｃｈ ｅｍｏｔｉｏｎ ｒｅｅｏｇｎｉ－ ｔｉｏｎ：ｆｅａｔｕｒｅｓ，ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｓｃｈｅｍｅｓ，ａｎｄ ｄａｔａｂａｓｅｓ［Ｊ］．Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２０１１，４４（３）：５７２－５８７． ［９］Ｚｈｕ Ｘｉａｏｑｉａｎｇ，Ｇｏｎｇ Ｐｉｎｇｈｕａ，Ｚｈａｏ Ｚｅｎｇｓｈｕｎ，ｅｔ ａ１．Ｌｅａｒｎｉｎｇ ｓｉｍｉｌａｒｉｔｙ ｍｅｔｉｒｃ ｗｉｔｈ ＳＶＭ［Ｃ］／／Ｐｒｏｃ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ．［Ｓ．１＿］：ＩＥＥＥ Ｐｒｅｓｓ，２０１２：ｌ－８． ［１０］Ｗａｎｇ Ｚｈｉｇａｎｇ，Ｚｈａｏ Ｚｅｎｇｓｈｕｎ，Ｗｅｎｇ Ｓｈｉｆｅｎｇ，ｅｔ ａ１．Ｓｏｌｖｉｎｇ ｏｎｅ—ｃｌａｓｓ ｐｒｏｂｌｅｍ ｗｉｔｈ ｏｕｔｌｉｅｒ ｅｘａｍｐｌｅｓ ｂｙ ＳＶＭ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１５， １４９（ＰＡ）：１００—１０５． 同时运用ＰＣＡ算法进行特征降维也会降低计算复杂度，从而 提高情感识别的运算速度。 通过实验可以看出，通过一级判决器后，情感基本上都得 ［１１］罗宪华，杨大利，徐明星，等．面向非特定人语音情感识别的ＰＣＡ 特征选择方法［Ｊ］．计算机科学，２０１１，３８（８）：２１２－２１３． ［１２］陈炜亮，孙晓．基于ＭＦＣＣＧ．ＰＣＡ的语音情感识别［Ｊ］．北京大学 学报：自然科学版，２０１５，５１（２）：２６９．２７４． 至盯正确分类，但最终结果中相似情感的混淆度仍然很大， （上接第１６８１页） 优化算法［Ｊ］．计算机应用与软件，２００７，２４（１）：１５７－１５９． ［３３］孟伟，韩学东，洪炳．蜜蜂进化型遗传算法［Ｊ］．电子学报，２００６， ３４（７）：１２９４—１３００． ［２７］Ｌｅｍｍａ Ｔ Ａ，Ｂｉｎ Ｍ Ｈ Ｆ．Ｕｓｅ ｏｆ ｆｕｚｚｙ ｓｙｓｔｅｍｓ ａｎｄ ｂａｔ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｅｎｅｒｇｙ ｍｏｄｅｌｉｎｇ ｉｎ ａ ｇａｓ ｔｕｒｂｉｎｅ ｇｅｎｅｒａｔｏｒ［Ｃ］／／Ｐｒｏｃ ｏｆ ＩＥＥＥ Ｃｏｌｌｏ。 ｑｕｉｕｍ ｏｎ Ｈｕｍａｎｉｔｉｅｓ，Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ．２０１１：３０５—３１０． ［３４］贺毅朝，宋建民，张敬敏，等．利用遗传算法求解静态与动态背包 问题的研究［Ｊ］．计算机应用研究，２０１５，３２（４）：１０１１－１０１５． ［３５］赵增顺，林艳艳，冯翔，等．基于高斯粒子群优化的ＲＢＰＦ滤波算 法［Ｊ］．计算机应用研究，２０１５，３２（２）：４２３．４２６． ［３６］Ｙａｏ Ｘｉｎ，Ｌｉｕ Ｙｏｎｇ，Ｌｉｎ Ｇｕａｎｇｍｉｎｇ．Ｅｖｏｌｕｔｉｏｎａｒｙ ｐｒｏｇｒａｍｍｉｎｇ ｍａｋｅ ｆａｓｔｅｒ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ，１９９９，３ （２）：８２—１０２． ［２８］盛晓华，叶春明．基于蝙蝠算法的ＰＦｓＰ调度干扰管理研究［Ｊ］． 计算机工程与应用，２０１４，５０（８）：２４１．２４６． ［２９］Ｍｉｓｈｒａ Ｓ，Ｓｈａｗ Ｋ，Ｍｉｓｈｒａ Ｄ．Ａ ｎｅｗ ｍｅｔａｈｃｕｒｉｓｔｉｃ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｐ． ｐｒｏａｃｈ ｆｏｒ ｍｉｃｒｏａｒｒａｙ ｄａｔａ［Ｊ］．Ｐｒｏｃｅｄｉａ Ｔｅｃｈｎｏｌｏｇｙ，２０１２，４（１）： ８０２—８０６． ［３０］Ｋｈａｎ Ｋ，Ｓａｈａｉ Ａ．Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ＢＡ，ＧＡ，ＰＳＯ，ＢＰ ａｎｄ ＬＭ ｆｏｒ ｔｒａｉｎｉｎｇ ｆｅｅｄ ｆｏｒｗａｒｄ ｎｅｕｒｌａ ｎｅｔｗｏｒｋｓ ｉｎ ｅ—ｌｅａｒｎｉｎｇ ｃｏｎｔｅｘｔ［Ｊ］．Ｉｎｔｅｒ－ ｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１２，４ ［３７］Ｌｉｕ Ｙｏｎｇ，Ｙａｏ Ｘｉｎ．Ｈｏｗ ｔｏ ｃｏｎｔｒｏｌ ｓｅａｒｃｈ ｓｔｅｐ ｓｉｚｅ ｉｎ ｆａｓｔ ｅｖｏｌｕｔｉｏｎａｒｙ ｐｒｏｇｒａｍｍｉｎｇ［Ｃ］／／Ｐｒｏｃ ｏｆ ＩＥＥＥ Ｃｏｎｇｒｅｓｓ ｏｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａ— ｔｉｏｎ．［Ｓ．１．］：ＩＥＥＥ Ｐｒｅｓｓ，２００２：６５２．６５６． ［３８］吴聪聪，贺毅朝，陈嶷瑛，等．求解０－１背包问题的二进制蝙蝠算 法［Ｊ］．计算机工程与应用，２０１５，５２（１９）：７１＿７４． （７）：２３—２９． ［３１］Ｋｈａｎ Ｋ，Ｎｉｋｏｖ Ａ，Ｓａｈｍ Ａ．Ａ ｆｕｚｚｙ ｂａｔ ｃｌｕｓｔｅｒｉｎｇ ｍｅｔｈｏｄ ｆｏｒｅｒｇｏｎｏｍｉｃ ｓｃｒｅｅｎｉｎｇ ｏｆ ｏｆｆｉｃｅ ｗｏｒｋｐｌａｃｅｓ［Ｃ］／／Ａｄｖａｎｃｅｓ ｉｎ Ｉｎｔｅｌｌｉｇｅｎｔ ａｎｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ．２０１ｌ：５９—６６． ［３９］李佩泽，王珊珊，樊岩．基于改进蝙蝠算法的背包问题求解［Ｊ］． 计算机应用研究，２０１５，３２（１１）ｉ３２２６—３２２９． ［３２］贺毅朝，王彦祺，刘建芹．一种适于求解离散问题的二进制粒子群
