[发明专利]一种基于模糊最近邻算法的语音情感识别方法

权利要求书

1.一种基于模糊最近邻算法的语音情感识别方法，包括以下步骤：

步骤1：按照定义提取每一个样本的短时能量特征、基音频率特征、过零率特征和短时平均幅值特征，组成四维的特征向量；

步骤2：计算每一种情感特征对于区分不同情感的贡献度；所述贡献度的计算方法如下：

步骤11：归一化特征参数；

步骤12：计算某种特定情感下该特征参数的离散度；

步骤13：计算某一情感特征对于不同的情感的中心矩；

步骤14：根据离散度和中心矩求出所述贡献度；

步骤3：以步骤1所述的方法提取测试样本的四个相同的特征，组成四维的特征向量；

步骤4：根据欧式距离和步骤2中所计算出来的贡献度加权，计算训练样本的特征向量和测试样本的特征向量间的距离；

步骤5：对距离排序，并确定k个最近邻的样本的情感，根据个数多少分类；

步骤6：对于步骤5中的k个情感样本，用FKNN方法进行再分类。

2.如权利要求1所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述短时能量特征的定义如下：其中，E_n表示在信号的第n个点开始加窗函数时的短时能量；x(n)是语音信号；ω(n)是窗函数；N为窗长，m为变量。

3.如权利要求2所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述过零率特征的定义如下：其中，sgn[.]是符号函数，即

4.如权利要求3所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述短时平均幅值特征的定义如下：其中，Mn是一帧语音信号能量大小的表征，w(n)为汉明窗。

5.如权利要求4所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述Mn与所述En的区别在于其计算时小取样值和大取样值不会因取平方而造成较大差异。

6.如权利要求1所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述归一化方法如下：

步骤21：对训练样本集X统计出C种不同情感状态下同一个特征参数的平均值，记为M_ij；

步骤22：分别对每一种情感状态下的每一句语音样本的每个特征参数M_ijn进行归一化；

其中，{i＝1,2,...,C},{j＝1,2,...,N},N为情感特征参数的个数，n为该情感状态下的样本，n＝1表示为第一句，以此类推。

7.如权利要求6所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述归一化的公式为：

8.如权利要求7所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述离散度的计算公式如下：A_ijk表示第k句样本中的第i个情感的第j个特征参数做归一化后的值。

9.如权利要求8所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述中心矩的计算方法为不同的情感特征间的中心矩就是不同的点集的中心的距离。

10.如权利要求9所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：每一个所述情感特征可视为一个点，而n个样本的所述情感特征便构成了一个所述点集。

11.如权利要求10所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述点集的中心即是点集的均值。

12.如权利要求11所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：所述点集的均值的计算公式为：其中，{i＝1,2,...,C},{j＝1,2,...,n},n为情感特征参数的个数,如N₁₁就表示在n个样本中第一种情感的第一个情感特征参数的均值，M_ijk表示第k句样本中统计出C种不同情感状态下同一个特征参数的平均值。

13.如权利要求12所述的基于模糊最近邻算法的语音情感识别方法，其特征在于：根据所述离散度和所述中心矩计算每种情感下每个特征参数的贡献度。