[发明专利]基于CNN-RSC组合优化算法的语音情感分析方法

权利要求书

1.基于CNN-RSC组合优化算法的语音情感分析方法，其特征在于：具体步骤为

S1：对训练集的语料进行分词处理得到词语；

S2：对词语进行向量编码；

S3：用矩阵将一段语句表示出来生成词向量；

S4：将生成的词向量作为输入样本，输入到卷积神经网络模型中的输入层；

S5：卷积神经网络模型中的卷积层过滤输入样本的词向量中多个词之间的局部特征，生成新的特征向量；

S6：卷积神经网络模型中的池化层捕获新特征向量最大值，得到特征词向量矩阵；

S7：特征词向量矩阵作为递归自编码中的特征输入，通过计算相邻词语间的重构误差生成最佳树结构，得到最佳向量；

S8：最佳向量加入到卷积神经网络模型的输出层进行分类，输出情感分类结果；

S9：对情感分类结果进行误差分析和优化处理。

2.根据权利要求1所述的基于CNN-RSC组合优化算法的语音情感分析方法，其特征在于：所述分词处理利用中科院分词软件。

3.根据权利要求1所述的基于CNN-RSC组合优化算法的语音情感分析方法，其特征在于：所述输入样本的词向量通过随机赋值生成或无标注语料进行预先训练好。

4.根据权利要求1所述的基于CNN-RSC组合优化算法的语音情感分析方法，其特征在于：所述卷积层中包含多个不同大小的过滤器，过滤器的窗口连接至输入层，过滤器的窗口用于过滤出输入的样本词向量中多个词之间的局部特征，生成新的特征向量。

5.根据权利要求1所述的基于CNN-RSC组合优化算法的语音情感分析方法，其特征在于：所述重构误差的计算过程中加入相应的权值进行区分，重构误差的计算时，对父节点进行归一化处理。

6.根据权利要求1所述的基于CNN-RSC组合优化算法的语音情感分析方法，其特征在于：所述输出层输出情感分类结果误差是以交叉熵的方式或使用重构误差和交叉熵误差模型计算。

7.根据权利要求1所述的基于CNN-RSC组合优化算法的语音情感分析方法，其特征在于：所述输出层输出情感分类结果误差进行优化处理是优化目标函数一条语句的误差，使用重构误差和交叉熵误差模型计算。

8.根据权利要求6或7所述的基于CNN-RSC组合优化算法的语音情感分析方法，其特征在于：所述重构误差与交叉熵误差模型中采用L-BFGS算法快速求出最优解。

9.一种设备，其特征是，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-8任一所述的基于CNN-RSC组合优化算法的语音情感分析方法。

10.一种存储有计算机程序的计算机可读存储介质，其特征是，该程序被处理器执行时实现如权利要求1-8任一所述的基于CNN-RSC组合优化算法的语音情感分析方法。