改进GWO优化SVM的语音情感识别研究

doi:10.3778/j.issn.1002-8331.1704-0361

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (16): 113-118.DOI: 10.3778/j.issn.1002-8331.1704-0361

改进GWO优化SVM的语音情感识别研究

陈闯1，RYAD Chellali1，邢尹2

1.南京工业大学电气工程与控制科学学院，南京 211816
2.桂林理工大学测绘地理信息学院，广西桂林 541004

出版日期:2018-08-15 发布日期:2018-08-09

Research on speech emotion recognition based on improved GWO optimized SVM

CHEN Chuang1, RYAD Chellali1, XING Yin2

1.College of Electrical Engineering and Control Science, Nanjing Tech University, Nanjing 211816, China
2.College of Geomatics and Geoinformation, Guilin University of Technology, Guilin, Guangxi 541004, China

Online:2018-08-15 Published:2018-08-09

摘要/Abstract

摘要： 语音情感识别日益受到人们的关注，在社会生活中发挥着重要作用。为了提高语音情感的识别率，提出一种改进的灰狼算法（Grey Wolf Optimizer，GWO）优化支持向量机（Support Vector Machine，SVM）的分类模型（IGWO-SVM）。介绍了灰狼算法的基本理论；嵌入选择算子和引入非线性收敛因子来提升IGWO的寻优性能；采用IGWO优化SVM参数，进而建立语音情感的分类模型。通过10个基准测试函数的仿真实验，验证了IGWO性能优于GWO。对于参比模型，IGWO-SVM模型能够有效提高语音情感的识别率。

关键词: 语音情感识别, 灰狼算法（GWO）, 支持向量机（SVM）, 选择算子, 收敛因子

Abstract: Speech emotion recognition has been paid more and more attention and plays an important role in social life. In order to improve recognition rate, IGWO-SVM is proposed. Firstly, the fundamental theory of GWO（Grey Wolf Optimizer） is presented. Then the selection operator and nonlinear convergence factor are introduced to improve performance of IGWO（Improved GWO）. Finally, IGWO is used to optimize SVM parameters, and then the classification model is established. The simulation results of 10 benchmark functions show that IGWO outperforms GWO. Compared with the reference models, IGWO-SVM model can effectively improve the recognition rate of speech emotion.

Key words: speech emotion recognition, Grey Wolf Optimizer（GWO）, Support Vector Machine（SVM）, selection operator, convergence factor

陈闯1，RYAD Chellali1，邢尹2. 改进GWO优化SVM的语音情感识别研究[J]. 计算机工程与应用, 2018, 54(16): 113-118.

CHEN Chuang1, RYAD Chellali1, XING Yin2. Research on speech emotion recognition based on improved GWO optimized SVM[J]. Computer Engineering and Applications, 2018, 54(16): 113-118.

[1]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[2]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[3]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[4]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[5]	黎素涵，叶春明. 重选精英个体的非线性收敛灰狼优化算法[J]. 计算机工程与应用, 2021, 57(1): 62-68.
[6]	陈菲雨，岳文斌，饶颖露，邢金昊，马晓静. 基于改进TLD算法的无人机自主精准降落[J]. 计算机工程与应用, 2020, 56(7): 247-254.
[7]	马玲，罗晓曙，蒋品群. 基于模板匹配和支持向量机的点阵字符识别研究[J]. 计算机工程与应用, 2020, 56(4): 134-139.
[8]	张忠林，冯宜邦，赵中恺. 一种基于SVM的非均衡数据集过采样方法[J]. 计算机工程与应用, 2020, 56(23): 220-228.
[9]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[10]	隋修武，牛佳宝，李昊天，乔明敏. 基于NMF-SVM模型的上肢sEMG手势识别方法[J]. 计算机工程与应用, 2020, 56(17): 161-166.
[11]	孙晓虎，李洪均. 语音情感识别综述[J]. 计算机工程与应用, 2020, 56(11): 1-9.
[12]	梁华刚，张志伟，王亚茹. 自适应Gabor卷积核编码网络的表情识别方法[J]. 计算机工程与应用, 2020, 56(10): 149-156.
[13]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[14]	甘玲1，杨梦2. 聚合支持向量机分类器的行人检测方法[J]. 计算机工程与应用, 2019, 55(7): 194-198.
[15]	关日钊，陈新度，吴磊，徐焯基. 基于改进的R-FCN带纹理透明塑料裂痕检测[J]. 计算机工程与应用, 2019, 55(6): 168-172.

改进GWO优化SVM的语音情感识别研究

Research on speech emotion recognition based on improved GWO optimized SVM

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics