بازگشت به جستجو

استفاده از فرکانس های طیفی خط برای تشخیص احساسات از گفتار

عنوان	استفاده از فرکانس های طیفی خط برای تشخیص احساسات از گفتار
نویسنده	بوزکورت، ای، ارزین، ای، اروغلو اردم، چ، اردم، تانجو
تاریخ انتشار:	2010
محل انتشار	- IEEE
موضوع	فرآیندهای گاوسی، تشخیص احساسات، طبقه بندی سیگنال، نمایش سیگنال، تشخیص گفتار
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	1051-4651
شماره ثبت	fd611d87-0f31-4d6e-aa01-7f1ef8e66f9d
محل کتابخانه	علوم کامپیوتر
تاریخ	2010
یادداشت‌ها	TUBITAK; صندوق تحقیقات دانشگاه باهچه شهیر
متن نمونه	ما استفاده از ویژگی‌های فرکانس طیفی خط (LSF) را برای تشخیص احساسات از گفتار پیشنهاد می‌کنیم، که قبلاً تا حد دانش ما برای تشخیص احساسات استفاده نشده است. ویژگی های طیفی مانند ضرایب مغزی با مقیاس mel قبلاً با موفقیت برای پارامترسازی سیگنال های گفتاری برای تشخیص احساسات استفاده شده است. ویژگی‌های LSF همچنین یک نمایش طیفی برای گفتار ارائه می‌دهند، علاوه بر این، آنها اطلاعات ذاتی را در ساختار فرمانت نیز حمل می‌کنند که با وضعیت احساسی گوینده مرتبط است. ما از معماری طبقه‌بندی‌کننده مدل مخلوط گاوسی (GMM) استفاده می‌کنیم که رنگ ثابت ویژگی‌های طیفی را به تصویر می‌کشد. مطالعات تجربی انجام شده بر روی پایگاه داده گفتار عاطفی برلین و بدنه احساسات FAU Aibo نشان می‌دهد که پیکربندی‌های ترکیبی تصمیم با ویژگی‌های LSF باعث بهبود مداوم نسبت به نرخ‌های طبقه‌بندی احساسات مبتنی بر MFCC می‌شوند.
DOI	10.1109/ICPR.2010.903

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

استفاده از فرکانس های طیفی خط برای تشخیص احساسات از گفتار

نویسنده بوزکورت، ای، ارزین، ای، اروغلو اردم، چ، اردم، تانجو

تاریخ انتشار 2010

محل انتشار - IEEE

موضوع فرآیندهای گاوسی، تشخیص احساسات، طبقه بندی سیگنال، نمایش سیگنال، تشخیص گفتار

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 1051-4651

شماره ثبت fd611d87-0f31-4d6e-aa01-7f1ef8e66f9d

محل کتابخانه علوم کامپیوتر

تاریخ 2010

یادداشت‌ها TUBITAK; صندوق تحقیقات دانشگاه باهچه شهیر

متن نمونه ما استفاده از ویژگی‌های فرکانس طیفی خط (LSF) را برای تشخیص احساسات از گفتار پیشنهاد می‌کنیم، که قبلاً تا حد دانش ما برای تشخیص احساسات استفاده نشده است. ویژگی های طیفی مانند ضرایب مغزی با مقیاس mel قبلاً با موفقیت برای پارامترسازی سیگنال های گفتاری برای تشخیص احساسات استفاده شده است. ویژگی‌های LSF همچنین یک نمایش طیفی برای گفتار ارائه می‌دهند، علاوه بر این، آنها اطلاعات ذاتی را در ساختار فرمانت نیز حمل می‌کنند که با وضعیت احساسی گوینده مرتبط است. ما از معماری طبقه‌بندی‌کننده مدل مخلوط گاوسی (GMM) استفاده می‌کنیم که رنگ ثابت ویژگی‌های طیفی را به تصویر می‌کشد. مطالعات تجربی انجام شده بر روی پایگاه داده گفتار عاطفی برلین و بدنه احساسات FAU Aibo نشان می‌دهد که پیکربندی‌های ترکیبی تصمیم با ویژگی‌های LSF باعث بهبود مداوم نسبت به نرخ‌های طبقه‌بندی احساسات مبتنی بر MFCC می‌شوند.