ZCPA与CHMM结合的语音情感识别技术研究

"这篇论文是关于基于ZCPA(Zero-Crossing Point Analysis，零交叉点分析)和连续隐马可夫模型(CHMM, Continuous Hidden Markov Model)的语音情感识别技术的研究。由康燕和张雪英撰写，探讨了情感语音的分类、数据收集、特征提取以及CHMM在情感识别中的应用。文中特别对比了ZCPA特征参数与传统特征参数在不同噪声条件下的识别性能，结果显示，ZCPA特征在各种噪声环境下能保持较高的识别率，不易受到噪声影响。该研究受山西省研究生优秀创新项目和山西省自然科学基金资助。" 在语音情感识别领域，本文提出了一种结合ZCPA和CHMM的方法。ZCPA是一种常用的音频特征提取技术，它通过计算音频信号零交叉点的数量来描述声音的特性，尤其对于噪声环境下的语音处理具有一定的优势。而CHMM则是一种统计建模工具，常用于序列数据的建模，如语音识别，它可以捕捉语音信号的时间序列变化，从而有效地识别出其中的情感状态。 论文首先介绍了情感语音的分类问题，这涉及到如何定义和区分不同的情感类别，例如愤怒、喜悦、悲伤等。接着，论述了语音资料的获取方法，这可能包括录制特定情境下的对话、演讲或者其他表达情感的语音样本。 在特征提取部分，ZCPA作为一种有效的特征参数被引入。除了ZCPA，通常还包括其他特征如MFCC（梅尔频率倒谱系数）、PLP（感知线性预测）等。ZCPA在噪声环境下的优势在于它对噪声的鲁棒性，能够减少噪声对特征提取的影响，从而提高识别准确性。 然后，文章详细讨论了如何利用CHMM进行情感识别。CHMM通过学习和建模不同情感状态的声学模型，根据输入的语音特征序列来决定最可能对应的情感状态。在训练阶段，模型会学习每个情感类别的声学模型；在识别阶段，模型会根据测试语音的特征序列来决定最匹配的模型，从而识别出相应的情感。 最后，实验部分对比了ZCPA特征与传统特征在多种噪声环境下的识别性能。实验结果证明，使用ZCPA特征的识别系统在不同噪声环境中表现出更好的稳定性和识别率，即使在噪声较大时，识别效果也不会显著下降。 关键词：语音情感识别、隐马可夫模型、情感特征提取，这些都是本文研究的核心内容，表明了ZCPA和CHMM在情感识别技术中的潜力和价值，对于提高情感识别的准确性和鲁棒性具有重要意义。