聚类PSO-LSSVM模型在PAD预测中的准确性提升

"基于聚类PSO-LSSVM模型的PAD维度预测" 本文提出了一个针对情感维度预测的新方法，特别是预测愉悦度（Pleasure）、激活度（Activity）和优势度（Dominance）这三种基本情感维度，简称PAD。传统的预测模型在准确性上存在挑战，为此，研究者构建了一个融合了粒子群优化（PSO）算法和最小二乘支持向量机（LSSVM）的聚类PSO-LSSVM模型。 首先，该模型利用情感特征，如声调、节奏等，从TYUT2.0和柏林语音库中提取三种情感（喜怒哀）的语音数据。接着，根据这些特征和已知的PAD标注，对每种单一情感分别建立PSO-LSSVM模型。同时，也构建了一个针对混合情感的PSO-LSSVM模型。 在预测阶段，混合情感维度的PSO-LSSVM模型用于估计P、A、D值，然后计算这些预测值与基本情感PAD的欧氏距离。如果某个情感的预测结果与基本情感的差距超过设定阈值，则将其归类为混合情感；否则，将其归类到与其预测值最接近的基本情感类别中，并使用相应情感的回归模型进行细化预测。 实验结果显示，聚类PSO-LSSVM模型在预测PAD三个维度时，相比传统的LSSVM和单纯的PSO-LSSVM模型，具有更低的误差率，并且预测值与实际标注值之间的相关性显著增强。这表明，通过结合聚类分析，该模型能够提供更可靠、准确的PAD预测，对于理解和分析人类情感表达有重要的理论价值和实际应用前景。 该研究工作受到了多项国家自然科学基金和省级科研基金的支持，由一组专注于情感计算、语音识别和信号处理的科研团队完成。研究团队成员包括胡艳香、孙颖、张雪英和段淑斐等人，他们分别在硕士、博士阶段从事相关领域的研究。 这项研究通过创新的聚类PSO-LSSVM模型，提升了情感维度预测的精度，为情感识别和理解提供了新的工具和方法，有望推动情感计算领域的发展。同时，这种模型的应用也扩展到了更广泛的领域，如人机交互、情感智能系统设计等。