"支持向量机实现多分类器算法在语音情感识别中的应用"
本文主要讨论了如何使用支持向量机(Support Vector Machine, SVM)来解决多分类问题,特别是针对语音情感识别。在这个领域,情感通常被归类为高兴、生气、平静和悲伤等,构成了一个典型的多分类任务。由于SVM原本设计用于解决二类分类问题,因此需要扩展其应用以处理多于两类的情感识别。
在"一对多"策略中,针对每种情感类别训练一个SVM,每个模型的任务是区分该类情感与其他所有类。当需要对新样本进行分类时,计算所有SVM的判别函数值,将新样本分配到获得最大判别值的类别。而"一对一"策略则更复杂,它涉及到训练多个二分类器,每个分类器专门区分一对情感类别。在测试阶段,通过所有二类分类器的投票结果来决定最终的识别类别,即得票最多的类别作为识别结果。
具体到实现上,假设训练样本集合为\( T \),样本总数为\( L \),每个样本\( x \)关联一个情感类别\( Y \),用整数表示。为了构建分类器,可以从训练集中选取任意两类样本点构成新的训练集。在"一对一"策略中,对于第\( i \)类和第\( j \)类样本,它们分别被标记为正类和负类,每个SVM仅训练这两类样本。分类决策函数通常形式化为:
\[ f(x) = w^T\phi(x) + b \]
其中,\( w \)是权重向量,\( \phi(x) \)是特征映射函数,\( b \)是偏置项。在满足特定约束条件的情况下,如最大间隔原则,可以求解相应的优化问题以确定最优的\( w \)和\( b \)。
这篇论文出自向磊的硕士学位论文,研究方向是工业过程控制与综合自动化,由熊卫华副教授指导,发表于2013年。论文探讨了语音情感特征的提取和识别,强调了SVM在多分类问题中的应用,尤其是在语音情感识别中的潜力和挑战。通过对语音情感的深入分析和识别,有望提升人机交互的智能程度,为远程教育、刑事侦查、医学、娱乐和服务业等多个领域带来创新。
作者在论文中声明了其原创性,并授权浙江理工大学使用和传播学位论文的内容,同时指出了目前语音情感识别研究存在的局限性和未来研究的价值。这篇论文深入研究了SVM在多分类任务中的应用,特别是在语音情感识别这一特定问题上的实践,为相关领域的研究提供了有价值的参考。