基于重要性评分的多级随机森林网络语音情感识别

摘要：

在源数据不充分或不平衡的情况下,深度学习方法在小样本集上难以取得令人满意的语音情感识别效果.因此,本研究构造了一种三层随机森林情感识别网络,在每一层都单独剥离易于区分的情感类别,并通过重要性评分方法,为每一层网络都构造一个识别特定类别的特征集,该特征集的每一个特征都依据贡献度大小得到赋权,以确保对分类贡献越多的特征因子对结果影响越大.本研究构建的多级情感识别网络,在小样本集语音情感识别的整体识别率上,较单层随机森林网络和支持向量机分别提高了5％和7％,较流行的深度学习方法卷积神经网络提高了12％.实验结果和理论分析表明:基于重要性评分的多级随机森林网络相较于其他方法,在源数据样本量较少和部分不平衡的情况下,有更高的识别准确率,具有语音情感识别方向的实际应用意义.

关键词：随机森林、多级网络、重要性评分、特征赋权、情感差异、交叉验证

所属期刊栏目：16

分类号：H107

资助基金：国家自然科学基金资助项目61702052;长沙市科技计划项目KQ1703018;湖南省教育厅重点项目17A007,16A008

在线出版日期：2019-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：77-83