АЛГОРИТМ ОПТИМИЗАЦИИ ВХОДНЫХ ПРИЗНАКОВ И ПАРАМЕТРОВ КЛАССИФИКАТОРА ЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА ПО ЕГО РЕЧИ
Abstract
Рассматривается алгоритм оптимизации входного вектора признаков и парамет-
ров классификатора эмоционального состояния человека, основанный на использовании
стохастического метода роя частиц. Предлагаются пути его совершенствования с целью
повышения скорости сходимости алгоритма. Доказывается улучшение точности класси-
фикации эмоционального состояния диктора по его речи при использовании оптимизиро-
ванного вектора признаков и найденных параметров классификатора.
About the Authors
Д. Пекарь
Белорусский государственный университет
Belarus
Belarus
С. Тихоненко
Белорусский государственный университет
Belarus
Belarus
А. Чернявский
Белорусский государственный университет
Belarus
Belarus
В. Садов
Белорусский государственный университет
Belarus
Belarus
References
1. Williams, C.E. Emotions and Speech: Some Acoustical Correlates / C.E. Williams // Journal
2. of the Acoustical Society of America. – 1972. – Vol. 52, № 4. – P. 1238–1250.
3. Banse, R. Acoustic profiles in vocal emotion expression / R. Banse // Journal of personality
4. and social psychology. – 1996. – Vol. 70, № 3. – P. 614–636.
5. Eyben, F. OpenEAR – Introducing the Munich Open-Source Emotion and Affect / F. Eyben // Proc. ACII. – Amsterdam, Netherlands, 2009. – P. 576–581.
6. Schuller, B. The interspeech 2009 emotion / B. Schuller // Interspeech. – Brighton, UK, 2009.
7. Eyben, F. OpenSMILE : the Munich open Speech and Music Interpretation by Large Space
8. Extraction toolkit / F. Eyben, M. Woellmer, B. Schuller. – 2010. – Mode of access :
9. http://sourceforge.net/projects/opensmile/files/openSMILE_book_1.0.1.pdf. – Date of access : 20.01.2012.
10. Berlin Database of Emotional Speech [Electronic resource]. – Technical University Berlin,
11. – Mode of access : http://pascal.kgw.tu-berlin.de/emodb/index-1024.html. – Date of access : 20.01.2012.
12. Holmes, G. WEKA: a machine learning / G. Holmes // Intelligent Information Systems. –
13. – № 29. – P. 357–361.
14. John G.H. Estimating Continuous Distributions in Bayesian Classifiers / G.H. John // Proc. of the Eleventh Conf. on Uncertainty in Artificial Intelligence. – San Francisco, USA, 1995. – Vol. 1. – P. 338–345.
15. LIBLINEAR – A Library for Large Linear Classification // Rong-En Fan [et al.]. – 2008. –
16. Mode of access : http://www.csie.ntu.edu.tw/~cjlin/liblinear/. – Date of access : 20.01.2012.
17. Quinlan, R.J. C4.5: Programs for Machine Learning / R.J. Quinlan // Machine Learning. –
18. – Vol. 16, № 3. – P. 235–240.
19. Aha, D.W. Instance-Based Learning Algorithms / D.W. Aha // Machine Learning. – Hingham, USA, 1991. – Vol. 6, № 1. – P. 37–66.
20. Kennedy, J. Particle Swarm Optimization / J. Kennedy // Proc. of IEEE Intern. Conf. on
21. Neural Networks. – Washington, USA, 1995. – Vol. 4. – P. 1942–1948.
22. Sun, J. Particle Swarm Optimization with particles having Quantum Behavior / J. Sun //
23. Proc. of Congress on Evolutionary Computation. – Portland, USA, 2004. – P. 325–331.
24. Gao, H. A Simple Quantum-inspired Particle swarm Optimization and its Application /
25. H. Gao // Information Technology Journal. – 2011. – № 10. – P. 2315–2321.
26. Maolong, X. An improved quantum-behaved particle swarm optimization algorithm with
27. weighted mean best position / X. Maolong // Applied Mathematics and Computation. – 2008. – № 205. – P. 751–759.
Review
For citations:
, , , . Informatics. 2012;(3(35)):26-34. (In Russ.)
Views: 544
Email this article 