《表3 不同算法的识别率Table 3 Recognition rate of different algorithms》
在SAVEE情感库上,分别实现了基于CLBP_M,ICLBP_M,CLBP_S_M,ICLBP_S_M,传统特征MFCC、LPCC和PLP原始特征、一阶差分特征和二阶差分特征的mean、std、max、min、kurtosis、skewness和median全局统计特征,以及本文算法的语音情感识别试验。由表3(a)和(b)的试验结果可知,改进后特征的识别率均高于改进前的特征,表明改进特征可以在降低特征维度的同时提高系统的识别效果。表3(c)和(d)分别给出了在两种策略下,本文所提算法,与传统特征和其他文献所提方法的比较。由实验结果可知,在两种策略下,本文算法的识别效果均高于传统特征的识别效果,优于Hu WSF特征。同时,在两种策略下分别与文献[6,12]比较,本文算法均高于这两种算法,验证了本文算法的有效性。同时,为了验证本文算法对于其他语种的情感识别效果,在CASIA情感库上作对比实验,实验结果如表3(e)和(f)所示。由实验结果可知,在两种策略下,本文算法均取得了良好的效果,验证了本文算法的有效性。
图表编号 | XD0016982800 严禁用于非法目的 |
---|---|
绘制时间 | 2018.05.01 |
作者 | 许良凤、刘泳海、胡敏、王晓华、任福继 |
绘制单位 | 合肥工业大学情感计算与先进智能机器安徽省重点实验室、合肥工业大学情感计算与先进智能机器安徽省重点实验室、合肥工业大学情感计算与先进智能机器安徽省重点实验室、合肥工业大学情感计算与先进智能机器安徽省重点实验室、合肥工业大学情感计算与先进智能机器安徽省重点实验室、德岛大学先端技术科学教育部 |
更多格式 | 高清、无水印(增值服务) |
查看“表3 不同算法的识别率Table 3 Recognition rate of different algorithms”的人还看了
- Table 2 Comparison of 4 algorithms.time complexity for different packet loss rates表2 4种算法在不同丢包率下的时间复杂度比较