【信号识别】基于K近邻分类算法的语音情感识别matlab代码

原创

matlab科研助手 2021-11-19 23:28:25 博主文章分类：信号处理 ©著作权

文章标签 样本集预处理语音信号 k近邻特征向量 文章分类 数据结构与算法人工智能

©著作权归作者所有：来自51CTO博客作者matlab科研助手的原创作品，请联系作者获取转载授权，否则将追究法律责任

1 简介随着计算机技术的不断发展,语音情感识别成为人工智能领域的研究热点.语音情感识别包括语音信号预处理,特征参数提取和情感识别分类器等.本文着重对语音情感的特征提取方法与特征计算的分类进行研究,采用对情感语音进行预处理,包括抗混叠滤波,预加重,加窗以及端点检测等,对高兴,愤怒和悲伤3种语音情感提取短时能量,过零率,短时幅度以及MFCC等参数,根据柏林情感语音库中的90句情感语音,使用K近邻算法对语音的3种情感进行识别. 2 部分代码 %% knn分类主程序（利用采集的情感语音信号特征数据进行分类识别） clc clear all; close all; %% 载入各情感的特征向量矩阵 load A_fear.mat; load F_happiness.mat; load N_neutral.mat; load T_sadness.mat; load W_anger.mat; NumberOfTrain=size(fearVec,2)/2; %一半测试用，一半训练用 trainVector=[fearVec(:,1:NumberOfTrain),hapVec(:,1:NumberOfTrain),neutralVec(:,1:NumberOfTrain),sadnessVec(:,1:NumberOfTrain),angerVec(:,1:NumberOfTrain)]; % 构建训练样本集 testVector=[fearVec(:,(NumberOfTrain+1):size(fearVec,2)),hapVec(:,(NumberOfTrain+1):size(hapVec,2)),neutralVec(:,(NumberOfTrain+1):size(neutralVec,2)),sadnessVec(:,(NumberOfTrain+1):size(sadnessVec,2)),angerVec(:,(NumberOfTrain+1):size(angerVec,2))]; % 构建测试样本集 k=9; %k 最近邻 distanceMatrix=zeros(size(trainVector,2),size(testVector,2)); % 每一列表示某个测试语音与所有训练集样本的距离 %% 计算每个测试样本和训练样本集各样本的距离 for i=1:size(testVector,2) for j=1:size(trainVector,2) distanceMatrix(j,i)=norm(testVector(:,i)-trainVector(:,j)); %计算欧氏距离 end end %% 统计分类结果（根据相应的特征向量在数组trainVector或testVector中所处的位置来辨别类型） totalTestNumber=size(fearVec,2)-NumberOfTrain; emtionCounter=zeros(1,5); n1=NumberOfTrain; n2=n1+NumberOfTrain; n3=n2+NumberOfTrain; n4=n3+NumberOfTrain; n5=n4+NumberOfTrain; p1=size(fearVec,2)-NumberOfTrain; p2=p1+size(hapVec,2)-NumberOfTrain; p3=p2+size(neutralVec,2)-NumberOfTrain; p4=p3+size(sadnessVec,2)-NumberOfTrain; p5=p4+size(angerVec,2)-NumberOfTrain; if(n5

_{=size(trainVector,2)||p5}=size(testVector,2)) disp('data error') return; end for i=1:size(distanceMatrix,2) flag=zeros(1,5); [sortVec,index]=sort(distanceMatrix(:,i)); % 统计K个近邻中各类别的数量 for j=1:k if(n1>=index(j)&&index(j)>=1) flag(1)=flag(1)+1; elseif(n2>=index(j)&&index(j)>n1) flag(2)=flag(2)+1; elseif(n3>=index(j)&&index(j)>n2) flag(3)=flag(3)+1; elseif(n4>=index(j)&&index(j)>n3) flag(4)=flag(4)+1; else flag(5)=flag(5)+1; end end [~,index1]=sort(flag); % 如果K个近邻中数量最多的类别与该样本实际的类别一致，则认为算法识别正确，相应counter加一。 if((p1>=i&&i>=1)&&index1(5)==1) emtionCounter(index1(5))=emtionCounter(index1(5))+1; elseif((p2>=i&&i>p1)&&index1(5)==2) emtionCounter(index1(5))=emtionCounter(index1(5))+1; elseif((p3>=i&&i>p2)&&index1(5)==3) emtionCounter(index1(5))=emtionCounter(index1(5))+1; elseif((p4>=i&&i>p3)&&index1(5)==4) emtionCounter(index1(5))=emtionCounter(index1(5))+1; elseif((p5>=i&&i>p4)&&index1(5)==5) emtionCounter(index1(5))=emtionCounter(index1(5))+1; end end %% 显示结果 ratio=emtionCounter./totalTestNumber; bar(ratio); ylim([0,1]) set(gca,'XTickLabel',{'惊恐','高兴','中性','高兴','生气'}); n=1:5; for i = 1:length(ratio) text(n(i)-0.18,ratio(i)+0.02,num2str(ratio(i))); end title(strcat('KNN 算法识别结果\_ ',strcat('K = ',num2str(k)))); xlabel('情感类别') ylabel('识别率')3 仿真结果 4 参考文献 [1]吕志浩, 马赫, and 鲁润南. "基于模糊K近邻的语音情感识别." 2016-19(2021):279-280.