Python语音基础操作--12.3基于支持向量机SVM的语音情感识别

本文主要是介绍Python语音基础操作--12.3基于支持向量机SVM的语音情感识别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

《语音信号处理试验教程》（梁瑞宇等）的代码主要是Matlab实现的，现在Python比较热门，所以把这个项目大部分内容写成了Python实现，大部分是手动写的。使用CSDN博客查看帮助文件：

Python语音基础操作–2.1语音录制，播放，读取
Python语音基础操作–2.2语音编辑
Python语音基础操作–2.3声强与响度
Python语音基础操作–2.4语音信号生成
Python语音基础操作–3.1语音分帧与加窗
Python语音基础操作–3.2短时时域分析
Python语音基础操作–3.3短时频域分析
Python语音基础操作–3.4倒谱分析与MFCC系数
Python语音基础操作–4.1语音端点检测
Python语音基础操作–4.2基音周期检测
Python语音基础操作–4.3共振峰估计
Python语音基础操作–5.1自适应滤波
Python语音基础操作–5.2谱减法
Python语音基础操作–5.4小波分解
Python语音基础操作–6.1PCM编码
Python语音基础操作–6.2LPC编码
Python语音基础操作–6.3ADPCM编码
Python语音基础操作–7.1帧合并
Python语音基础操作–7.2LPC的语音合成
Python语音基础操作–10.1基于动态时间规整(DTW)的孤立字语音识别试验
Python语音基础操作–10.2隐马尔科夫模型的孤立字识别
Python语音基础操作–11.1矢量量化(VQ)的说话人情感识别
Python语音基础操作–11.2基于GMM的说话人识别模型
Python语音基础操作–12.1基于KNN的情感识别
Python语音基础操作–12.2基于神经网络的情感识别
Python语音基础操作–12.3基于支持向量机SVM的语音情感识别
Python语音基础操作–12.4基于LDA，PCA的语音情感识别

代码可在Github上下载：busyyang/python_sound_open

20 个世纪90 年代Vapnik等人提出了支持向量机(SVM) 算法，它是一种基于统计理论的学习方法，其日的是为了改善神经网络学习方法的不足。目前SVM已经广泛应用于数据挖掘、模式识别等领域。支持向量机在机器学习领域有着重要的地位，其集最大间隔的超平面、凸二次规划问题、核分析方法等多种技术于一身，具有广阔的发展和应用前景。支持向量机从当初被提出，经过Dual、Smith等人的逐步完善，Vapnik在《统计学习理论》的论著中论证了SVM算法优于归纳推理给出的误差率的界。大量研究表明SVM 算法是一种非常有效的学习方法，它能够在高维特征空间得到优化的泛化界的超平面，能够使用核技术从而避免局部最小，通过间隔和限制支持向量的个数控制容量来防止过拟合。目前，SVM技术已经应用于各个领域，理论与实践都得到了充分的发展，在人脸识别，目标识别，文本识别等都有SVM 技术的成功应用。

SVM算法是统计学习理论的一种实现方式。最基本思路就是要找到使测试样本的分类错误率达到最低的最佳超平面，也就是要找到一个分割平面，使得训练集中的训练样本距离该平面的距离尽量的远，该分割平面两侧的空白区域(margin)最大。超平面为：
$$wx+b=0$$

两侧的支持向量有：
$$\begin{array}{l}w{x}_1+b=1\\ w{x}_2+b=-1\end{array}$$

支持向量到平面的集合间隔为：
$$d^{\ast }=\frac{wx+b}{||w||}=\frac{1}{||w||}$$

为了让$d^{\ast }$最大，也就是$||w||$最小，那么构造一个目标函数为：$$\min \frac{1}{2}||w|{|}^2$$

条件是任何一个点到超平面的距离不小于1（线性可分数据上）：$y_i(w{x}_i+b)-1⩾0$

转化为Lagrange算法：
$$L(w,b,\alpha )=\frac{1}{2}||w|{|}^2-\sum _{i=1}^n{\alpha }_i(y_i(w{x}_i+b)-1)$$

这篇关于Python语音基础操作--12.3基于支持向量机SVM的语音情感识别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---