Python语音基础操作--12.4基于LDA，PCA的语音情感识别

本文主要是介绍Python语音基础操作--12.4基于LDA，PCA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

LDA

线性鉴别分析（Linear Discriminant Analysis, LDA）的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维度的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离。假设有一组属于两个类的n个d维样本$x_1,...,x_n\in R^d$,其中前$n_1$个样本属于类$w_1$,后$n_2$个样本属于类$w_2$，均值从同协方差矩阵的高斯分布。各类样本均值向量$m_1(i=1,2)$为：
$$m_i=\frac{1}{n_i}\sum _{x\in w_i}x$$

样本类内离散度矩阵$S_i$和总的类内离散度矩阵$S_w$的表达式为：
$$\begin{array}{l}{S}_i={\sum }_{x\in w_i}(x-m_i)(x-m_i{)}^T,(i=1,2)\\ S_w=S_1+S_2\end{array}$$

样本类间离散度矩阵$S_b$定义为：
$$S_b=(m_1-m_2)(m_1-m_2{)}^T$$

现在要一个最佳超平面将两类分开，则只需要将所有样本投影到此超平面的法线方向上$w\in R^d,||w||=1$:
$$y_i=w^T{x}_i,i=1,2,...,n$$

得到n个新样本$y_1,...,y_n\in$

这篇关于Python语音基础操作--12.4基于LDA，PCA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！

---