第1章 緒論
1．1 研究背景與意義
1．1．1 語音情感的聲學(xué)意義
1．1．2 情感計算
1．1．3 實(shí)際應(yīng)用
1．1．4 語音情感識別的研究現(xiàn)狀
1．2 跨數(shù)據(jù)庫語音情感識別技術(shù)
1．2．1 發(fā)展歷史
1．2．2 研究現(xiàn)狀和存在的問題
1．3 研究的主要工作
1．4 章節(jié)安排

第2章 數(shù)據(jù)庫和特征分析
2．1 語音情感數(shù)據(jù)庫
2．1．1 國外語料庫
2．1．2 國內(nèi)語料庫
2．1．3 本書使用的數(shù)據(jù)庫情況
2．1．4 跨庫情感類別劃分規(guī)則的制訂
2．2 特征分析
2．2．1 聲學(xué)特征
2．2．2 底層聲學(xué)描述符
2．2．3 語譜圖特征
2．3 性能評價標(biāo)準(zhǔn)討論

第3章 基于無限t分布的混合魯棒模型
3．1 引言
3．2 基于統(tǒng)計模型的特征選擇方案
3．3 iSMM特征優(yōu)選模型
3．3．1 學(xué)生t分布特征選擇
3．3．2 特征概率分布建模
3．3．3 判決函數(shù)評估
3．3．4 高維特征空間分析
3．4 實(shí)驗(yàn)結(jié)果
3．4．1 實(shí)驗(yàn)設(shè)置
3．4．2 表演型語料庫實(shí)驗(yàn)
3．4．3 自發(fā)型語料庫實(shí)驗(yàn)
3．4．4 多數(shù)據(jù)庫綜合實(shí)驗(yàn)分析
3．5 本章小結(jié)

第4章 改進(jìn)的LDA核K近鄰分類方法
4．1 引言
4．2 結(jié)合LDA的核K近鄰分類方法
4．2．1 基于核學(xué)習(xí)的KNN算法
4．2．2 恃征線重心法的改進(jìn)
4．2．3 線性判別分析的改進(jìn)
4．3 實(shí)驗(yàn)結(jié)果分析
4．3．1 幾種KNN分類器對比實(shí)驗(yàn)
4．3．2 兩種降維方案的情感識別實(shí)驗(yàn)
4．3．3 與常用分類方法對比實(shí)驗(yàn)
4．3．4 分類方案參數(shù)實(shí)驗(yàn)分析
4．4 本章小結(jié)

第5章 改進(jìn)的聽覺注意模型語譜圖特征提取
5．1 引言
5．2 基于聽覺注意的語譜圖情感特征提取
5．2．1 語譜圖特征的語音情感識別
5．2．2 基于時頻原子的改進(jìn)
5．2．3 聽覺注意圖譜特征提取
5．3 仿真實(shí)驗(yàn)
5．3．1 跨庫實(shí)驗(yàn)設(shè)置
5．3．2 實(shí)驗(yàn)結(jié)果和分析
5．4 本章小結(jié)

第6章 基于深度信念網(wǎng)絡(luò)的特征融合
6．1 引言
6．2 選擇注意機(jī)制的語譜圖特征提取
6．2．1 提取語譜圖
6．2．2 高斯金字塔分解
6．2．3 獲取特征圖并重構(gòu)特征矩陣
6．3 深度信念網(wǎng)絡(luò)模型
6．3．1 受限玻爾茲曼機(jī)
6．3．2 基于對比散度的快速學(xué)習(xí)算法
6．3．3 DBN21與DBN22模型
6．4 跨庫實(shí)驗(yàn)結(jié)果與分析
6．4．1 實(shí)驗(yàn)準(zhǔn)備
6．4．2 語譜圖特征跨庫實(shí)驗(yàn)
6．4．3 傳統(tǒng)聲學(xué)特征跨庫實(shí)驗(yàn)
6．4．4 融合特征跨庫實(shí)驗(yàn)
6．5 本章小結(jié)

第7章 跨語言的多說話人特征自適應(yīng)
7．1 引言
7．2 特征分析
7．2．1 增強(qiáng)
7．2．2 自適應(yīng)規(guī)整化語譜圖特征
7．3 特征自適應(yīng)方法
7．3．1 說話人加性方差模型
7．3．2 基于GMM的加性模型
7．3．3 學(xué)生t分布對差異特征空間的建模
7．4 ．情感分類器模型
7．4．1 核K近鄰情感分類器
7．4．2 SVM情感分類器
7．5 跨語言語音情感識別實(shí)驗(yàn)
7．5．1 數(shù)據(jù)庫設(shè)置
7．5．2 說話人自適應(yīng)實(shí)驗(yàn)
7．5．3 在線特征自適應(yīng)實(shí)驗(yàn)
7．5．4 譜特征對比實(shí)驗(yàn)
7．6 本章小結(jié)

第8章 總結(jié)與展望
8．1 工作總結(jié)
8．2 后續(xù)工作與展望
參考文獻(xiàn)