[感情認識]ニューラルネットワークに基づく音声感情認識[Matlabソースコード544を使用]

1.はじめに

1986年にRumelhartとMcCellandが率いる科学者のチームによって提案されたBPネットワーク（バックプロパゲーション）は、エラーバックプロパゲーションアルゴリズムによってトレーニングされた多層フィードフォワードネットワークであり、現在最も広く使用されているニューラルネットワークモデルの1つです。BPネットワークは、このマッピング関係を説明する数式を事前に明らかにすることなく、多数の入出力パターンマッピング関係を学習して保存できます。
人工ニューラルネットワークの開発の歴史において、隠れ層の接続重みを調整するための効果的なアルゴリズムは長い間発見されていませんでした。エラーバックプロパゲーションアルゴリズム（BPアルゴリズム）が提案されるまで、非線形連続関数を解くための多層フィードフォワードニューラルネットワークの重み調整の問題は首尾よく解決されました。

エラーバックプロパゲーションアルゴリズムの学習プロセスであるBP（バックプロパゲーション）ニューラルネットワークは、情報のフォワードプロパゲーションとエラーのバックプロパゲーションの2つのプロセスで構成されています。入力層の各ニューロンは、外部から入力情報を受け取り、それを中間層の各ニューロンに送信する役割を果たします。中間層は、内部情報処理層であり、情報変換を担当します。情報変更能力の需要に応じて、中間層は、単一の隠れ層または複数の隠れ層構造として設計できます。最後の隠れ層は、出力層の各ニューロンの情報を送信し、さらに処理した後、学習の順方向伝播プロセスを完了し、出力層情報処理結果を外界に出力します。実際の出力が期待される出力と一致しない場合、エラーバックプロパゲーションフェーズに入ります。エラーは出力レイヤーを通過し、エラー勾配降下法で各レイヤーの重みを修正し、レイヤーごとに非表示レイヤーと入力レイヤーに送り返します。情報の順方向伝搬とエラーの逆方向伝搬の繰り返しプロセスは、各層の重みを絶えず調整するプロセスであり、ニューラルネットワークの学習とトレーニングのプロセスでもあります。このプロセスは、ネットワーク出力のエラーが減少するまで続きます。許容レベルまで、または事前設定されたスタディ数まで。

BPニューラルネットワークモデルBPネットワークモデルには、その入力および出力モデル、アクション関数モデル、エラー計算モデル、および自己学習モデルが含まれます。2BP
ここに画像の説明を挿入します

ニューラルネットワークモデルとその基本原理

3BP_PIDアルゴリズムフロー

第二に、ソースコード

lc 
close all
clear all
load A_fear fearVec;
load F_happiness hapVec;
load N_neutral neutralVec;
load T_sadness sadnessVec;
load W_anger angerVec;
 trainsample(1:30,1:140)=angerVec(:,1:30)';
 trainsample(31:60,1:140)=hapVec(:,1:30)';
 trainsample(61:90,1:140)=neutralVec(:,1:30)';
 trainsample(91:120,1:140)=sadnessVec(:,1:30)';
 trainsample(121:150,1:140)=fearVec(:,1:30)';
  trainsample(1:30,141)=1;
   trainsample(31:60,141)=2;
   trainsample(61:90,141)=3;
   trainsample(91:120,141)=4; 
   trainsample(121:150,141)=5;
   testsample(1:20,1:140)=angerVec(:,31:50)';
  testsample(21:40,1:140)=hapVec(:,31:50)';
 testsample(41:60,1:140)=neutralVec(:,31:50)';
  testsample(61:80,1:140)=sadnessVec(:,31:50)';
  testsample(81:100,1:140)=fearVec(:,31:50)';
  testsample(1:20,141)=1;
   testsample(21:40,141)=2;
    testsample(41:60,141)=3;
    testsample(61:80,141)=4; 
    testsample(81:100,141)=5;
  class=trainsample(:,141);
sum=bpnn(trainsample,testsample,class);
figure(1)
bar(sum,0.5);
set(gca,'XTickLabel',{
    
    '生气','高兴','中性','悲伤','害怕'});
ylabel('识别率');
xlabel('五种基本情感');

p_train=trainsample(:,1:140)';
t_train=trainsample(:,141)';
p_test=testsample(:,1:140)';
t_test=testsample(:,141)';
sumpnn=pnn(p_train,t_train,p_test,t_test);
figure(2)
bar(sumpnn,0.5);
set(gca,'XTickLabel',{
    
    '生气','高兴','中性','悲伤','害怕'});
ylabel('识别率');
xlabel('五种基本情感');
sumlvq=lvq(trainsample,testsample,class);
function sum=bpnn(trainsample,testsample,class)
%输入参数：trainsample是训练样本,testsample是测试样本,class表示训练样本的类别，与trainsample中数据对应
%sum：五种基本情感的识别率
for i=1:140
    feature(:,i)= trainsample(:,i);
end
%特征值归一化
[input,minI,maxI] = premnmx( feature')  ;

%构造输出矩阵
s = length( class ) ;
output = zeros( s , 5  ) ;
for i = 1 : s 
   output( i , class( i )  ) = 1 ;
end

%创建神经网络
net = newff( minmax(input) , [10 5] , {
    
     'logsig' 'purelin' } , 'traingdx' ) ;   %创建前馈神经网络

%设置训练参数
net.trainparam.show = 50 ;
net.trainparam.epochs = 150 ;
net.trainparam.goal = 0.1 ;
net.trainParam.lr = 0.05 ;

%开始训练
net = train( net, input , output' ) ;

%读取测试数据
for i=1:140
    featuretest(:,i)= testsample(:,i);
end
 c=testsample(:,141);
%测试数据归一化
testInput = tramnmx(featuretest' , minI, maxI ) ;

%仿真
Y = sim( net , testInput ) 
sum=[0 0 0 0 0]; %每类情感正确识别个数
%统计识别正确样本数 
for i=1:20
    if Y(1,i)>Y(2,i)&&Y(1,i)>Y(3,i)&&Y(1,i)>Y(4,i)&&Y(1,i)>Y(5,i)
        sum(1)=sum(1)+1;
    end
    function sumlvq=lvq(trainsample,testsample,class)
P=trainsample(:,1:140)';
C=class';
T=ind2vec(C);
net=newlvq(minmax(P),20,[0.2 0.2 0.2 0.2 0.2],0.1); %创建lvq网络
w1=net.IW{
    
    1};
net.trainParam.epochs=100;
net=train(net,P,T);
y=sim(net,testsample(:,1:140)');
y3c=vec2ind(y);
sumlvq=[0 0 0 0 0]; %每类情感正确识别个数
%统计识别正确样本数 
for i=1:20
    if y3c(i)==1
        sumlvq(1)=sumlvq(1)+1;
    end
end
for i=21:40
    if y3c(i)==2
        sumlvq(2)=sumlvq(2)+1;
    end
end
for i=41:60
    if y3c(i)==3
        sumlvq(3)=sumlvq(3)+1;
    end
end
for i=61:80
    if y3c(i)==4
        sumlvq(4)=sumlvq(4)+1;
    end
end
for i=81:100
end

3、実行中の結果

ここに画像の説明を挿入します

四、備考