【情感识别】基于改近最近邻实现语音情感分类识别含Matlab源码

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/125351005

本文介绍了K近邻算法的基本思想，包括训练阶段的离散化存储和分类阶段的决策过程。并通过Matlab代码展示了如何计算短时特征用于语音情感识别。通过实例阐述了如何在实际场景中运用该算法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 简介

Ｋ近邻（Ｋ－ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ，ＫＮＮ）算法是一种基于实例的统计学习方法，其基本思想是在多维空间Ｒｎ中，对于一个待分类样本ｘ，根据距离找到与未知样本最近邻的ｋ个训练样本点，然后根据这ｋ个近邻样本点的类别决定待分类样本的类别．Ｋ近邻算法的具体实现包括两个阶段．

（１）训练阶段：对训练样本进行离散化，读取和存储；

（２）分类阶段：首先对于待分类的样本，计算它与其他的训练样本的欧式距离．选择其中距离最近的Ｋ个样本．并查看这Ｋ个近邻的分类标记，根据多数表决原则确定待测样本的类别．重复以上步骤直至所有待分类的样本分类结束．

2 部分代码

function[A,E,Z] =TimePara(y)y_length=length(y);                                   %声音信号的长度Ny=512;                                                    %短时帧长frame_all=floor((y_length-(Ny/2))/(Ny/2));       y2_sound=y(1:(frame_all+1)*(Ny/2));    y3=reshape(y2_sound,(Ny/2),[]);    y4=[y3(:,1:frame_all);y3(:,2:(frame_all+1))];%%%%%%加hamming窗win_h=hamming(Ny);      %win_y=y_sound.*win_h;for i=1:(frame_all)                                         A_y(i)=sum(abs(y4(:,i).*win_h));                            %计算短时幅值    E_y(i)=sum((y4(:,i).*win_h).*(y4(:,i).*win_h));             %计算短时能量        Z_y(i)=sum(abs(sign(y4(2:80,i))-sign(y4(1:79,i))))/2;      %计算短时过零率endA=mean(A_y);E=mean(E_y);Z=mean(Z_y);figure(3);plot(y);grid on;xlabel('样本数');title('语音信号时域波形');figure(4);plot(A_y,'*r');hold on;plot(Z_y,'^g');hold on;plot(E_y,'sb');grid on;xlabel('帧数');title('短时幅值，过零率，能量');legend('幅值','过零率','能量');