37、语音情感识别中LSTM模型性能比较与电力系统谐波分量估计

语音情感识别中LSTM模型性能比较与电力系统谐波分量估计

语音情感识别中LSTM模型性能比较

在语音情感识别（SER）领域，不同的模型架构表现各异。这里主要探讨LSTM和CNN - LSTM两种架构。

1. 模型架构

   • LSTM架构 ：由三个LSTM单元后面接一个扁平化层构成。扁平化层作为一个具有285个神经元和ReLu激活函数的密集层的输入，接着是一个Dropout层和一个密集层，最终给出预测结果。
   • CNN - LSTM架构 ：包含学习输入局部特征的局部特征学习块（LFLB）和一个用于长期依赖计算的LSTM单元。LFLB块由卷积滤波器、批量归一化和指数线性单元（ELU）激活函数组成。池化和Dropout层用于降维。
   • 训练设置 ：模型训练以64个样本为一批次输入，使用“Adam”作为优化器，学习率为1e - 3。与修正线性单元（ReLu）不同，ELU具有负激活，能使均值更接近零，从而实现更快的学习和收敛。它对非负输入执行恒等操作，对负输入执行指数非线性操作。两种架构的输出层都采用全连接的softmax激活函数，用于预测语音的情感标签。批量归一化用于更好更快的训练。

2. 数据集与特征提取

   • 数据集 ：采用Ryerson音频 - 视频情感语音数据库（RAVDESS），包含12