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

1. 语音情感识别中LSTM模型相关内容

1.1 模型架构

在语音情感识别（SER）中，有两种主要的模型架构：LSTM和Stacked CNN - LSTM。
- LSTM架构 ：由三个LSTM单元后接一个扁平化层组成。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，接着是一个丢弃层和一个密集层，最终输出情感标签预测。
- Stacked CNN - LSTM架构 ：包含多个局部特征学习块（LFLB），这些块通过卷积滤波器、批量归一化和指数线性单元（ELU）激活函数从输入中学习局部特征，最后有一个LSTM单元用于长期依赖计算。池化和丢弃层用于降维。

模型训练时，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。两种架构都有一个具有全连接softmax激活函数的输出层，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。

1.2 数据集与特征提取

采用Ryerson音频 - 视觉情感语音数据库（RAVDESS）进行比较分析，该数据库包含12名女性和12名男性说话者的八种情感语音。在SER管道中加入特征提取阶段的目的是确保只处理有信息的数据，避免因冗余或嘈杂输入影响模型性能。梅尔频率倒谱系数（MFCC）通过考虑人类听觉感知不遵循线性响应的事实来模仿人类听觉体验。每个音调有一个由“赫兹”确定的