Resumen

La selección del subconjunto de características es un aspecto crucial en el problema del reconocimiento de las emociones del habla. En este artículo se propone un algoritmo de reordenación de características con fusión de pesos (RFWF) para seleccionar un subconjunto de características más eficaz y compacto. El algoritmo RFWF fusiona los pesos que reflejan la relevancia, complementariedad y redundancia entre características y clases de forma exhaustiva e implementa la reordenación de características para construir subconjuntos de características con una excelente capacidad de reconocimiento emocional. En el reconocimiento de emociones se adopta un clasificador SVM de múltiples núcleos con estructura de árbol binario. Se seleccionan diferentes subconjuntos de características en distintos nodos del clasificador. La mayor precisión de reconocimiento de las cinco emociones de la base de datos de Berlín es del 90,549% con sólo 15 características seleccionadas por RFWF. Los resultados experimentales muestran la eficacia de RFWF en la construcción de subconjuntos de características y la utilización de diferentes subconjuntos de características para emociones específicas puede mejorar el rendimiento general del reconocimiento.

• Materias:Ingeniería electrónica Redes Inalámbricas Ingeniería Eléctrica Procesamiento de señales asistido por computador Sistemas de comunicación Informática
• Subjects:Electronic engineering Wireless Networks Electrical Engineering Signal processing computer-assisted Communication systems Computing
• Palabras claves:diferentes subconjuntos de características, rfwf, características, subconjunto de características, problema de reconocimiento de la emoción del habla, creación de subconjunto de características, subconjunto de características compacto, excelente capacidad de reconocimiento emocional, mayor precisión de reconocimiento, clasificador kernel svm
• Keywords:different feature subsets, rfwf, features, feature subset, speech emotion recognition problem, building feature subset, compact feature subset, excellent emotional recognizability, highest recognition accuracy, kernel svm classifier