【摘 要】
：
针对单一模态情感识别精度低的问题,提出了基于Bi-LSTM-CNN的语音文本双模态情感识别模型算法.该算法采用带有词嵌入的双向长短时记忆网络(bi-directional long short-term memory network,Bi-LSTM)和卷积神经网络(convolutional neural network,CNN)构成Bi-LSTM-CNN模型,实现文本特征的提取,将其与声学特征融合结果作为联合CNN模型的输入,进行语音情感计算.基于IEMOCAP多模态情感检测数据集的测试结果表明,情感识
【机 构】
：
长安大学 信息工程学院,西安 710064
论文部分内容阅读
针对单一模态情感识别精度低的问题,提出了基于Bi-LSTM-CNN的语音文本双模态情感识别模型算法.该算法采用带有词嵌入的双向长短时记忆网络(bi-directional long short-term memory network,Bi-LSTM)和卷积神经网络(convolutional neural network,CNN)构成Bi-LSTM-CNN模型,实现文本特征的提取,将其与声学特征融合结果作为联合CNN模型的输入,进行语音情感计算.基于IEMOCAP多模态情感检测数据集的测试结果表明,情感识别准确率达到了69.51％,比单一模态模型提高了至少6个百分点.
其他文献
嵌入式实时系统的正确性不仅取决于计算结果的正确性,更取决于产生结果时间的正确性.然而软件不确定的并发执行带来系统时间行为不可预测问题,使得验证复杂度升高,成本增加,为此实时系统领域提出了许多实时编程语言来提高系统的时间可预测性.LET(logical execution time)模型结合了同步模型ZET(zero execution time)和异步模型BET(bounded execution time)的优点,对时间具有很强的可预测性,但现有采用LET模型的实时编程语言,缺少基于高级通用语言的实现,
针对罚函数法在求解约束优化问题时罚系数不易选取的问题,提出一种基于动态罚函数的差分进化算法.利用罚函数法将约束优化问题转化为无约束优化问题.为平衡种群的目标函数和约束违反程度,结合ε约束法设计了一种动态罚系数策略,其中罚系数随着种群质量和进化代数的改变而改变.采用差分进化算法更新种群直到搜索到最优解.对IEEE CEC 2010和IEEE CEC 2017两组基准测试集进行仿真实验,结果表明提出的算法具有较强的寻优性能.
全同态加密在不解密的情况下,能够对密文数据进行任意处理.这种特殊的性质能够立竿见影地解决数据隐私安全问题.目前全同态加密已经成为学术界、工业界乃至商业界的热门话题.随着全同态加密技术的不断成熟,尤其是目前全世界对个人信息隐私安全的重视,如何从知识体系的角度对其进行详细分析对社会各界有重要的意义.文献计量分析方法是分析某项科研主题现有研究工作的重要方法,鉴于目前在全同态加密领域缺少基于文献计量分析的研究工作,从文献计量学的角度开展全同态加密文献计量研究.选取Web of Science(WoS)与中国知网(
针对教与学优化算法易早熟,解精度低,甚至收敛于局部最优的问题,提出一种新的融合改进天牛须搜索的教与学优化算法.该算法利用Tent映射反向学习策略初始化种群,提升初始解质量.在“教”阶段,对教师个体执行天牛须搜索算法,增强教师教学水平,提高最优解的精确性.在“学”阶段,对学生个体进行混合变异,从而跳出局部最优,平衡算法的全局搜索与局部开发.通过benchmark测试函数和部分CEC2013函数在不同维度对算法进行仿真实验,并进行Wilcoxon秩和检验统计,证明了改进教与学优化算法的优越性.使用压力容器设计
音乐是表达情感的重要载体,音乐情感识别广泛应用于各个领域.当前音乐情感研究中,存在音乐情感数据集稀缺、情感量化难度大、情感识别精准度有限等诸多问题,如何借助人工智能方法对音乐的情感趋向进行有效的、高质量的识别成为当前研究的热点与难点.总结目前音乐情感识别的研究现状,从音乐情感数据集、音乐情感模型、音乐情感分类方法三方面进行梳理,列举当前可使用的公开数据集并对其进行简要概括,综合评判常见的音乐情感模型,针对不同模态总结不同的分类方法.最后对该领域当前问题及今后研究工作进行归纳概括,为后续进一步的研究提供思路
无线传感网络的节点采用时隙CSMA/CA协议获取信道并广播数据.为了度量信息广播的时效性,提出了广播信息年龄(broadcast age of information,bAoI)的概念.广播信息年龄等于当前时刻减去刚刚广播成功的那个数据包的生成时刻.bAoI量化了每个节点的数据包的新鲜度,并且描述了节点在网络上快速广播数据包的能力.通过推导节点的传输概率和碰撞概率,建立了网络的等效传输模型.在此基础上研究和计算了网络的平均bAoI.通过仿真验证了平均bAoI随节点密度和到达率的变化规律.
区块截留攻击又称扣块攻击,是存在于区块链中的一种攻击方式,攻击者通过渗透进目标矿池中进行消极挖矿以达成破坏目标矿池的目的.简要介绍了挖矿机制和区块截留攻击的工作原理,总结了区块截留攻击的几种模型,并对现有的区块截留攻击模型的攻击方式和收益进行了研究,分析出其攻击效果.构造了一个在提升收益率的同时提升收益速度的区块截留攻击模型,通过仿真挖矿实验验证其所构造的模型,并围绕收益速度和收益率对典型模型和所构造模型进行对比和分析.基于实验的结果,给出了不同的攻击模型所适用的环境.
为了在复杂火场环境下获取消防员的精确位置,提出基于超宽带(ultra-wideband,UWB)的消防员室内协同定位算法,充分利用目标到UWB基站以及到其他目标的测距信息进行定位.采用线性拟合方式对测量距离中存在的标准偏差进行预处理;针对目标位置解算及非视距(non-line-of-sight,NLOS)误差缓解问题,提出基于偏移扩展卡尔曼滤波的协同定位算法,根据待定位目标之间的内在联系,建立新的状态方程和量测方程,并通过构造的系数矩阵调整卡尔曼增益,修正偏离的位置估计值;针对定位坐标跳变问题,提出基于阈
基于机器学习的僵尸网络流量检测是现阶段网络安全领域比较热门的研究方向,然而生成对抗网络(generative adversarial networks,GAN)的出现使得机器学习面临巨大的挑战.针对这个问题,在未知僵尸网络流量检测器模型结构和参数的假设条件下,基于生成对抗网络提出了一种新的用于黑盒攻击的对抗样本生成方法.该方法提取网络流量的统计特征,利用生成对抗网络思想,通过训练替代判别器和生成器,来拟合不同类型的黑盒僵尸网络流量检测器和生成可以规避黑盒僵尸网络流量检测器的对抗样本.生成的对抗样本是在原始
针对许多检测模型受到数据不平衡和异常数据的复杂性等因素影响问题,提出一种以生成对抗网络(gener-ative adversarial network,GAN)为基础的数据异常检测方法.该方法利用InfoGAN网络训练生成正常数据和异常数据,构造一个推理神经网络作为生成数据与原始数据的标签生成器,之后利用第二个GAN网络对推理网络精调,保证生成的样本和其标签对应;最后将生成样本与标签输入随机森林分类,通过Hyperband算法寻找随机森林最优超参,对推理网络进一步优化.在四个真实数据集上与五种传统机器学习