یک الگوریتم جدید بهینه سازی دسته ذرات کوانتومی و کاربرد آن در کاهش بعد تمایزی در سیستم های تشخیص احساس از روی سیگنال گفتار
سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 630
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MHAA02_012
تاریخ نمایه سازی: 4 مهر 1396
چکیده مقاله:
در سال های اخیر توجه ویژه ای به تشخیص اطلاعات احساسی سیگنال گفتار جلب شده است. در این مقاله یک الگوریتم جدید بهینه سازی دسته ذرات کوانتومی ( به نام pQPSO) برای کاهش بعد در سیستم های تشخیص احساس از روی گفتار (SER) ارایه شده است. QPSO یک الگوریتم بهینه سازی با سرعت همگرایی بالا و پیاده سازی آسان به نسبت سایر الگوریتم های مشابه است، اما تاکنون در حوزه سیستم های SER مورد استفاده قرار نگرفته است. در این مقاله از یک الگوریتم QPSO جدید و بهبود یافته، برای تقریب ماتریس تبدیل، در مرحله کاهش بعد سیستم استفاده شده است. نتایج بررسی ها بر روی پایگاه داده احساسی گفتار برلین (EMO-DB) نشان میدهد که این استراتژی کاهش بعد، صحت و دقت سیستمهای SER را به نسبت سایر روش های کلاسیک مانند FA، PCA، PPCA، LDA و دو روش اخیر استفاده شده از همین دادگان بهبود داده است
کلیدواژه ها:
الگوریتم بهینه سازی دسته ذرات کوانتومی ، تشخیص احساس از روی گفتار ، پایگاه داده گفتار احساسی برلین ، ماتریس کاهش بعد
نویسندگان
فاطمه دانشفر
دانشجوی دکتری معماری کامپیوتر
سید جهانشاه کبودیان
استادیار گروه مهندسی کامپیوتر و فناوری اطلاعات