張雪英，張 波，陳桂軍

(太原理工大學(xué) 信息工程學(xué)院，山西 晉中 030600)

0 引 言

計算機語音情感識別[1]能力應(yīng)用多樣，在多媒體分段與檢索、測謊儀、疾病診斷等方面有著廣泛的用途。SVM在解決小樣本以及維數(shù)災(zāi)難問題中有著良好的分類效果。但是它也有缺陷，在分類的過程中有些區(qū)域不可分，影響分類結(jié)果。當(dāng)數(shù)據(jù)集中的正負(fù)樣本不平衡性較大時，SVM對少數(shù)類的識別效果很差。同時，支持向量機對噪聲和孤立點也比較敏感，影響最終的分類結(jié)果。

針對以上缺陷，文獻(xiàn)[2]用FSVM對不同的不平衡率樣本集進行分類，但忽略了樣本點附近的樣本分布情況造成了誤分。文獻(xiàn)[3]在模糊支持向量機的基礎(chǔ)上引入了不平衡調(diào)節(jié)因子，對少數(shù)類樣本賦予較大的權(quán)值，多數(shù)類樣本賦予較小的權(quán)值，有效解決了樣本分布不均勻的問題。文獻(xiàn)[4]設(shè)置了參數(shù)值調(diào)整選取訓(xùn)練樣本的范圍，有效地避免了孤立點對最優(yōu)的分類超平面所造成的影響。文獻(xiàn)[5]提出了DEC算法分別給兩類樣本賦權(quán)重，但這種方法沒有考慮到樣本點周圍的疏密性對分類超平面的影響。文獻(xiàn)[6]提出了一種近似支持向量機(Proximal SVM)，將模型轉(zhuǎn)化為簡單的二次規(guī)劃問題，提高了學(xué)習(xí)速度。文獻(xiàn)[7]通過對支持向量上采樣提出了一種不平衡數(shù)據(jù)分類方法。文獻(xiàn)[8]提出了一種核函數(shù)選取和欠采樣相結(jié)合的算法來提高少類樣本的準(zhǔn)確率。本文提出一種FSVM算法，考慮到每個樣本臨近區(qū)域的樣本分布狀況以及樣本集的不平衡程度，設(shè)定控制值靈活的控制樣本集的范圍，減弱野值點的影響并有效突出支持向量的作用，提高了識別準(zhǔn)確率。

1 模糊支持向量機

1.1 改進FSVM算法

(1)

式中：C+，C-為常數(shù)，分別代表正負(fù)類樣本的懲罰因子，為求解式(1)，通過拉格朗日函數(shù)，出其對偶規(guī)劃為

(2)

約束條件為

(3)

其中，k(xi·xj)=φ(xi)φ(xi)T為核函數(shù)。模糊因子si的確定是模糊支持向量機工作性能好壞的關(guān)鍵，本文重心在于如何精確的對模糊因子si賦值。

1.2 DEC算法

SVM對不平衡的大數(shù)據(jù)樣本集做分類，超平面會偏移，優(yōu)化性能很差，具體表現(xiàn)在多數(shù)樣本分類遠(yuǎn)遠(yuǎn)優(yōu)于少數(shù)， DEC算法通過對不同類別樣本分別給予重要程度，優(yōu)化分類超平面，使偏移性降低，增強分類結(jié)果，文獻(xiàn)[5]表明當(dāng)C-/C+的比率等于n+/n-(n+，n-分別表示正樣本和負(fù)樣本的數(shù)量)時，算法最優(yōu)，能實現(xiàn)最好的分類?；敬蠖鄻颖绢悇e數(shù)目相差懸殊的時候都用此算法，一定范圍上可以提高準(zhǔn)確性，但并未考慮樣本分布情況的影響，若是空間復(fù)雜性樣本分布或者不規(guī)則分布時，算法便不能優(yōu)化分類超平面了。本文將模糊隸屬度與懲罰因子結(jié)合起來，根據(jù)對分類超平面的貢獻(xiàn)值為每個樣本分配不同的權(quán)重，使分類器分類偏移幅度盡可能的小。

2 面向非平衡數(shù)據(jù)集的FSVM隸屬度設(shè)計

2.1 傳統(tǒng)隸屬度函數(shù)設(shè)計

為了減少異常值和噪聲點對最優(yōu)分類超平面的影響，傳統(tǒng)的隸屬函數(shù)主要是根據(jù)從樣本到類中心的距離來設(shè)計的。如圖1所示，H1與H2上各有3個支持向量，每個支持向量到屬于本類的類中心間距不一，這6個支持向量對于確定H這個分類超平面起著決定性作用，如果根據(jù)間距賦重要性程度，那么每個支持向量被給予的權(quán)值都不同，但實際情況，它們重要性是一樣的，傳統(tǒng)方法賦值存在很大漏洞，不能單靠與類中心間隔比較來確定重要與否。只有將這些不足之處填補，才能優(yōu)化分類器的性能，減小數(shù)據(jù)偏移，大數(shù)據(jù)氛圍下，有大量數(shù)據(jù)樣本點需要做處理、做賦值，必須優(yōu)化算法才能解決這一問題。

圖1 根據(jù)樣本到類中心的距離進行隸屬度函數(shù)設(shè)計

2.2 根據(jù)樣本分布情況進行設(shè)計

(4)

(5)

圖2 帶有一個噪聲點的橢圓分布數(shù)據(jù)

wx++b1=1;wx-+b2=-1

(6)

(7)

兩類樣本到各自類中心的距離

(8)

正樣本到過負(fù)樣本中心超平面的距離

(9)

負(fù)樣本到過正樣本中心超平面的距離

(10)

計算兩類類中心的距離

(11)

取

D+=max{di+},D-=max{di-}

(12)

隸屬度函數(shù)計算公式為

(13)

(14)

圖3 新型不平衡隸屬度函數(shù)設(shè)計

將樣本點到過負(fù)類中心超平面的距離d1i+和T值進行比較，可以彰顯H1和H2線上支持向量點效果，突出其對分類超平面的貢獻(xiàn)，DEC算法能大幅度降低分類超平面偏移幅度，另外結(jié)合緊密度能夠確定噪聲點將其剔除。

3 實驗與結(jié)果分析

實驗選取兩種情感庫，CASIA漢語語料庫包括5類情感，空間分布規(guī)則，不重疊，情感色彩鮮明。太原理工大學(xué)TYUT2.0庫包括4種情感，由多名學(xué)生錄制判別，選取大多趨向定義情感類，具有可靠性，兩種庫比較適合用來做情感識別實驗。

實驗選取MFCC特征，音質(zhì)特征還有韻律特征，歸一化，分別用CASIA庫，情感類為生氣的樣本，以及TYUT2.0，感受為高興的樣本，默認(rèn)為正類樣本，其余看作一類，不平衡比體現(xiàn)，數(shù)據(jù)集的介紹見表1。

表1 情感語音數(shù)據(jù)集

3.1 參數(shù)對算法準(zhǔn)確率Gm的影響

對于非平衡情感數(shù)據(jù)集，本文采用不平衡數(shù)據(jù)學(xué)習(xí)中的Se，Sp，和Gm來評價[10]，其定義為

(15)

TP、FN、TN、FP分別代表分類正確的正樣本、分類錯誤的負(fù)類樣本、分類正確的負(fù)類樣本、以及分類錯誤的正類樣本的個數(shù)，用Gm對分類器性能進行評價，Gm越大分類效果越好。

本節(jié)用不同C值做實驗，比較文獻(xiàn)[4]中的HFSVM、文獻(xiàn)[11]中LFSVM方法，取 0，0.1,1,10,20,…,100，圖4、圖5分別給出了兩種情感庫數(shù)據(jù)集的實驗結(jié)果。

圖4 C值的改變對CASIA漢語情感語料庫Gm的影響

圖5 C值的改變對TYUT2.0情感語料庫Gm的影響

3.2 算法準(zhǔn)確率Gm對比分析

將文獻(xiàn)[4]中的HFSVM方法、文獻(xiàn)[11]中LFSVM設(shè)方法與本文方法對比，選取最高C值。表2為對CASIA漢語庫，TYUT2.0情感庫做識別的最終結(jié)果。

表2 3種算法的比較結(jié)果

圖6 3種算法對CASIA漢語情感語料庫的Gm值比較

圖7 3種算法對TYUT2.0情感語音庫的Gm值比較

比較圖6，圖7可以看出，ZFSVM在對不平衡率為14.28的CASIA漢語庫做識別時，Gm值為91.70%，對不平衡率為4.89的柏林庫做識別時的Gm值為83.65%，算法性能的好壞受樣本的不平衡程度影響。不平衡程度越厲害，算法對樣本做處理的精確度越高，說明本文所提算法的有效性，造成最優(yōu)超平面偏移程度很小。此外相比其它兩種方法，本文方法的準(zhǔn)確性也有增長，因為對每個樣本所配權(quán)值更加精準(zhǔn)了，隨著樣本數(shù)增多前面兩種方法會將部分對超平面貢獻(xiàn)相同的樣本賦予不同的權(quán)值，甚至?xí)o部分對超平面貢獻(xiàn)較大而距離類中心較遠(yuǎn)的樣本賦予小的隸屬度值，一定程度上減弱了支持向量的作用，影響分類結(jié)果。

4 結(jié)束語

為了解決SVM分類的缺陷，通過DEC算法，及樣本點附近樣本分布，對每個樣本點到類中心超平面的距離設(shè)計權(quán)值賦予方式，確定噪聲點。按照樣本點重要與否、程度大小各自賦值，大大減小了非支持向量點影響，去除了噪聲點干擾，某種意義上提高了支持向量機的抗噪性。實驗結(jié)果表明，本文所提算法對不平衡語音情感數(shù)據(jù)庫的識別性能有顯著提高。但是，此方法需要設(shè)置參數(shù)重復(fù)實驗以選擇優(yōu)值。下一步是更詳細(xì)地研究參數(shù)和隸屬函數(shù)之間的關(guān)系，并找到更方便的參數(shù)設(shè)置方法。