基于SVM算法的语音情感分类器，探讨了特征提取方法和分类器的优化。同时，还通过混淆矩阵分析了分类器的性能表现，为后续研究提供了指导。
暂无评论
针对语音情感信号的复杂性和单一分类器识别的局限性,提出一种核函数极限学习机(KELM)决策融合的方法用于语音情感识别。首先对语音信号提取不同的特征,并训练相应的基分类器,同时将输出转化为概率型输出;然
基于K-NN的语音情感识别实验，算法参考自《语音信号处理实验教程》（机械工业出版社），Matlab R2016a 可以完美编译运行。
针对语音情感识别中的特征提取问题,通过多层深度信念网络(DBN)自动提取语音信号中的情感特征,把连续多帧的语音拼接在一起,形成一个高维抽象特征,将深度信念网络训练好的特征作为极限学习机(ELM)分类器
基于神经网络的语音情感识别
OpenEAR Toolkit 源代码,OpenEAR 是一个广泛应用的开源代码工具,他使用OpenSMILE进行语音特征提取. 它使用 Support Vector Machine (SVM) 进行
3-25电商网络评论情感分析应用方法，通过收集产品评论数据，利用Python编写爬虫进行数据采集，然后对数据进行预处理包括分词、去重、去除停用词等操作，从而实现评论文本的降重。基于采集的电商评论语料库
支持多类的SVM分类器,带注释,带样例,和大家一起交流学习哈
含有demo显示。 C#的所有源代码（训练和测试部分）。 封装后的dll文件。 很便于从数据空间角度理解SVM， 还有为编程提供有价值参考。
svm分类器的相关资料，以及svm分类器的程序，主要是非线性分类。
文本情感分析作为NLP的常见任务，具有很高的实际应用价值。本文将采用LSTM模型，训练一个能够识别文本postive,neutral,negative三种情感的分类器。
暂无评论