Comparison of different features sets and classifiers for emotion recognition of speech Vergleich von verschiedenen Merkmalssätzen und Klassifizierern zur Emotionserkennung von Sprache
-
- Taschenbuch ausgewählt
- eBook
-
Sprache:Englisch
Fr. 66.90
inkl. gesetzl. MwSt.,
Beschreibung
Produktdetails
Einband
Taschenbuch
Erscheinungsdatum
18.06.2015
Abbildungen
mit 19 Farbabbildungen
Verlag
GRINSeitenzahl
108
Maße (L/B/H)
21/14.8/0.8 cm
Gewicht
169 g
Auflage
2. Auflage
Sprache
Englisch
ISBN
978-3-656-97228-0
Bachelor Thesis from the year 2014 in the subject Electrotechnology, grade: 1,0, University of Stuttgart (Institut für Signalverarbeitung und Systemtheorie), course: Elektrotechnik und Informationstechnik, language: English, abstract: This thesis deals with emotion recognition from speech signals using several feature sets and classifiers. Feature sets with different sizes are compared: the feature set of the Institute for Signal Processing and System Theory as well as standardised feature sets of eight paralinguistic challenges. The question is whether there is a connection between the size of a feature set and the performance. The feature sets are investigated with SFFS and without in combination with Naive Bayes classifier, k-Nearest-Neighbour classifier and Support Vector Machine. The goal of this thesis is to find those features which are selected most commonly for good performance. Diese Arbeit befasst sich mit der Erkennung von Emotionen aus Sprachsignalen. Es werden verschiedene Merkmalsätze und Klassifizierer auf ihre Leistungsfähigkeit getestet. Dabei werden Merkmalsätze mit unterschiedlichen Grössen verglichen: der Merkmalsatz vom Institut für Signalverarbeitung und Systemtheorie sowie standardisierte Merkmalsätze von acht Wettbewerben, in denen paralinguistische Informationen erkannt werden sollten. Die Frage ist, ob es einen Zusammenhang zwischen der Grösse eines Merkmalsatzes und der Leistungsfähigkeit gibt. Die Merkmalsätze werden sowie mit auch als ohne Merkmalsauswahl (SFFS) in Kombination mit dem Naiven Bayes Klassifizierer, k-Nächste-Nachbarn Klassifizierer und einer Support Vector Machine untersucht. Das Ziel dieser Arbeit ist, die Merkmale zu finden, die bei den besten Merkmalsätzen am häufigsten ausgewählt wurden.
Kundinnen und Kunden meinen
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kund*innen durch Ihre Meinung