買(mǎi)專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜河南工業(yè)大學(xué)申請(qǐng)的專利一種基于遷移學(xué)習(xí)和多損失動(dòng)態(tài)調(diào)整的跨庫(kù)語(yǔ)音情感識(shí)別方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN113851148B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202111117676.5，技術(shù)領(lǐng)域涉及：G10L25/63；該發(fā)明授權(quán)一種基于遷移學(xué)習(xí)和多損失動(dòng)態(tài)調(diào)整的跨庫(kù)語(yǔ)音情感識(shí)別方法是由莊志豪;劉曼;汪洋;陶華偉;傅洪亮設(shè)計(jì)研發(fā)完成，并于2021-09-23向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于遷移學(xué)習(xí)和多損失動(dòng)態(tài)調(diào)整的跨庫(kù)語(yǔ)音情感識(shí)別方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于遷移學(xué)習(xí)和多損失動(dòng)態(tài)調(diào)整的跨庫(kù)語(yǔ)音情感識(shí)別方法，本發(fā)明包括以下步驟：首先，搭建基于深度去噪自編碼和深度神經(jīng)網(wǎng)絡(luò)的深度網(wǎng)絡(luò)模型，用于壓縮特征冗余信息和提高特征表征能力；然后，采用全局域及子域自適應(yīng)方法實(shí)現(xiàn)特征遷移，同時(shí)減小樣本不平衡問(wèn)題對(duì)模型識(shí)別性能的影響；最后在訓(xùn)練階段，構(gòu)建動(dòng)態(tài)權(quán)重因子來(lái)調(diào)整不同損失函數(shù)的貢獻(xiàn)度，實(shí)現(xiàn)模型的優(yōu)化。本發(fā)明提出的方法可以有效學(xué)習(xí)樣本不平衡語(yǔ)料庫(kù)的共性情感信息，減小特征分布差異。

本發(fā)明授權(quán)一種基于遷移學(xué)習(xí)和多損失動(dòng)態(tài)調(diào)整的跨庫(kù)語(yǔ)音情感識(shí)別方法在權(quán)利要求書(shū)中公布了：1.一種基于遷移學(xué)習(xí)和多損失動(dòng)態(tài)調(diào)整的跨庫(kù)語(yǔ)音情感識(shí)別方法，其特征在于，包括以下步驟：1準(zhǔn)備語(yǔ)料庫(kù)：獲取樣本不平衡的語(yǔ)料庫(kù)，分別作為源域數(shù)據(jù)庫(kù)和目標(biāo)域數(shù)據(jù)庫(kù)，其中，源域數(shù)據(jù)庫(kù)包括有若干語(yǔ)音信號(hào)和對(duì)應(yīng)的情感類別標(biāo)簽，目標(biāo)域數(shù)據(jù)庫(kù)包括有若干語(yǔ)音信號(hào)；2語(yǔ)音預(yù)處理：將源域數(shù)據(jù)庫(kù)和目標(biāo)域數(shù)據(jù)庫(kù)中的語(yǔ)音信號(hào)進(jìn)行預(yù)處理，為下一步提取特征做準(zhǔn)備；3語(yǔ)音特征提取：對(duì)步驟2預(yù)處理完畢后的語(yǔ)音信號(hào)，提取語(yǔ)音情感特征，該特征包括但不限于MFCC、短時(shí)平均過(guò)零率、基頻、均值、標(biāo)準(zhǔn)差、最大值、最小值；4特征處理：首先，通過(guò)步驟3得到源域特征源域特征對(duì)應(yīng)的標(biāo)簽和目標(biāo)域特征隨后在Xs和XT中加入服從正太分布的噪音之后輸入深度自編碼器進(jìn)行特征重構(gòu)處理： 其中和為經(jīng)過(guò)深度自編碼器解碼重構(gòu)之后的樣本特征；然后，將深度自編碼器的編碼輸出輸入深度神經(jīng)網(wǎng)絡(luò)作進(jìn)一步處理，從而分別得到源域和目標(biāo)域的低維情感特征和最后使用源域的真實(shí)標(biāo)簽Ys與經(jīng)過(guò)softmax分類器預(yù)測(cè)的源域特征概率作交叉熵運(yùn)算： 5特征遷移：首先，采用最大均值差異MMD算法來(lái)減小X′S和X′T的全局域特征分布距離： 其中Η為再生核希爾伯特空間RKHS，δ·為特征映射函數(shù)，即高斯核函數(shù)；然后，采用局部最大均值差異LMMD同時(shí)來(lái)減小X′S和X′T的全局域特征分布距離： 其中為源域樣本中每個(gè)樣本屬于情感類別C的權(quán)重，為目標(biāo)域樣本中每個(gè)樣本屬于情感類別C的權(quán)重；6模型訓(xùn)練：根據(jù)上述步驟4和5得到的五個(gè)損失函數(shù)，再利用動(dòng)態(tài)權(quán)重因子wi來(lái)調(diào)整不同損失函數(shù)對(duì)模型優(yōu)化的貢獻(xiàn)，進(jìn)而得到模型整體的優(yōu)化目標(biāo)為：minLsum＝∑iwiLi,wi＞06動(dòng)態(tài)權(quán)重因子表示為： 其中i∈{S,T,y,MMD,LMMD}，αi＞0；7重復(fù)步驟4、5，通過(guò)梯度下降法迭代訓(xùn)練網(wǎng)絡(luò)模型，不斷更新步驟6的動(dòng)態(tài)權(quán)重因子，直至模型最優(yōu)；8利用步驟7訓(xùn)練好的網(wǎng)絡(luò)模型，使用sofmatx分類器預(yù)測(cè)步驟3中的目標(biāo)域特征標(biāo)簽，最終實(shí)現(xiàn)語(yǔ)音情感在跨語(yǔ)料庫(kù)條件下的情感識(shí)別。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人河南工業(yè)大學(xué)，其通訊地址為：450001 河南省鄭州市高新技術(shù)產(chǎn)業(yè)開(kāi)發(fā)區(qū)蓮花街100號(hào)河南工業(yè)大學(xué)科技處；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。