基于深度域适应CNN决策树的跨语料库情感识别

在跨语料库语音情感识别中，由于目标域和源域样本不匹配，导致情感识别性能很差。为了提高跨语料库语音情感识别性能，本文提出一种基于深度域适应和卷积神经网络（Convolutional neural network， CNN）决策树模型的跨语料库语音情感识别方法。首先构建基于联合约束深度域适应的局部特征迁移学习网络，通过最小化目标域和源域在特征空间和希尔伯特空间的联合差异，挖掘两个语料库之间的相关性，学习从目标域到源域的可迁移不变特征。然后，为了降低跨语料库背景下多种情感间的易混淆情感的分类误差，依据情感混淆度构建CNN决策树多级分类模型，对多种情感先粗分类再细分类。使用CASIA，EMO-DB和RAVDESS三个语料库进行验证。实验结果表明，本文的跨语料库语音情感识别方法比CNN基线方法平均识别率高19.32%~31.08%，系统性能得到很大提升。