语音情感特征的提取和选择是语音情感识别的关键问题，针对线性预测（LP）模型在语音情感谱包络方面存在的不足。
本论文提出了最小方差无失真响应（MVDR）谱方法来进行语音情感特征的提取；
并通过人工蜂群（ABC）算法找到最优语音情感特征子集，消除特征冗余信息；
利用径向基函数（RBF）神经网络对CASIA汉语情感语料库中的4种情感语音即生气、平静、高兴、害怕进行实验识别。
实验结果表明，该方法比线性预测法有更高的识别率和更好的鲁棒性。
本论文提出了最小方差无失真响应（MVDR）谱方法来进行语音情感特征的提取；
并通过人工蜂群（ABC）算法找到最优语音情感特征子集，消除特征冗余信息；
利用径向基函数（RBF）神经网络对CASIA汉语情感语料库中的4种情感语音即生气、平静、高兴、害怕进行实验识别。
实验结果表明，该方法比线性预测法有更高的识别率和更好的鲁棒性。
2023/7/10 3:38:29
653KB
1
facenet最新的模子文件。
20180408-1029000.9905CASIA-WebFaceInceptionResNetv120180402-1147590.9965VGGFace2InceptionResNetv1
20180408-1029000.9905CASIA-WebFaceInceptionResNetv120180402-1147590.9965VGGFace2InceptionResNetv1
2019/3/12 11:24:30
369.65MB
1
中科院自动化所录制的情感语料库,数据库包括奖金10000条语音。
发音为中文数据库包括angry、fear、happy、neutral、sad和surprise六种情绪,四个演员对300句相反文本和100句不同文木进行朗诵。
收集的语音信号基本是纯净无噪声的,以16000khz采样率,16bit,pcm格式存储。
发音为中文数据库包括angry、fear、happy、neutral、sad和surprise六种情绪,四个演员对300句相反文本和100句不同文木进行朗诵。
收集的语音信号基本是纯净无噪声的,以16000khz采样率,16bit,pcm格式存储。
2020/10/9 3:03:54
46.57MB
1
WebFace数据集，百度云链接，紧缩数据共4.1G.WebFace数据集，百度云链接，紧缩数据共4.1G.WebFace数据集，百度云链接，紧缩数据共4.1G.WebFace数据集，百度云链接，紧缩数据共4.1G.WebFace数据集，百度云链接，紧缩数据共4.1G.
2016/6/17 16:30:58
528B
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB