语音情感识别通过特定人语音情感数据库的建立；
语音情感特征提取；
语音情感分类器的设计，完成了一个特定人语音情感识别的初步系统。
对于单个特定人，可以识别平静、悲伤、愤怒、惊讶、高兴5种情感，除愤怒和高兴之间混淆程度相对较大之外，各类之间区分特性良好，平均分类正确率为93.7%。
对于三个特定人组成的特定人群，可以识别平静、愤怒、悲伤3种情感，各类之间区分特性良好，平均分类正确率为94.4%。
其中分类器采用混合高斯分布模型。
语音情感特征提取；
语音情感分类器的设计，完成了一个特定人语音情感识别的初步系统。
对于单个特定人，可以识别平静、悲伤、愤怒、惊讶、高兴5种情感，除愤怒和高兴之间混淆程度相对较大之外，各类之间区分特性良好，平均分类正确率为93.7%。
对于三个特定人组成的特定人群，可以识别平静、愤怒、悲伤3种情感，各类之间区分特性良好，平均分类正确率为94.4%。
其中分类器采用混合高斯分布模型。
2025/3/14 0:41:01
23KB
1
语音中准确的情绪识别对于智能医疗、智能娱乐和其他智能服务等应用程序非常重要。
由于汉语语言的复杂性，汉语语音的高精度动作识别具有挑战性。
本文探讨了如何提高语音情感识别的准确性，包括语音信号特征提取和情感分类方法。
从语音样本中提取五种特征：梅尔频率倒谱系数（mfcc）、音调、共振峰、短期过零率和短期能量
由于汉语语言的复杂性，汉语语音的高精度动作识别具有挑战性。
本文探讨了如何提高语音情感识别的准确性，包括语音信号特征提取和情感分类方法。
从语音样本中提取五种特征：梅尔频率倒谱系数（mfcc）、音调、共振峰、短期过零率和短期能量
2025/1/15 18:56:50
31KB
1
该段Tensorflow代码可用于文本分类，和情感分类。
其主要特点是，在同一份代码中，同时实现两张张量图，一张用于训练，另一张用于测试。
并做交叉验证。
其主要特点是，在同一份代码中，同时实现两张张量图，一张用于训练，另一张用于测试。
并做交叉验证。
2025/1/3 16:24:19
11KB
1
7000多条酒店评论数据，5000多条正向评论，2000多条负向评论数据字段：Label：1表示正向评论，0表示负向评论Review：评论内容数据格式：label,review
2024/8/31 16:11:22
2.77MB
1
该语料主要用于识别出整条微博所表达的情绪，不是简单的褒贬分类，而是涉及到多个细粒度情绪类别(例如悲伤、忧愁、快乐、兴奋等)，属于细粒度的情感分类问题。
情感分析资源大全：http://blog.csdn.net/qq280929090/article/details/70838025
情感分析资源大全：http://blog.csdn.net/qq280929090/article/details/70838025
2024/8/25 4:28:50
9.15MB
1
在胶囊网络上使用迁移学习完成方面级情感分类，用文档级的知识迁移到方面级上，资源提供论文翻译。
原文可自己下载
原文可自己下载
2024/3/25 10:19:36
540KB
1
yelp数据集最新数据资料，适合NLP分类任务，情感分类等。
In2015,Yelpheldacontestinwhichitaskedparticipantstopredicttheratingofarestaurantgivenitsreview.Zhang,Zhao,andLecun(2015)simplifiedthedatasetbyconvertingthe1-and2-starratingsintoa“negative”sentimentclassandthe3-and4-starratingsintoa“positive”sentimentclass,andsplititinto560,000trainingsamplesand38,000testingsamples.
In2015,Yelpheldacontestinwhichitaskedparticipantstopredicttheratingofarestaurantgivenitsreview.Zhang,Zhao,andLecun(2015)simplifiedthedatasetbyconvertingthe1-and2-starratingsintoa“negative”sentimentclassandthe3-and4-starratingsintoa“positive”sentimentclass,andsplititinto560,000trainingsamplesand38,000testingsamples.
2023/10/24 3:44:28
66B
1
PBAN-PyTorch工作的实施。
要求PyTorch＞=0.4.0NumPy＞=1.13.3Python3.6GloVe预先训练的单词向量：下载预训练的单词向量。
将和到\glove\文件夹中。
数据集基于的餐厅和笔记本电脑数据集。
餐厅数据集极性＃积极的＃消极的＃中性的火车2164807637测试728196196笔记本电脑数据集极性＃积极的＃消极的＃中性的火车994870464测试341128169用法训练模型：pythontrain.py--model_namepban--datasetrestaurant显示帮助消息并退出：pythontrain.py-h实施模型LSTM唐杜玉等。
“有效的LSTM，用于目标依赖的情感分类。
”2016
要求PyTorch＞=0.4.0NumPy＞=1.13.3Python3.6GloVe预先训练的单词向量：下载预训练的单词向量。
将和到\glove\文件夹中。
数据集基于的餐厅和笔记本电脑数据集。
餐厅数据集极性＃积极的＃消极的＃中性的火车2164807637测试728196196笔记本电脑数据集极性＃积极的＃消极的＃中性的火车994870464测试341128169用法训练模型：pythontrain.py--model_namepban--datasetrestaurant显示帮助消息并退出：pythontrain.py-h实施模型LSTM唐杜玉等。
“有效的LSTM，用于目标依赖的情感分类。
”2016
2023/7/31 6:43:46
764.1MB
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