Andere Kunden interessierten sich auch für
![Emotion Recognition using Speech Features]( "Emotion Recognition using Speech Features")
Emotion Recognition using Speech Features37,99 €![Implementation of speech Emotion Recognition SVM kernel using MATLAB]( "Implementation of speech Emotion Recognition SVM kernel using MATLAB")
Implementation of speech Emotion Recognition SVM kernel using MATLAB23,99 €![Robust Emotion Recognition using Spectral and Prosodic Features]( "Robust Emotion Recognition using Spectral and Prosodic Features")
Robust Emotion Recognition using Spectral and Prosodic Features37,99 €![The Art and Science of Machine Intelligence]( "The Art and Science of Machine Intelligence")
The Art and Science of Machine Intelligence81,99 €![Pattern Classification]( "Pattern Classification")
Pattern Classification79,99 €![Blind Speech Separation]( "Blind Speech Separation")
Blind Speech Separation110,99 €![Machine Learning Foundations]( "Machine Learning Foundations")
Machine Learning Foundations110,99 €
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 featuresets and classifiers. Feature sets with different sizes are compared: the feature setof the Institute for Signal Processing and System Theory as well as standardisedfeature sets of eight paralinguistic challenges. The question is whether there is aconnection between the size of a feature set and the performance. The feature setsare investigated with SFFS and without in combination with Naive Bayes classifier,k-Nearest-Neighbour classifier and Support Vector Machine. The goal of this thesisis 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 Frageist, 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.