Andere Kunden interessierten sich auch für
![Support vectoriel basé sur une machine Reconnaissance des émotions vocales]( "Support vectoriel basé sur une machine Reconnaissance des émotions vocales")
Support vectoriel basé sur une machine Reconnaissance des émotions vocales39,99 €![Mashinnyj podhod opornyh wektorow Raspoznawanie rechewyh ämocij]( "Mashinnyj podhod opornyh wektorow Raspoznawanie rechewyh ämocij")
Mashinnyj podhod opornyh wektorow Raspoznawanie rechewyh ämocij39,99 €![Unterstützt Vector Machine Based Erkennung von Sprachgefühlen]( "Unterstützt Vector Machine Based Erkennung von Sprachgefühlen")
Unterstützt Vector Machine Based Erkennung von Sprachgefühlen60,90 €![Baseado em máquina de vetores de suporte Reconhecimento de emoções de fala]( "Baseado em máquina de vetores de suporte Reconhecimento de emoções de fala")
Baseado em máquina de vetores de suporte Reconhecimento de emoções de fala39,99 €![Support Vector Machine Based Speech Emotion Recognition]( "Support Vector Machine Based Speech Emotion Recognition")
Support Vector Machine Based Speech Emotion Recognition39,99 €![Una teoria sul riconoscimento dei gesti della mano per la comunità con problemi vocali]( "Una teoria sul riconoscimento dei gesti della mano per la comunità con problemi vocali")
Una teoria sul riconoscimento dei gesti della mano per la comunità con problemi vocali29,99 €![Riconoscimento basato sui gesti: teoria e applicazioni]( "Riconoscimento basato sui gesti: teoria e applicazioni")
Riconoscimento basato sui gesti: teoria e applicazioni29,99 €
I risultati ottenuti in questo sistema utilizzando MFCC+LPCC con SVM sono encomiabili. Il tasso di riconoscimento del sistema è dell'81,2% per IITKGP-SESC, del 78,6% per EmodB e del 70% per il database registrato in tempo reale. Gli MFCC e gli LPCC corrispondenti a ciascuna espressione di ciascuna emozione dei database sono stati calcolati e la loro fusione viene utilizzata per l'estrazione delle caratteristiche insieme ai relativi coefficienti delta e doppio delta. Queste funzionalità estratte dai file di training vengono addestrate al modello SVM. Successivamente le caratteristiche dei file di test vengono fornite come input al classificatore SVM per la previsione. Quindi viene effettuata la classificazione dei campioni da testare e la percentuale delle emozioni sia corrispondenti che non corrispondenti viene calcolata utilizzando la matrice di confusione. Le prestazioni del database registrato in tempo reale sono limitate dai fattori esterni che influenzano le espressioni dell'oratore come il rumore nel segnale e l'ambiente in cui viene effettuata la registrazione. Le prestazioni possono essere aumentate utilizzando dispositivi audio di alta qualità in un ambiente privo di rumore. Anche un gran numero di campioni di allenamento risultano in grado di aumentare le prestazioni. In conclusione, si può affermare con fermezza che, nonostante alcuni limiti, questo sistema fornisce un'apprezzabile efficienza e precisione.