面向情感语音识别的情感维度PAD预测

针对现有的情感特征仅从信号的角度对情感进行分析,不能直观反映情感状态的问题,提出将连续情感维度PAD引入情感识别. 实验样本选用TYUT2.0数据库和柏林语音库中的3种情感（悲伤、愤怒和高兴）,提取情感特征（韵律特征、共振峰、MFCC和非线性特征）. 为了获取客观、精确的PAD维度,利用灰色关联分析（GRA）选取影响P、A、D的主要特征,通过主成分分析（PCA）提取主要特征的主成分,将主成分作为最小二乘支持向量机（LSSVM）的输入预测P、A、D. 分别对情感特征、PAD维度及它们的融合,采用支持向量机进行情感识别. 实验结果表明,该预测方法在一定程度上提高了对P、A、D的预测精度,预测值可以有效识别情感,对情感特征在情感识别方面有一定的补充作用.     

磷石膏基发泡建筑石膏的热传导与强度特性研究

为了进一步提高磷石膏的综合利用率,本文采用单因素试验,研究了α-烯基磺酸钠(AOS)、动物蛋白、十二烷基硫酸钠(K12)质量比为1∶1∶1的复合发泡剂稀释化对磷石膏基发泡建筑石膏孔隙率及孔隙结构的影响,并研究了孔隙率与强度、导热系数之间存在的关系。研究结果表明,当表观密度在600～800 kg/m³时,磷石膏基发泡建筑石膏的热工性能要优于其他四组泡沫保温材料,当表观密度大于900 kg/m³时,抗压强度要远远高于其他石膏基泡沫材料,导热系数与孔隙率之间的关系符合Maxwell-Euchen1模型,而抗压强度与孔隙率之间的关系更符合Hasselmann方程。本研究可为磷石膏基发泡建筑石膏生产提供数据支撑。     

基于聚类PSO-LSSVM模型的PAD维度预测

针对PAD（愉悦度、激活度、优势度）预测精度问题,提出将最小二乘支持向量机（least squares support vector machine,LSSVM）经粒子群优化（particle swarm optimization,PSO）算法优化再与情感聚类分析结合的聚类PSO-LSSVM模型。对TYUT2.0和柏林语音库的三种情感语音提取情感特征,基于特征与标注的P、A、D对三种单一情感分别建立各类情感维度PSO-LSSVM模型以及对三种情感建立混合情感维度PSO-LSSVM模型;然后利用混合情感维度PSO-LSSVM模型预测P、A、D,并计算其与基本情感PAD的距离;最后将距离大于阈值的情感聚类为混合情感,将距离小于阈值的情感聚类为与其距离最近的情感,并利用对应情感的回归模型预测其P、A、D。研究显示,该模型对P、A、D的预测误差较LSSVM和PSO-LSSVM模型更小,且预测值与标注值的相关性更强,说明聚类PSO-LSSVM模型对P、A、D的预测更加可靠、准确。     

工程结构选型方案对比分析研究

由于经济的发展,高层建筑更是有如雨后春笋般迅速发展,数量剧增。而目前的工程设计领域中,往往不够重视结构经济性问题,导致同一工程不同的人设计其土建造价可能差别很大,造成不必要的浪费。本文通过计算软件SATWE对同一建筑进行两个不同结构方案的计算、分析、比较,验证了高层结构选型在结构设计中的重要地位。