基于小波散射变换和MFCC的双特征语音情感识别融合算法

《基于小波散射变换和MFCC的双特征语音情感识别融合算法》是一篇研究如何通过结合小波散射变换（Wavelet Scattering Transform, WST）和梅尔频率倒谱系数（Mel Frequency Cepstral Coefficients, MFCC）来提高语音情感识别准确率的论文。该论文针对当前语音情感识别中存在的特征提取不充分、模型泛化能力差等问题，提出了一种融合两种不同特征的方法，旨在提升系统的性能。

在语音情感识别领域，传统的特征提取方法如MFCC因其计算简单、效果较好而被广泛应用。然而，MFCC主要关注的是频域信息，对于语音信号中的时频特性以及非线性结构的捕捉能力有限。因此，为了弥补这一不足，研究者们开始探索更复杂的特征提取方法，例如小波散射变换。WST是一种基于小波变换的多尺度分析方法，能够有效提取语音信号中的时频特征，并且具有良好的平移不变性和鲁棒性。

本文提出的双特征融合算法，首先对语音信号进行预处理，包括分帧、加窗等操作，以获取适合分析的短时信号片段。然后分别提取MFCC和WST特征。MFCC特征通过对语音信号进行梅尔滤波器组处理，得到反映人耳听觉特性的频谱系数；而WST则通过多级小波变换和模运算，提取出更具判别性的时频特征。

在特征融合阶段，论文采用了多种融合策略，包括特征级融合和决策级融合。特征级融合将MFCC和WST特征拼接在一起，形成一个高维特征向量，作为分类器的输入。决策级融合则是在两个独立的分类器上分别训练并预测，最后通过投票或加权的方式得到最终结果。实验表明，这两种融合方式都能有效提升情感识别的准确率。

为了验证所提算法的有效性，作者在多个公开的情感语音数据集上进行了测试，如RAVDESS和CREMA-D等。实验结果表明，与单独使用MFCC或WST相比，双特征融合算法在多个指标上均有显著提升，尤其是在中性情绪和愤怒情绪的识别上表现尤为突出。

此外，论文还探讨了不同参数设置对系统性能的影响，例如小波基函数的选择、滤波器组的数量、特征维度等。这些参数的优化有助于进一步提升算法的稳定性与适应性。

综上所述，《基于小波散射变换和MFCC的双特征语音情感识别融合算法》提出了一种有效的语音情感识别方法，通过结合MFCC和WST两种特征，提升了情感识别的准确性与鲁棒性。该研究不仅为语音情感识别提供了新的思路，也为后续相关领域的研究奠定了基础。