【情感识别】基于matlabKNN算法语音情感识别【含Matlab源码542期】

【情感识别】基于matlabKNN算法语⾳情感识别【含Matlab源码542期】⼀、 KNN算法简介骆家辉李蒙

K最近邻(k-Nearest Neighbor，KNN)分类算法，是⼀个理论上⽐较成熟的⽅法，也是最简单的机器学习算法之⼀。该⽅法的思路是：如果⼀个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的⼤多数属于某⼀个类别，则该样本也属于这个类别。

1 定义

如果⼀个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的⼤多数属于某⼀个类别，则该样本也属于这个类别，即由你

的“邻居”来推断出你的类别.

2 距离公式

两个样本的距离可以通过如下公式计算，⼜叫欧式距离

3 KNN算法的步骤

（1）计算已知类别数据集中每个点与当前点的距离；

（2）选取与当前点距离最⼩的K个点；可吸入颗粒物

（3）统计前K个点中每个类别的样本出现的频率；

（4）返回前K个点出现频率最⾼的类别作为当前点的预测分类。

4 KNN原理

5 KNN的优缺点

6 KNN性能问题

NN的性能问题也是KNN的缺点之⼀。使⽤KNN，可以很容易的构造模型，但在对待分类样本进⾏分类时，为了获得K近邻，必须采⽤暴⼒搜索的⽅式，扫描全部训练样本并计算其与待分类样本之间的距离，系统开销很⼤。

⼆、部分源代码

clc

clear all;

close all;

%%载⼊各情感的特征向量矩阵

大河茶馆

load A_fear.mat;

load F_happiness.mat;

load N_neutral.mat;

曾凡亚load T_sadness.mat;

load W_anger.mat;

NumberOfTrain=size(fearVec,2)/2;%⼀半测试⽤，⼀半训练⽤

trainVector=[fearVec(:,1:NumberOfTrain),hapVec(:,1:NumberOfTrain),neutralVec(:,1:NumberOfTrain),sadnessVec(:,1:NumberOfTrain),angerVec(:,1:Numb erOfTrain)];%构建训练样本集

testVector=[fearVec(:,(NumberOfTrain+1):size(fearVec,2)),hapVec(:,(NumberOfTrain+1):size(hapVec,2)),neutralVec(:,(NumberOfTrain+1):size(neutralVec, 2)),sadnessVec(:,(NumberOfTrain+1):size(sadnessVec,2)),angerVec(:,(NumberOfTrain+1):size(angerVec,2))];%构建测试样本集

k=9;%k 最近邻

distanceMatrix=zeros(size(trainVector,2),size(testVector,2));%每⼀列表⽰某个测试语⾳与所有训练集样本的距离

%%计算每个测试样本和训练样本集各样本的距离

for i=1:size(testVector,2)

for j=1:size(trainVector,2)

distanceMatrix(j,i)=norm(testVector(:,i)-trainVector(:,j));%计算欧⽒距离

end

%%统计分类结果（根据相应的特征向量在数组trainVector或testVector中所处的位置来辨别类型）

totalTestNumber=size(fearVec,2)-NumberOfTrain;

emtionCounter=zeros(1,5);

n1=NumberOfTrain;

n2=n1+NumberOfTrain;

n3=n2+NumberOfTrain;

n4=n3+NumberOfTrain;

n5=n4+NumberOfTrain;

p1=size(fearVec,2)-NumberOfTrain;

p2=p1+size(hapVec,2)-NumberOfTrain;

p3=p2+size(neutralVec,2)-NumberOfTrain;

p4=p3+size(sadnessVec,2)-NumberOfTrain;

p5=p4+size(angerVec,2)-NumberOfTrain;

if(n5~=size(trainVector,2)||p5~=size(testVector,2))

disp('data error')

return;

end

for i=1:size(distanceMatrix,2)

flag=zeros(1,5);

[sortVec,index]=sort(distanceMatrix(:,i));

%统计K个近邻中各类别的数量

for j=1:k

if(n1>=index(j)&&index(j)>=1)

flag(1)=flag(1)+1;

elseif(n2>=index(j)&&index(j)>n1)

flag(2)=flag(2)+1;

elseif(n3>=index(j)&&index(j)>n2)

flag(3)=flag(3)+1;

elseif(n4>=index(j)&&index(j)>n3)

flag(4)=flag(4)+1;

else

flag(5)=flag(5)+1;

end

无锡日报女记者章莹

end

[~,index1]=sort(flag);

%如果K个近邻中数量最多的类别与该样本实际的类别⼀致，则认为算法识别正确，相应counter加⼀。

if((p1>=i&&i>=1)&&index1(5)==1)