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。