对话图卷积神经网络pytorch代码实现(DialogueGCN)，包含了IEMOCAP数据集和MELD数据集。

基于MFCC的语音情感识别研究

【语音识别】基于BP神经网络实现语音情感识别Matlab源码.zip

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

野外的情绪回归 使用Aff-Wild数据库中可用视频中的价和Arousal值估算值进行情感回归。 针对此问题，我们使用了2个基于CNN的框架。 其中一个模型的使用SENET预先训练上VGGFace数据库和微调在AFF-野生训练数据的子集的模型。 另一个模型是带有CBAM注意模块的ResNet样式的CNN，用于精炼特征提取。 该模型是使用Aff-Wild火车数据的子集从头开始训练的。 The hyper-parameters used for both the models are listed below: Batch Size = 32 Optimizer = Adam Learning Rate = Default Epochs = 32 这两个框架的训练和验证均方根误差图如下所示。 CBAM Framework

采用最小二乘双支持向量机(LSTSVM)进行情感识别，针对LSTSVM模型的惩罚系数及核函数参数难以确定的问题，使用改进的萤火虫算法（MFA）来优选LSTSVM的各项参数，使分类器取得最优的性能。基于脑电、皮肤电、肌电和呼吸4种模态的生理信号，使用该算法进行情感识别，并与使用标准LSTSVM和粒子群LSTSVM算法的识别结果比较。仿真分析表明，提出的MFA-LSTSVM算法识别准确率更高，需要的训练时间更短。

【情感识别】基于支持向量机（SVM）实现语音情感识别matlab源码.zip

【情感识别】基于K近邻分类算法的语音情感识别matlab 源码.md

语音情感识别 介绍 该存储库负责构建和培训语音情感识别系统。 该工具背后的基本思想是构建和训练/测试合适的机器学习（以及深度学习）算法，该算法可以识别和检测语音中的人类情感。 这对于许多行业领域很有用，例如提出产品推荐，情感计算等。 查看本以获取更多信息。 要求 Python 3.6+ Python包 librosa == 0.6.3 麻木 大熊猫 声音文件== 0.9.0 海浪 斯克莱恩 tqdm == 4.28.1 matplotlib == 2.2.3 pyaudio == 0.2.11 （可选） ：如果要通过转换为16000Hz采样率和convert_wavs.py提供的单声道来添加更多采样音频，则使用 通过以下命令安装这些库： pip3 install -r requirements.txt 数据集 该存储库使用了4个数据集（包括此仓库的自定义数据集），这些数

这是由微软开发的语音识别系统，采用C++语言编写，实现对用户的语音的情感的识别。