افزايش داده و انتخاب مؤثر ويژگي‌ در شبكه هاي مولد متخاصمي جهت تشخيص احساس از گفتار

تاكنون، يقيني مبتني بر موفقيت و يا عدم موفقيت به‌كارگيري روش‌هاي كاهش ويژگي جهت افزايش كارايي سيستم‌هاي تشخيص احساس از گفتار حاصل نشده است. اين مقاله باهدف افزايش داده‌‌ها در يك سيستم تشخيص احساس از گفتار، انتخاب ويژگي را موردبحث و بررسي قرار مي دهد. آزمايش‌ها بر روي چهار پايگاه‌داده متداول EMO‌DB، eNTERFACE05، SAVEE و IEMOCAP در نرم‌افزار پايتون انجام گرديده و علاوه بر اين، تجزيه‌وتحليل داده‌ها بر روي هر چهار پايگاه‌داده براي چهار احساس غم، عصبانيت، خوشحالي و خنثي ارائه خواهد شد. يك شبكه افزايش داده متخاصمي جهت افزايش نمونه‌ها و دو شبكه انتخاب ويژگي تركيبي معيار فيشر و الگوريتم جداساز خطي طي دو مرحله و با فيدبكي كه از شبكه طبقه‌بند گرفته مي شود سيستم تشخيص احساس از گفتار را به نقطه بهينه‌اي از تعداد و ابعاد داده‌ها رسانيده و نشان مي دهد آناليز مؤلفه‌هاي اصلي روي داده‌هاي همبسته مؤثرتر و الگوريتم جداساز خطي روي داده‌هاي با بعد كم بهتر عمل مي‌كنند. همچنان كه روش فيشر در كاهش سايز بهتر از آناليز مؤلفه‌هاي اصلي عمل مي‌كند. همچنين ماشين بردار پشتيبان جهت طبقه‌بندي احساسات مورداستفاده قرار گرفته است. نتايج نشان مي دهد كه استفاده از هر دو روش جداساز خطي و معيار فيشر به طور هم‌زمان در سيستم افزايش داده متخاصمي مي‌تواند ويژگي‌ها را در ابعاد كمتر فيلتر نموده درحالي‌كه اطلاعات احساسي را جهت طبقه‌بندي حفظ نمايد. نتايج به‌دست‌آمده با تحقيقات اخير مقايسه گرديده است كه حاكي از دستيابي روش پيشنهادي به صحت 86.32% در پايگاه‌داده برلين مي باشد.