多層貝氏網路(MLBN)

根據上一章節之分群結果，本論文所提出之結合決策樹與貝氏網 路之多層貝氏網路語音情緒辨識架構如圖 5-7 所示，主要分成三層，

在分層分群的過程中，先將資料庫中的語音情緒特徵資料以表 5-3 之 分群方式重新歸類，並重新計算各特徵參數分群後之平均值與標準 差，以第一層(圖 5-8)之特徵參數 MFCC C8 平均值為例，主要分為兩 群，悲傷與中性為一群，快樂與生氣則為另一群，圖 5-9(a)為原始分 佈狀態，圖 5-9(b)則為分群後之分佈狀態，從圖 5-9(b)中可以發現，

分群後各群之分佈明顯分開，將有助於後續分類辨識之進行，圖 5-10(a) ~ (e)為多層貝氏網路第一層之各特徵參數分群後分佈狀態，與 原先各情緒之分佈狀態(圖 5-5)比較後可以發現，特徵參數在分群後，

各群之分佈可以明顯被分辨出來。多層貝氏網路第二層(圖 5-11)為分 三群，主要有兩種，第一種為悲傷以及中性各為獨立的一群，快樂與 生氣為第三群，另一種則為悲傷與中性為一群，快樂以及生氣則各為 獨立的一群，圖 5-12(a) ~ (j)為多層貝氏網路第二層各特徵參數分三 群後之分佈狀態。第三層則為分四群(圖 5-13)，也就是最原始之情緒 類別，其分佈狀態可參考圖 5-5 之正規化後各特徵參數分佈圖。

與 KNN 及 SVM 語音情緒辨識流程類似，多層貝氏網路語音情緒 辨識之流程如圖 5-14 所示，首先，測試語者先講一段正規化用中性 情緒語音，並利用此正規化用之中性情緒語音，計算出測試語者之正 規化特徵參數因子，接著，進入語音情緒辨識流程，在得到使用者一 段情緒語音訊號後，先計算出原始特徵參數，並經由正規化特徵參數 因子對原始特徵參數做正規化，最後，將正規化後特徵參數與多層貝 氏網路資料庫做分層分群運算，計算出每一情緒類別之發生機率。以 下將就此多層貝氏網路語音情緒分類器，透過分層的方式分別加以說 明。

假設測試語者帶有情緒之語音訊號經正規化計算後所得之特徵

參數(如表 3-5 所列)為一特徵參數向量 X，X 為一231之向量，X 為₁

傷與中性為同一群，快樂與生氣為另一群時，悲傷與中性發生之機

傷為獨立分群分佈下，X 發生之機率密度，_i P





數分群運算，主要有兩種分群方式，第一種為悲傷以及中性各為獨立

 

式中，Prob₁²_,1表示第二層第一種分群方式中悲傷發生之機率，Pr ob₁²_,2表

 

分別為

 

上，可以根據使用平台的實際狀況，將計算所得之各情緒發生的機率 做最適當的判斷與運用。以下將就多層貝氏網路語音情緒辨識之實驗 與測試結果分別加以說明。