语音情感识别matlab源代码.zip

语音中准确的情绪识别对于智能医疗、智能娱乐和其他智能服务等应用程序非常重要。由于汉语语言的复杂性，汉语语音的高精度动作识别具有挑战性。本文探讨了如何提高语音情感识别的准确性，包括语音信号特征提取和情感分类方法。从语音样本中提取五种特征：梅尔频率倒谱系数（mfcc）、音调、共振峰、短期过零率和短期能量

function [ CC FBE frames ] = mfcc（ speech fs Tw Ts alpha window R M N L ）
% MFCC Mel frequency cepstral coefficient feature extraction.
%
%   MFCC（SFSTWTSALPHAWINDOWRMNL） returns mel frequency 
%   cepstral coefficients （MFCCs） computed from speech signal given 
%   in vector S and sampled at FS （Hz）. The speech signal is first 
%   preemphasised using a first order FIR filter with preemphasis 
%   coefficient ALPHA. The preemphasised speech signal is subjected 
%   to the short-time Fourier transform analysis with frame durations 
%   of TW （ms） frame shifts of TS （ms） and analysis window function 
%   given as a function handle in WINDOW. This is followed by magnitude 
%   spectrum computation followed by filterbank design with M triangular 
%   filters uniformly spaced on the mel scale between lower and upper 
%   frequency limits given in R （Hz）. The filterbank is applied to 
%   the magnitude spectrum values to produce filterbank energies （FBEs） 
%   （M per frame）. Log-compressed FBEs are then decorrelated using the 
%   discrete cosine transform to produce cepstral coefficients. Final
%   step applies sinusoidal lifter to produce liftered MFCCs that 
%   closely match those produced by HTK [1].
%
%   [CCFBEframeS]=MFCC（...） also returns FBEs and windowed frames
%   with feature vectors and frames as columns.
%
%   This framework is based on Dan Ellis‘ rastamat routines [2]. The 
%   emphasis is placed on closely matching MFCCs produced by HTK [1]
%   （refer to p.337 of [1] for HTK‘s defaults） with simplicity and 
%   compactness as main considerations but at a cost of reduced 
%   flexibility. This routine is meant to be easy to extend and as 
%   a starting point for work with cepstral coefficients in MATLAB.
%   The triangular filterbank equations are given in [3].
%
%   Inputs
%           S is the input speech signal （as vector）
%
%           FS is the sampling frequency （Hz） 
%
%           TW is the analysis frame duration （ms） 
% 
%           TS is the analysis frame shift （ms）
%
%           ALPHA is the preemphasis coefficient
%
%           WINDOW is a analysis window function handle
% 
%           R is the frequency range （Hz） for filterbank analysis
%
%           M is the number of filterbank channels
%
%           N is the number of cepstral coefficients 
%             （including the 0th coefficient）
%
%           L is the liftering parameter
%
%   Outputs
%           CC is a matrix of mel frequency cepstral coefficients
%              （MFCCs） with feature vectors as columns
%
%           FBE is a matrix of filterbank energies
%               with feature vectors as columns
%
%           frameS is a matrix of windowed frames
%                  （one frame per column）
%
%   Example
%           Tw = 25;           % analysis frame duration （ms）
%           Ts = 10;           % analysis frame shift （ms）
%           alpha = 0.97;      % preemphasis coefficient
%           R = [ 300 3700 ];  % frequency range to 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        7190  2018-04-21 21:05  mfcc.m
     文件        4797  2018-04-21 21:19  trifbank.m
     文件       10707  2018-04-23 16:30  untitled.fig
     文件        9006  2018-04-23 16:30  untitled.m
     文件        6993  2018-04-21 21:19  vec2frames.m
     文件       65587  2019-05-28 20:16  语音情感识别代码matlab.rtf