导读:本文包含了情感特征论文开题报告文献综述及选题提纲参考文献，主要关键词:MFCC,GFCC,语音情感识别,CNN
情感特征论文文献综述
郭卉,姜囡,任杰[1]（2019）在《基于MFCC和GFCC混合特征的语音情感识别研究》一文中研究指出针对MFCC滤波器存在语音高频信号泄露的问题,为避免基于MFCC特征对语音进行情感识别时存在有效情感特征丢失的局限性,结合MFCC的高准确性和GFCC的强鲁棒性,提出了基于MFCC与GFCC混合特征训练CNN对语音进行情感识别的方法,有效提高了语音情感识别的准确率,改善了CNN模型的识别性能。实验结果表明,所设计的混合特征识别方法较传统识别方法识别率明显升高并达到了83%,实现了语言情感识别准确率的有效提升。(本文来源于《光电技术应用》期刊2019年06期）
赵乐,麦范金,张兴旺[2]（2019）在《多特征融合的Voting-SRM情感分类研究》一文中研究指出情感分类是自然语言处理领域的一个核心问题,其目的是判断评论文本的情感极性,并挖掘其蕴含的情感价值信息.为了提取评论文本中潜在的情感信息,提高分类精度,本文提出了多特征融合的Voting-SRM情感分类方法.结合词性特征,语法特征等,提取名词,动词,形容词,副词等特征,然后运用软投票机制,结合随机梯度下降算法、随机森林、神经网络等算法,对已获取评论文本进行极性二分类.本文通过对比实验,验证了该方法的有效性.(本文来源于《小型微型计算机系统》期刊2019年11期）
张红,张海悦,王萃[3]（2019）在《基于文本情感分析的类型电影受众特征与偏好研究》一文中研究指出受众特点对于电影来说极具重要性,不同类型电影的受众群体和受众偏好也各不相同,如何从海量用户行为数据中提取不同类型电影的受众特征,并从用户评论文本中挖掘用户对不同类型电影的偏好特点是本文研究的重点。本文主要基于文本情感分析算法,选取近年来上映影片的真实数据,从用户特征和用户行为角度,对各类型电影的自身特征、受众特征以及受众对不同类型电影的情感偏好等方面进行分析与挖掘。(本文来源于《现代电影技术》期刊2019年11期）
谭茜木,王大恒[4]（2019）在《论《文选》“哀伤”类赋的情感特征》一文中研究指出《文选》"赋"体下又设有"哀伤"类,收录司马相如等五位赋作家的七篇作品,这些赋作在中国文学史上产生了重要影响。本文主要通过对《文选》"哀伤"类赋的具体分析,从西汉、魏晋、南朝叁个不同时期,探究赋在情感抒发上的发展变化特征。(本文来源于《文学教育(上)》期刊2019年11期）
马运东,林潇,常素华,孙洪强,陆林[5]（2019）在《噩梦惊醒体验个体的情绪情感特征》一文中研究指出目的探索噩梦惊醒体验与做梦者日间情绪情感之间的关系。方法以匹兹堡睡眠质量指数量表(PSQI)中"最近一个月,您是否因为做噩梦影响睡眠而烦恼"为标准分组,将人类连接组项目(HCP)中1205名受试者分成无噩梦惊醒体验(NBD)组(847人)和有噩梦惊醒体验(BD)组(358人),对比两组受试者一般资料、睡眠状况、智能检查、情绪评估等结果差异。结果两组之间年龄、身高、体重、教育程度等资料无统计学差异。NBD组家庭收入、PSQI得分和简易智能精神状态检查量表(MMSE)得分高于BD组。在自评量表得分中NBD组负性情绪、自我压力得分低于BD组,心里幸福感得分高于BD组。以噩梦出现频率将BD组分为叁个亚组,即A组(每周不足一个晚上),B组(每周一或两个晚上)和C组(每周平均叁个或更多晚上)。对自评量表结果进行方差分析事后检验,发现愤怒(A组49.85±6.70,C组60.52±21.71)、生活满意度(A组53.75±9.26,C组42.93±10.13)、感受到的敌意(A组49.75±7.85,C组57.79±12.08)、感受到的拒绝(A组49.72±8.89,C组61.31±13.01)、感受到的压力(A组50.77±8.73,C组60.34±12.89)等均呈现噩梦频率越高,表现越差的现象,且叁组中任意两组均存在统计学差异,除此之外,恐惧、悲伤、生活目标和意义、正性情绪、孤独感随着噩梦频率越高,也呈现出表现越差的趋势,但仅在A组和C组中存在统计学差异。结论有噩梦惊醒体验的个体在生活中更容易伴随较低的收入、睡眠质量和智能状况,有较高的负性情绪体验,有较低的幸福感,更容易感受到压力。且随着噩梦频率的增加,个体的情绪情感体验越差。(本文来源于《中国睡眠研究会第十一届全国学术年会论文汇编》期刊2019-10-25）
杜瑜,苏逸俊,陈欧童,陈俊[6]（2019）在《共产主义概念词情感特征的认知加工初探》一文中研究指出共产主义信念是人们确信共产主义的理论和原则,认定共产主义事业必胜及共产主义理想必将成为事实的坚定观点和信念。它是对共产主义坚定信仰、深厚情感和为共产主义理想而奋斗的坚强意志的集中表现。共产主义概念词作为对共产主义信念的概括化的表示,往往传递了人们的情感和态度。为探讨共产主义概念词是否能够传递情感意义,本研究采用情感启动范式,通过两个行为实验考察在较短的刺激反应不同步SOA(200ms)条件下共产主义概念词的情感启动效应。在实验一中,以50名中国大学生为被试,采用2(启动刺激:共产主义概念词、中性词)ⅹ2(目标刺激:积极词、消极词)两因素被试内设计,被试对目标词的效价进行判断,按键实验后被试填写一份5点计分的《共产主义信念问卷》。结果显示,与中性词语相比,共产主义概念词启动下对积极目标词反应更快,对消极的目标词反应更慢。共产主义概念词出现了情感启动效应,并且出现对消极目标词语反应的抑制。在实验2中,根据词语评定过程中词语语义与共产主义相关程度这一指标,将共产主义概念词分成了共产主义相关度高概念词和共产主义相关度低概念词。以50名中国大学生为被试,采用3(启动刺激:共产主义相关度高、低概念词和中性词)ⅹ2(目标刺激:积极词、消极词)两因素被试内设计,被试对目标词的效价进行判断,按键实验后被试填写《共产主义信念问卷》。结果显示,共产主义相关度高概念词比共产主义相关度低概念词启动下出现了更强的情感启动效应,两者启动下对消极词反应的抑制程度相当,无显着差异。实验结果表明,共产主义概念词具有情感色彩,情感意义受到词语语义影响。共产主义概念词的情感特征能够被自动激活,影响人们后续的认知加工速度,抑制对负面信息的加工。(本文来源于《第二十二届全国心理学学术会议摘要集》期刊2019-10-19）
王根生,黄学坚,闵潞[7]（2019）在《多元特征融合的GRU神经网络文本情感分类模型》一文中研究指出传统机器学习文本情感分类算法文本表示维度高、语义丢失、矩阵稀疏、分类模型浅,导致算法泛化能力弱;基于深度学习的文本情感分类算法推崇数据驱动,忽略了对情感已有的先验知识,算法需要大量的训练数据才能获得较好效果.针对这一现象,提出基于词嵌入特征、词情感特征、词权重特征融合的GRU神经网络文本情感分类模型(TMMG):该模型通过Word2vec模型得出低维稠密且包含语义信息的词嵌入特征;根据文本情感表达特点,构造包含六种情感要素的情感字典,依据情感要素字典定量表示情感特征;使用TF-IDF计算词语的权重特征;将前面3类特征融合构造词语融合特征表示,并将文本转换成融合特征序列数据;利用GRU神经网络处理序列化数据的优势,构建情感分类模型TMMG.实验结果发现该模型TMMG相比传统机器学习具有更好的泛化能力,相比其他深度学习算法在较少训练数据量时也能获得较好的分类效果.(本文来源于《小型微型计算机系统》期刊2019年10期）
任杰,郭卉,姜囡[8]（2019）在《不同情感的语音声学特征分析》一文中研究指出针对说话人情感因素对语音特征的影响进行研究分析,选择同一个人在生气、害怕、高兴、中性、惊讶、悲伤六种情感下语音的共振峰频率特征、共振峰走向特征、音节的过渡特征、基频曲线特征以及振幅曲线特征,分析比对不同情感的语音声学特征的相似性和差异性。分析结果表明,同一说话人在不同情感下的语音声学特征的共振峰走向特征相似度高,共振峰频率、基频曲线及振幅曲线特征存在非本质差异,是个体自身的差异。对不同情感的语音进行声学特征分析可以为语音情感识别奠定基础。(本文来源于《光电技术应用》期刊2019年05期）
沈兰萍[9]（2019）在《万物有灵桃缘情——浅析“随心·沈桃”的自然美与情感特征》一文中研究指出"桃之夭夭,灼灼其华",千余年前的《诗经》以桃花之鲜艳娇嫩来比喻新娘的年轻貌美,同时也表达诗人对于美好事物的一种赞美和喜爱之情。而桃花之娇美也是紫砂壶手工艺人常常能注意到的,因此以桃花或是桃为主题的紫砂壶也是比较多的。本文将要介绍的这件"随心·沈桃"将桃花与桃结合为一体,通过对它的细致分析我们能感受到其中所体现的自然美和独特的情感特征。(本文来源于《陶瓷科学与艺术》期刊2019年10期）
周泳东,章韵,曹艳蓉,黄海平[10]（2019）在《基于特征融合分段卷积神经网络的情感分析》一文中研究指出为解决文本情感分析任务中传统卷积神经网络模型存在没有考虑句子结构和过度依赖于所输入的词向量问题,提出一种基于特征融合的分段卷积神经网络模型(PF-CNN)。考虑句子的结构,分段池化提取句子的主要特征;利用词性特征与词向量融合的方法,解决词向量无法区分同义词的问题。实验结果表明,与传统的文本卷积神经网络相比,PF-CNN模型在情感分析任务上,准确率、召回率和F1值等指标都有显着提升。(本文来源于《计算机工程与设计》期刊2019年10期）
情感特征论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
情感分类是自然语言处理领域的一个核心问题,其目的是判断评论文本的情感极性,并挖掘其蕴含的情感价值信息.为了提取评论文本中潜在的情感信息,提高分类精度,本文提出了多特征融合的Voting-SRM情感分类方法.结合词性特征,语法特征等,提取名词,动词,形容词,副词等特征,然后运用软投票机制,结合随机梯度下降算法、随机森林、神经网络等算法,对已获取评论文本进行极性二分类.本文通过对比实验,验证了该方法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
情感特征论文参考文献
[1].郭卉,姜囡,任杰.基于MFCC和GFCC混合特征的语音情感识别研究[J].光电技术应用.2019
[2].赵乐,麦范金,张兴旺.多特征融合的Voting-SRM情感分类研究[J].小型微型计算机系统.2019
[3].张红,张海悦,王萃.基于文本情感分析的类型电影受众特征与偏好研究[J].现代电影技术.2019
[4].谭茜木,王大恒.论《文选》“哀伤”类赋的情感特征[J].文学教育(上).2019
[5].马运东,林潇,常素华,孙洪强,陆林.噩梦惊醒体验个体的情绪情感特征[C].中国睡眠研究会第十一届全国学术年会论文汇编.2019
[6].杜瑜,苏逸俊,陈欧童,陈俊.共产主义概念词情感特征的认知加工初探[C].第二十二届全国心理学学术会议摘要集.2019
[7].王根生,黄学坚,闵潞.多元特征融合的GRU神经网络文本情感分类模型[J].小型微型计算机系统.2019
[8].任杰,郭卉,姜囡.不同情感的语音声学特征分析[J].光电技术应用.2019
[9].沈兰萍.万物有灵桃缘情——浅析“随心·沈桃”的自然美与情感特征[J].陶瓷科学与艺术.2019
[10].周泳东,章韵,曹艳蓉,黄海平.基于特征融合分段卷积神经网络的情感分析[J].计算机工程与设计.2019