МАШИНАЛЫҚ ОҚЫТУДЫ ПАЙДАЛАНЫП СӨЙЛЕУ ЭМОЦИЯЛАРЫН ТАНУ
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
С развитием технологий распознавания мультимедийных образов, которая позволяет извлекать и анализировать большие объемы мультимедийной информации из видео- и аудио- источников, наблюдается большой рост применения технологии машинного обучения с использованием глубокого обучения для решения различных задач. Распознавание речевых эмоций (или классификация) – одна из самых сложных тем в науке о данных. В этой работе, мы использовали архитектуру на основе MLP-классификатора, которая извлекает мел- частотные кепстрал коэффициенты, хромограммы, мел-шкале спектрограммы из звуковых файлов и использует их в качестве входных данных нейронной сети для идентификации эмоций, используя образцы из Райерсон аудиовизуальной базе эмоциональной речи и песни (RAVDESS). Была разработана модель нейронной сети для распознавания четырех эмоций (спокойствие, гнев, страх, отвращение). Данная модель классифицирует речевые эмоции с точностью 83,33%. Ключевые слова: голос, распознавание эмоций, MLP-классификатор, RAVDESS, jupyter notebook, Python. Бейне және дыбыс көздерінен мультимедиялық ақпараттың үлкен көлемін шығаруға және талдауға мүмкіндік беретін мультимедиялық кескінді тану технологияларының дамуымен әртүрлі мәселелерді шешу үшін терең оқытуды пайдалана отырып, машиналық оқыту технологиясын пайдаланудың айтарлықтай өсуі байқалды. Сөйлеу эмоциясын тану (немесе жіктеу) деректер ғылымындағы ең күрделі тақырыптардың бірі болып табылады. Бұл жұмыста біз MLP классификаторы негізіндегі архитектураны қолдандық. Райерсон эмоционалды сөйлеу мен әннің аудио-визуалды дерекқорынан (RAVDESS) үлгілерді пайдалана отырып, аудио файлдардан мел-жиілігінің кепстрал коэффициенттері, хромограммалар, мел-шкаласындағы спектрограммалар шығарылып, эмоцияларды анықтау үшін олар нейрондық желінің кірісі ретінде пайдаланылды. Төрт эмоцияны (тыныштық, ашу, қорқыныш, жиіркеніш) тану үшін нейрондық желі моделі әзірленді. Бұл модель сөйлеу эмоцияларын 83,33% дәлдікпен жіктейді. Түйін сөздер: дауыс, эмоцияны тану, MLP классификаторы, RAVDESS, jupyter notebook, Python. With the development of multimedia image recognition technologies, which allows extracting and analyzing large amounts of multimedia information from video and audio sources, there has been a large increase in the use of machine learning technology using deep learning to solve various problems. Speech emotion recognition (or classification) is one of the most complex topics in data science. In this work, we used an MLP classifier-based architecture that extracts chalk-frequency cepstral coefficients, chromograms, chalk-scale spectrograms from audio files and uses these as input to a neural network for emotion identification using samples from the Ryerson Audio-Visual Emotional Speech and Song (RAVDESS). A neural network model was developed to recognize four emotions (calm, anger, fear, disgust). This model classifies speech emotions with an accuracy of 83.33%. Keywords: voice, emotion recognition, MLP classifier, RAVDESS, jupyter notebook, Python.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,031 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle