本研究使用Teacher-student model藉由修改訓練資料的標籤來重新訓練靜態分類模型。研究中會使用偏斜強健性類神經網路做訓練及分類,網路在訓練時會加入與各類情緒資料筆數呈反比的權重,以解決資料不平衡的問題。資料前處理的部分則是對訓練資料和測試資料做語者正規化來消除各語者之間的差異性。上述方法使用FAU-Aibo情緒語料庫來做評估,並與Interspeech 2009 Emotion Challenge分類子挑戰做辨識率的比較。在Interspeech 2009 Emotion Challenge分類子挑戰中靜態模型的基準辨識率為38.2%,參賽者中最佳的辨識率為41.65%;而本實驗所得到的辨識率為46.0%。 |