[发明专利]一种用于语音情感计算的无监督主动学习方法

权利要求书

1.一种用于语音情感计算的无监督主动学习方法，其特征在于，该方法包括以下步骤：

S1.获取提取特征后语音样本的特征维度d，设定交给专家打标的语音样本个数M、迭代次数c的最大值c_max，若M≤d+1，设定步数索引i的最大值S＝1，否则，设定步数索引i的最大值S＝2，S确定之后，设定第i步需要获取的待打标样本数目M_i和第i步使用的优化方法，要求初始化步数索引i为1；

S2.初始化迭代次数c为1，从语音样本集中聚类选取M_i个样本初始化待打标样本集S_ic，将S_ic存入待打标样本集库SL_i中，其中，S_ic表示第i步的第c轮迭代对应的待打标样本集，所述聚类选取如下：对语音样本集中的全部样本使用k-mean聚类，k＝M_i，选取每个类中距离类中心最近的样本；

S3.从待打标样本集S_ic中选择一个第c轮迭代中未被优化的待打标样本，固定其余(M_i-1)个样本和之前所有步选出的样本，通过第i步使用的优化方法，从排除固定样本后的语音样本集中选择一个最有价值的样本替换待优化的待打标样本，更新S_ic；

S4.如果第c轮迭代中，待打标样本集S_ic中的所有样本都被优化了一次，则进入步骤S5，否则，返回步骤S3；

S5.如果第c轮迭代的待打标样本集S_ic已经存在于待打标样本集库SL_i中，或者已经达到最大迭代次数c_max，则进入步骤S6；否则，将当前迭代的待打标样本集S_ic存入待打标样本集库SL_i中，下一轮迭代的待打标样本集S_i(c+1)初始化为S_ic，c＝c+1，返回步骤S3；

S6.如果i＝S，则输出这i步选出的共计M个待打标样本给专家，结束；否则，i＝i+1，返回步骤S2，其中，

第一步使用的优化方法是线性流形法，p＝1，…，M₁，包括以下步骤：

(1)固定待打标样本集S_1c中除待优化的待打标样本x_p外的其他(M₁-1)个样本，这些固定的样本确定一个(M₁-2)维的超平面H；

(2)计算待优化的待打标样本x_p所在的聚类C_p中所有样本点到超平面H的距离然后计算聚类C_p中每个样本与聚类C_p中所有样本的平均距离其中，表示聚类C_p中的样本个数；

(3)计算聚类C_p中每个样本的重要性度量

(4)选择V值最大的样本，作为当前的最优样本替换待优化的待打标样本x_p，从而更新S_1c；

第二步使用的优化方法是贪婪搜索法，q＝1，…，M₂，包括以下步骤：

(1)固定待打标样本集S_2c中除待优化的待打标样本x_q外的其他(M₂-1)个样本，加上第一步选出的样本集S_1c，形成含有(M-1)个固定样本的集合S_t；

(2)计算待优化的待打标样本x_q所在的聚类中所有样本点到固定样本的集合S_t的贪婪距离计算聚类中每个样本与聚类中所有样本的平均距离其中，表示聚类中的样本个数；

(3)计算聚类中每个样本的重要性度量

(4)选择V值最大的样本，作为当前的最优样本替换待优化的待打标样本x_q，从而更新S_2c。

2.如权利要求1所述的方法，其特征在于，根据打标成本预算与回归模型的期望精度，设定交给专家打标的语音样本个数M；根据期望的运算代价，设定最大迭代次数c_max。

3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1或2所述的用于语音情感计算的无监督主动学习方法。