Items related to Comparison of different features sets and classifiers...
Comparison of different features sets and classifiers for emotion recognition of speech: Vergleich von verschiedenen Merkmalssätzen und Klassifizierern zur Emotionserkennung von Sprache - Softcover
Synopsis
Bachelor Thesis from the year 2014 in the subject Electrotechnology, grade: 1,0, University of Stuttgart (Institut für Signalverarbeitung und Systemtheorie), course: Elektrotechnik und Informationstechnik, language: English, abstract: This thesis deals with emotion recognition from speech signals using several feature sets and classifiers. Feature sets with different sizes are compared: the feature set of the Institute for Signal Processing and System Theory as well as standardised feature sets of eight paralinguistic challenges. The question is whether there is a connection between the size of a feature set and the performance. The feature sets are investigated with SFFS and without in combination with Naive Bayes classifier, k-Nearest-Neighbour classifier and Support Vector Machine. The goal of this thesis is to find those features which are selected most commonly for good performance. Diese Arbeit befasst sich mit der Erkennung von Emotionen aus Sprachsignalen. Es werden verschiedene Merkmalsätze und Klassifizierer auf ihre Leistungsfähigkeit getestet. Dabei werden Merkmalsätze mit unterschiedlichen Größen verglichen: der Merkmalsatz vom Institut für Signalverarbeitung und Systemtheorie sowie standardisierte Merkmalsätze von acht Wettbewerben, in denen paralinguistische Informationen erkannt werden sollten. Die Frage ist, ob es einen Zusammenhang zwischen der Größe eines Merkmalsatzes und der Leistungsfähigkeit gibt. Die Merkmalsätze werden sowie mit auch als ohne Merkmalsauswahl (SFFS) in Kombination mit dem Naiven Bayes Klassifizierer, k-Nächste-Nachbarn Klassifizierer und einer Support Vector Machine untersucht. Das Ziel dieser Arbeit ist, die Merkmale zu finden, die bei den besten Merkmalsätzen am häufigsten ausgewählt wurden.
"synopsis" may belong to another edition of this title.
- PublisherGRIN Verlag
- Publication date2015
- ISBN 10 3656972281
- ISBN 13 9783656972280
- BindingPaperback
- Number of pages108
Buy New
Learn more about this copy
£ 41.40
Shipping:
£ 19.28
From Germany to U.S.A.
Top Search Results from the AbeBooks Marketplace
Seller Image
Comparison of different features sets and classifiers for emotion recognition of speech
Print on DemandSeller: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Germany
Seller rating 5 out of 5 stars
Taschenbuch. Condition: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Bachelor Thesis from the year 2014 in the subject Electrotechnology, grade: 1,0, University of Stuttgart (Institut für Signalverarbeitung und Systemtheorie), course: Elektrotechnik und Informationstechnik, language: English, abstract: This thesis deals with emotion recognition from speech signals using several featuresets and classifiers. Feature sets with different sizes are compared: the feature setof the Institute for Signal Processing and System Theory as well as standardisedfeature sets of eight paralinguistic challenges. The question is whether there is aconnection between the size of a feature set and the performance. The feature setsare investigated with SFFS and without in combination with Naive Bayes classifier,k-Nearest-Neighbour classifier and Support Vector Machine. The goal of this thesisis to find those features which are selected most commonly for good performance.Diese Arbeit befasst sich mit der Erkennung von Emotionen aus Sprachsignalen. Es werden verschiedene Merkmalsätze und Klassifizierer auf ihre Leistungsfähigkeit getestet. Dabei werden Merkmalsätze mit unterschiedlichen Größen verglichen: der Merkmalsatz vom Institut für Signalverarbeitung und Systemtheorie sowie standardisierte Merkmalsätze von acht Wettbewerben, in denen paralinguistische Informationen erkannt werden sollten. Die Frageist, ob es einen Zusammenhang zwischen der Größe eines Merkmalsatzes und der Leistungsfähigkeit gibt. Die Merkmalsätze werden sowie mit auch als ohne Merkmalsauswahl (SFFS) in Kombination mit dem Naiven Bayes Klassifizierer, k-Nächste-Nachbarn Klassifizierer und einer Support Vector Machine untersucht. Das Ziel dieser Arbeit ist, die Merkmale zu finden, die bei den besten Merkmalsätzen am häufigsten ausgewählt wurden. 108 pp. Englisch. Seller Inventory # 9783656972280
Quantity: 2 available
Seller Image
Comparison of different features sets and classifiers for emotion recognition of speech : Vergleich von verschiedenen Merkmalssätzen und Klassifizierern zur Emotionserkennung von Sprache
Seller: AHA-BUCH GmbH, Einbeck, Germany
Seller rating 5 out of 5 stars
Taschenbuch. Condition: Neu. Druck auf Anfrage Neuware - Printed after ordering - Bachelor Thesis from the year 2014 in the subject Electrotechnology, grade: 1,0, University of Stuttgart (Institut für Signalverarbeitung und Systemtheorie), course: Elektrotechnik und Informationstechnik, language: English, abstract: This thesis deals with emotion recognition from speech signals using several featuresets and classifiers. Feature sets with different sizes are compared: the feature setof the Institute for Signal Processing and System Theory as well as standardisedfeature sets of eight paralinguistic challenges. The question is whether there is aconnection between the size of a feature set and the performance. The feature setsare investigated with SFFS and without in combination with Naive Bayes classifier,k-Nearest-Neighbour classifier and Support Vector Machine. The goal of this thesisis to find those features which are selected most commonly for good performance.Diese Arbeit befasst sich mit der Erkennung von Emotionen aus Sprachsignalen. Es werden verschiedene Merkmalsätze und Klassifizierer auf ihre Leistungsfähigkeit getestet. Dabei werden Merkmalsätze mit unterschiedlichen Größen verglichen: der Merkmalsatz vom Institut für Signalverarbeitung und Systemtheorie sowie standardisierte Merkmalsätze von acht Wettbewerben, in denen paralinguistische Informationen erkannt werden sollten. Die Frageist, ob es einen Zusammenhang zwischen der Größe eines Merkmalsatzes und der Leistungsfähigkeit gibt. Die Merkmalsätze werden sowie mit auch als ohne Merkmalsauswahl (SFFS) in Kombination mit dem Naiven Bayes Klassifizierer, k-Nächste-Nachbarn Klassifizierer und einer Support Vector Machine untersucht. Das Ziel dieser Arbeit ist, die Merkmale zu finden, die bei den besten Merkmalsätzen am häufigsten ausgewählt wurden. Seller Inventory # 9783656972280
Quantity: 1 available