| DC Field | Value | Language |
|---|
| dc.contributor.author | Краснопрошин, Д. В. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2023-08-25T08:52:54Z | - |
| dc.date.available | 2023-08-25T08:52:54Z | - |
| dc.date.issued | 2023 | - |
| dc.identifier.citation | Краснопрошин, Д. В. Распознавание эмоций с использованием кепстрального представления речевого сигнала и метода опорных векторов = Recognition of emotions using the cepstral representation of a speech signal and the support vector machine / Д. В. Краснопрошин // Компьютерные системы и сети : сборник статей 59-й научной конференции аспирантов, магистрантов и студентов, Минск, 17–21 апреля 2023 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2023. – С. 87–89. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/52611 | - |
| dc.description.abstract | Экспериментально исследуется возможность применения метода опорных векторов (МОВ) для классификации эмоций в человеческой речи. Представлен вариант реализации классификатора (на основе МОВ) с использованием линейной ядерной функции. Показано, что полученная модель позволяет определять эмоции с точностью до 85%. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | метод опорных векторов | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | цифровая обработка сигналов | en_US |
| dc.title | Распознавание эмоций с использованием кепстрального представления речевого сигнала и метода опорных векторов | en_US |
| dc.title.alternative | Recognition of emotions using the cepstral representation of a speech signal and the support vector machine | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The possibility of using the support vector machine (SVM) for the classification of emotions in human speech is
experimentally studied. A variant of the implementation of the classifier (based on SVM) using a linear kernel function is presented. It is shown that the resulting model allows you to classify emotions with an accuracy of up to 85%. | en_US |
| Appears in Collections: | Компьютерные системы и сети : материалы 59-й научной конференции аспирантов, магистрантов и студентов : сборник статей (2023)
|
