基于ATT-LSTM的语音情感识别系统设计与优化

1. 项目概述：基于ATT-LSTM的语音情感分类系统设计

语音情感识别（SER）作为多模态人机交互的核心技术，近年来在智能客服、心理健康监测等领域展现出巨大潜力。这个毕业设计项目采用ATT-LSTM（Attention-based Long Short-Term Memory）神经网络架构，通过融合注意力机制与LSTM时序建模优势，实现了对语音信号中愤怒、快乐、悲伤等八类情感的自动分类。实测在RAVDESS数据集上达到87.2%的加权准确率，相比传统LSTM模型提升6.8个百分点。

作为深度学习领域的典型应用，该项目完整覆盖了从特征工程到模型部署的全流程：首先通过Librosa工具包提取MFCC、谱质心等声学特征，接着构建双向LSTM网络捕获长时依赖关系，最后引入注意力层动态聚焦关键帧。特别在数据增强环节，采用速度扰动（speed perturbation）和添加背景噪声相结合的策略，有效缓解了训练样本不足的问题。

提示：选择RAVDESS数据集因其包含24名专业演员录制的1440条标准化语音样本，情感标签经过心理学专家验证，相比IEMOCAP等数据集更适合作教学演示。

2. 核心算法解析

2.1 ATT-LSTM网络架构设计

模型采用Encoder-Decoder结构，其中Encoder部分包含：

• 输入层：接收80维MFCC特征向量（帧长25ms，步长10ms）
• 双向LSTM层：2层512单元，前向与反向输出拼接形成1024维特征
• Attention层：计算能量分数$e_{ti}=v_a^T \tanh(W_a h_t + U_a s_{i-1} + b_a)$
• 上下文向量：$c_i=\sum_{t=1}^T \alpha_{ti} h_t$，$\alpha_{ti}=\text{softmax}(e_{ti})$

python复制class AttLSTM(nn.Module):
    def __init__(self):
        super().__init__()
        self.lstm = nn.LSTM(input_size=80, hidden_size=512, 
                           num_layers=2, bidirection