VC维理论和结构风险最小化准则是统计学习理论中的重要内容,基于这一理论的支持向量机算法由于具有好的泛化性能受到重视,并被研究用于文本分类问题.基于多项式核的研究工作认为SVM的泛化能力不受多项式阶数的影响,并且能够处理很高维的分类问题,用于文本分类无需进行特征选择.研究发现,随着多项式核阶数的升高,SVM文本分类器会出现过学习现象,并且特征数越多越明显,特征选择是必需的.通过估计函数集的VC维,基于结构风险最小化理论对此问题进行分析,得出的结论跟实验结果相符.

本实验语音库为免费的柏林情感语音库，其采样频率为16KHZ，16bit量化。该语音库共有500 句情感语音信号，分别由十名专业演员(5 男，5 女)在不同情感状态下（高兴、愤怒、平静、悲伤、害怕、厌烦、憎恨）朗读十句不同文本的德语组成。本实验选取其中的部分情感（高兴、愤怒、悲伤）加以识别。仿真实验环境为MATLAB7.0。 实验选取的情感特征为短时平均能量、短时平均幅度、基频和短时过零率。为了降低不同人在表达不同情感时的个人差异造成的影响，本文实验过程中将提取的情感特征进行归一化处理。归一化