基于多尺度CNN和Transformer融合的语音情感识别方法

本发明提供一种基于多尺度CNN和Transformer融合的语音情感识别方法，包括如下步骤：对原始语音信号进行预处理，添加AWGN进行数据增强提取MFCC特征图；将MFCC特征图输入多尺度CNN，通过不同尺寸的卷积核提取局部频谱特征；将MFCC特征图输入Transformer编码器，提取全局时序依赖特征；将生成的局部和全局特征输入交叉注意力加权融合模块，生成联合特征表示，输入全连接分类器，采用Softmax函数计算情感类别概率分布，输出最终情感识别结果。本发明提供的基于多尺度CNN和Transformer融合的语音情感识别方法，通过CNN与Transformer结合的并行架构，兼顾局部频域特征和全局时序依赖的提取能力；引入交叉注意力加权融合，动态调整局部频域特征与全局时序特征的权重配比，有效提升情感识别的准确性和鲁棒性。