1.基于注意力机制的特征融合用于语音情感识别的方法，其特征在于：实现包括以下步骤：步骤一：情感特征提取

提取MFCC特征和韵律特征P；

步骤二：数据预处理

①、统计提取的MFCC特征中每个句子的时间步{Ln|L1,L2,…,Ln,n∈N+},其中Ln表示每个句子经过特征提取后的时间步，n表示句子数量；

②、计算时间步的平均长度和时间步的标准差；

平均长度

标准差

③、统一每个句子的时间步时间步Tn＝Lave+Lsta④、填充，裁减每个句子

每个句子都和时间步Tn比较，如果大于Tn，则裁减大于Tn部分；当小于Tn使用零去填充，使之等于Tn，最后的得到的数据为{XT|X1,X2,…,XT,T∈N}，其中XT表示一个句子，T表示每个句子的时间步，其中T＝750；

步骤三：建立基于注意力机制的长短期记忆网络解码器①、长短期记忆网络解码

HT＝LSTM(XT),T∈{0,1,…,750}其中HT为长短期记忆网络的隐藏状态；

②、注意力加权

f(HT)＝tanh(wTHT+b)vT＝softmax(f(HT))eT＝vTHT

其中最后输出eT为加权后的三维矩阵，w和b为可训练参数，vT为中间变量，f(·)为相关度函数；

步骤四：建立基于注意力机制的时间卷积网络解码器①、时间卷积网络解码

CT＝TCN(XT，k，hd),其中CT为时间卷积网络解码的三维向量，k为卷积核大小，hd为隐藏层大小，d为TCN的隐藏层数；

②、注意力加权

f(CT)＝tanh(wTCT+b)aT＝softmax(f(CT))其中sT为注意力加权后的二维向量，w和b为可训练参数，aT为中间变量；

步骤五：建立基于注意力机制的特征融合层DT＝matmul(eT,sT)AT＝softmax(DT)其中WT为非线性融合后的特征，DT表示eT与sT的相关度函数，AT为中间变量；

步骤六：建立输出层

y＝softmax(concat(WT,sT,P)M+b)其中P为韵律特征，y为最后输出结果，M和b为网络的可训练参数。