根据给定文件信息，我们可以提炼出以下知识点：
标题：感情识别论文
描述：在该研究中，为了提升情感语音识别的正确率，研究人员深入探讨了声学参数中的统计特征与时序特征如何在区分不同情感中发挥作用，并且提出了一种结合这两种特征的情感识别方法。系统首先提取了基本的韵律参数和频谱参数，然后采用概率神经网络（PNN）来建模统计特征，使用隐马尔可夫模型（HMM）来建模时序特征。在对特征进行概率建模后，研究者利用求和和乘积规则将来自不同特征组的概率相结合，以做出最终决策。通过在中文语音语料库上的实验，研究人员展示了统计特征和时序特征如何反映情感的不同方面。由特征融合得到的准确率比单独使用任一特征组得到的准确率高出2%以上，最高可达到92.9%。
知识点：
1. 情感识别（Emotion Recognition）：情感识别是指识别和解析人的情绪状态，通常是通过分析语音、面部表情、生理信号等多模态信息来实现。
2. 声学参数（Acoustic Parameters）：在语音处理领域，声学参数是分析语音信号时使用的基本参数，它们可以表征语音的韵律、音质等特征。
3. 韵律参数（Prosody Parameters）：这些参数与语音的韵律结构相关，如语调、重音、停顿等，它们对于传达情感至关重要。
4. 频谱参数（Spectral Parameters）：频谱参数涉及声音信号的频率分布，通常由梅尔频率倒谱系数（MFCC）等特征来表示，对于区分不同语音特征十分有用。
5. 统计特征（Statistical Features）：这些特征指的是从语音信号中提取出的能够反映统计分布规律的特征，如均值、方差等。
6. 时序特征（Temporal Features）：时序特征描述的是随时间变化的信号特性，对于分析动态语音过程（如语速变化、语调升降等）非常重要。
7. 概率神经网络（PNN, Probabilistic Neural Network）：这是一种用于模式识别的人工神经网络，它基于贝叶斯决策理论，可以处理非线性分类问题。
8. 隐马尔可夫模型（HMM, Hidden Markov Model）：这是一种统计模型，用于描述一个含有隐含未知参数的马尔可夫过程，常用于语音识别、生物信息等领域。
9. 概率建模（Probabilistic Modeling）：在情感识别中，通过构建统计模型来评估不同特征组合出现的概率，用于识别语音信号中蕴含的情感。
10. 特征融合（Feature Fusion）：将不同来源的特征信息组合起来，以提高识别任务的准确性和可靠性。
11. 中文语音语料库（Chinese Speech Corpus）：用于语音识别研究的大量中文语音样本，这些语料库用于训练和测试语音识别系统。
12. 模式识别（Pattern Recognition）：这是一种技术，用于识别数据中的模式和规律，可以应用于声音、图像等多种类型的信号处理。
13. 情感信息处理（Emotion Information Processing）：涉及计算机处理与情感相关的信息，目的是使计算机能够理解、识别和响应人的情绪。
通过这些知识点，我们可以更深入地理解情感识别的理论基础和技术实现，以及在此领域内研究的方向和进展。
