1.一种基于时频特征分离式transformer交叉融合架构的语音情感识别方法，其特征在于，包括如下步骤：
S1、对原始语音信号进行预处理，将所述原始语音信号转换为相应的特征表示，包括语谱图和音频梅尔频率倒谱系数；
S2、从所述特征表示中进行特征提取，使用两条支路提取特征，其中一条支路通过时频分离式transformer交叉融合架构提取特征，另一条支路通过扩张因果卷积网络提取特征；
S3、进行特征融合，使用transformer的多头自注意力机制来动态地融合时频分离式transformer交叉融合架构和扩张因果卷积输出特征；
S4、输出结果，使用输出层来对所述时频分离式transformer交叉融合架构的输出进行分类或回归，以使所述时频分离式transformer交叉融合架构适应训练数据，并对任务进行预测或分类。
2.根据权利要求1所述的基于时频特征分离式transformer交叉融合架构的语音情感识别方法，其特征在于，所述步骤S2中的一条支路使用所述时频分离式transformer交叉融合架构提取特征具体包括以下步骤：
S21、使用水平方向的transformer和垂直方向的transformer来分别提取时域和频域的特征，之后再将两个transformer的Query矩阵交换，与原先的两路输出形成共四路不同的自注意力输出，并进行concat拼接；
k
S22、将时域上的投影标记分离为数据子样本，其可表示为T:,j＝[T1,j,T2,j,…,Tk,j]∈R×d
，从而得到一批n个数据样本，其中每个数据样本由k个token组成；同时，将类令牌T[CLS]∈k×d
R 复制n次，并对每个数据样本T:,j添加一个副本，每个标记都添加一个可学习的位置嵌入；
S23 、将频 域上的 投影标 记分离 为数据 子样本 ，其可 表示为
从而得到一批n个数据样本，其中每个数据样本由i个token
组成；同时，对于垂直transformer，复制类令牌 k次，并为每个数据样本 添加一个副本。
3.根据权利要求2所述的基于时频特征分离式transformer交叉融合架构的语音情感识别方法，其特征在于，所述步骤S2还包括以下步骤：
S24、分离式交叉融合transformer模块，在水平方向的transformer和垂直方向的m×d
transformer内部执行的操作包括：设为X∈R ，表示m个令牌的序列，即T:,j或 其中m∈{k,n}，d是每个令牌的嵌入维数，设f为多头注意层，g为多层感知器，范数为归一化层，P,Rm×d
∈R 为辅助张量；
所述transformer模块的表达形式如下：
P＝f(norm(X))+X；
R＝g(norm(P))+P；
所述transformer模块配置为根据全局上下文信息对每个实体进行编码来捕获所有m个实体之间的交互，通过多头注意力层f实现该目的；所述多头注意力层f用于从输入序列X中推导出Q，K，V的值，所述多头注意力层f包括三个可学习的权重矩阵
其中dq＝dqk；输入序列X首先投射到所述
权重矩阵后分别得到：
Q K V
Q＝X·W，K＝X·W，V＝X·W；
自注意力的输出 表达为以下公式：
`
其中K是K的转置，则通过水平transformer得到的三个可学习的权重矩阵分别记为Q1，K1，V1，通过垂直transformer得到的三个可学习的权重矩阵分别记为Q2，K2，V2；此时，由于Query矩阵是用于计算当前位置语音与其他非当前位置语音的关联度，可以交换两个transformer得到Query矩阵，即得到Q2，K1，V1和Q1，K2，V2；即可得到四个自注意力的输出：
Z1，Z2，Z3，Z4，分别为：
将四个所述自注意力的输出Z1，Z2，Z3，Z4使用concat拼接特征，得到总的输出Z＝concat(Z1，Z2，Z3，Z4)。
4.根据权利要求1所述的基于时频特征分离式transformer交叉融合架构的语音情感识别方法，其特征在于，所述步骤S2中一条支路使用分离式transformer架构并加入随机掩码模块，具体包括：
S25、在语音频谱transformer的预训练中，使用固定长度的10s音频，并将其转换为大小为1024×128的频谱图，所述语音频谱transformer将频谱图分成512个16×16patch，其中8个在频率维度，64个在时间维度；所述语音频谱transformer配置为在预训练期间对单个的频谱图patch添加掩码，以使所述时频分离式transformer交叉融合架构学习输入数据的时间和频率结构；其中，在水平方向的transformer中随机添加垂直方向的条状掩码，以增强所述时频分离式transformer交叉融合架构学习频率特征，在垂直方向的transformer中随机添加水平方向的条状掩码，以增强所述时频分离式transformer交叉融合架构学习时间特征。
5.根据权利要求1所述的基于时频特征分离式transformer交叉融合架构的语音情感识别方法，其特征在于，所述步骤S2中的一条支路使用扩张因果卷积网络与LSTM网络并联来提取有用的特征，具体包括：将输入的语音片段提取出所述音频梅尔频率倒谱系数的特征后，送入一个由扩张因果卷积网络与LSTM网络并联形成的网络；所述扩张因果卷积网络属于CNN网络，其中，因果卷积用以保留从前往后的神经元链接，以使网络满足时间上的前后依赖原则；扩张卷积用以扩大感受；使用所述因果卷积，将对序列问题抽象为：根据x1,x2…,xt和y1,y2…,yt‑1去预测yt，使得yt接近于实际值，其公式为：
6.根据权利要求5所述的基于时频特征分离式transformer交叉融合架构的语音情感识别方法，其特征在于，所述LSTM网络是一种特殊的循环神经网络，所述LSTM网络中包括输入门、遗忘门和输出门，LSTM网络配置为处理长序列，以避免训练过程中的梯度消失和梯度爆炸问题，实现对长序列的建模；所述LSTM网络中的每个神经元都有一个状态向量和一个输出向量，状态向量用于存储过去的信息，输出向量用于输出当前的信息，在每个时间步，LSTM网络会根据当前的输入和前一个时间步的状态向量，计算出所述输入门、遗忘门和输出门的输出，并根据所述输入门、遗忘门和输出门的输出来更新状态向量和输出向量，其中，所述输入门用于控制当前输入的重要性，所述遗忘门用于控制过去状态的重要性，所述输出门用于控制当前输出的重要性。