支持向量機(jī)集成及在音樂分類中的應(yīng)用.pdf

1、隨著通信技術(shù)和計(jì)算機(jī)技術(shù)，尤其是Internet的飛速發(fā)展，各種各樣的信息成幾何級數(shù)增長，人們也更有機(jī)會(huì)接觸到大量的多媒體內(nèi)容，如圖像、視頻、音頻等。這些多媒體數(shù)據(jù)已經(jīng)逐漸成為信息處理領(lǐng)域中主要的信息媒體形式。但是隨著數(shù)據(jù)量的快速增長，如何自動(dòng)的對這些內(nèi)容進(jìn)行管理就成為了一個(gè)突出的問題。特別是對于身邊日益繁多的海量音樂信息，人們要求有快速高效的方法對它們進(jìn)行分類管理(根據(jù)音樂流派或演唱者等)。 音樂的自動(dòng)分類實(shí)質(zhì)是語音信號識別問

2、題，一直以來都得到了人們的重視和研究。盡管隨著語音識別技術(shù)的發(fā)展，許多新的方法都被應(yīng)用到音樂分類這一領(lǐng)域來，卻由于音樂的多樣性和不確定性，使其離大規(guī)模的實(shí)際應(yīng)用尚有一段距離。目前大部分的音頻音樂分類算法都包含了兩個(gè)階段：特征提取階段和分類階段。許多音樂特征可用于實(shí)現(xiàn)這一算法，包括時(shí)域的短時(shí)能量、短時(shí)過零率等，頻域的帶寬、譜質(zhì)心等，還有基于聽覺感受的MFCC(Mel-frequency cepstral coefficients)系數(shù)等。

3、而分類算法可利用模式識別和模式分類中的大量現(xiàn)存的高效算法，例如CMM(高斯混合模型)、NN(神經(jīng)網(wǎng)絡(luò))、HMM(隱馬爾可夫模型)等等。 面對如此多的特征和分類算法，如何組合它們來得到較好的分類精確率，是否有可能對某些特征進(jìn)行預(yù)處理來提高分類精確率，或是根據(jù)音樂分類的特殊性對分類器進(jìn)行優(yōu)化來取得高精確率?為了解決這個(gè)問題，本文在大量現(xiàn)存的音樂分類算法的基礎(chǔ)上，提出了一種與支持向量機(jī)集成技術(shù)相結(jié)合的新的音樂分類算法及結(jié)構(gòu)。

4、自Vapnik于1995年提出支持向量機(jī)(Support Vector Machines,SVM)后，支持向量機(jī)已經(jīng)在很多領(lǐng)域得到了成功的應(yīng)用。它以統(tǒng)計(jì)學(xué)習(xí)理論(StatisticalLearning Theory,SLT)為基礎(chǔ)，具有簡潔的數(shù)學(xué)形式、標(biāo)準(zhǔn)的訓(xùn)練方法和良好的泛化性能，已廣泛應(yīng)用于模式識別、函數(shù)估計(jì)和時(shí)間序列預(yù)測及分類問題中。但在SVM的研究中仍然存在許多問題尚待解決，例如：模型選擇問題、針對大規(guī)模訓(xùn)練集的學(xué)習(xí)效率問題等。

5、目前，在SVM的學(xué)習(xí)訓(xùn)練過程中，幾乎所有研究都以單個(gè)支持向量機(jī)作為訓(xùn)練器，關(guān)于SVM的多學(xué)習(xí)器學(xué)習(xí)方法研究甚少。集成學(xué)習(xí)(Ensemble Leaming)技術(shù)作為一種有效的多學(xué)習(xí)器學(xué)習(xí)方法已獲得許多有價(jià)值的結(jié)果，將集成學(xué)習(xí)技術(shù)引入到SVM學(xué)習(xí)中，可以更好地提高SVM的泛化能力，因此，基于集成學(xué)習(xí)的SVM學(xué)習(xí)方法研究成為目前SVM研究中一個(gè)重要的方向。 本文系統(tǒng)地研究了SVM集成學(xué)習(xí)方法及音樂分類的原理、方法與技術(shù)，對現(xiàn)有的支持