基于SVM主動(dòng)學(xué)習(xí)的音樂(lè)分類(lèi).pdf

1、近年來(lái)互聯(lián)網(wǎng)技術(shù)與多媒體信息技術(shù)的快速發(fā)展，宣告了二十一世紀(jì)正式開(kāi)始步入大數(shù)據(jù)時(shí)代，如何從海量的數(shù)據(jù)信息中檢索出有用的信息將非常具有研究意義?；ヂ?lián)網(wǎng)的多媒體信息中就包括數(shù)量增長(zhǎng)迅速的數(shù)字音樂(lè)，大量歌手涌現(xiàn)，海量專輯和網(wǎng)絡(luò)歌曲紛紛面世，另外受世界文化發(fā)展多元化的影響，各式各樣的音樂(lè)風(fēng)格也隨之產(chǎn)生，為滿足人們根據(jù)自己不同的喜好來(lái)準(zhǔn)確而又快速的找到自己想要查詢的歌曲，這就要求音樂(lè)檢索系統(tǒng)更加高效和快速。然而傳統(tǒng)的音樂(lè)分類(lèi)都是先訓(xùn)練音樂(lè)樣本得到

2、分類(lèi)模型，然后對(duì)未知的音樂(lè)樣本進(jìn)行預(yù)測(cè)，這種傳統(tǒng)的分類(lèi)方法所得到的分類(lèi)器效果往往取決于訓(xùn)練樣本的數(shù)量。對(duì)海量的訓(xùn)練樣本全部進(jìn)行人工標(biāo)注顯然是不現(xiàn)實(shí)的，主動(dòng)學(xué)習(xí)方法可以很好的解決這個(gè)問(wèn)題。
　　支持向量機(jī)（Support Vector Machine）是一種性能十分優(yōu)良的機(jī)器學(xué)習(xí)方法，本文將主動(dòng)學(xué)習(xí)方法與SVM相結(jié)合，并將其應(yīng)用于音樂(lè)流派分類(lèi)當(dāng)中。傳統(tǒng)的基于SVM的主動(dòng)學(xué)習(xí)方法的樣本選擇策略往往只局限于樣本的不確定性，即認(rèn)為距離分類(lèi)

3、超平面最近的樣本點(diǎn)所包含的價(jià)值也就最大?；谶@種算法本文做出了如下改進(jìn)：
　?。?）在選取最有價(jià)值樣本時(shí)，考慮選取那些距離分類(lèi)超平面較近的樣本的同時(shí)也考慮保證樣本的多樣性。由于音樂(lè)樣本的特征維度較高，本文選取樣本之間的角度來(lái)作為樣本多樣性的衡量標(biāo)準(zhǔn)，并由此制定了最終的樣本價(jià)值評(píng)判標(biāo)準(zhǔn)score；
　?。?）“一對(duì)其余”方法是SVM應(yīng)用于多分類(lèi)時(shí)的常用方法，然而這個(gè)方法人為的造成了數(shù)據(jù)集的偏斜，這會(huì)對(duì)最后的分類(lèi)效果產(chǎn)生一定的影