基于SVM主動學(xué)習(xí)的音樂分類.pdf

1、近年來互聯(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)正式開始步入大數(shù)據(jù)時代，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)量增長迅速的數(shù)字音樂，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，這就要求音樂檢索系統(tǒng)更加高效和快速。然而傳統(tǒng)的音樂分類都是先訓(xùn)練音樂樣本得到

2、分類模型，然后對未知的音樂樣本進(jìn)行預(yù)測，這種傳統(tǒng)的分類方法所得到的分類器效果往往取決于訓(xùn)練樣本的數(shù)量。對海量的訓(xùn)練樣本全部進(jìn)行人工標(biāo)注顯然是不現(xiàn)實的，主動學(xué)習(xí)方法可以很好的解決這個問題。
　　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，本文將主動學(xué)習(xí)方法與SVM相結(jié)合，并將其應(yīng)用于音樂流派分類當(dāng)中。傳統(tǒng)的基于SVM的主動學(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

3、超平面最近的樣本點所包含的價值也就最大?；谶@種算法本文做出了如下改進(jìn)：
　　（1）在選取最有價值樣本時，考慮選取那些距離分類超平面較近的樣本的同時也考慮保證樣本的多樣性。由于音樂樣本的特征維度較高，本文選取樣本之間的角度來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值評判標(biāo)準(zhǔn)score；
　　（2）“一對其余”方法是SVM應(yīng)用于多分類時的常用方法，然而這個方法人為的造成了數(shù)據(jù)集的偏斜，這會對最后的分類效果產(chǎn)生一定的影