發(fā)布時(shí)間：2018-06-19 22:15

  本文選題：音樂分類 + 支持向量機(jī)��； 參考：《南京郵電大學(xué)》2017年碩士論文

【摘要】：近年來,在互聯(lián)網(wǎng)和多媒體信息技術(shù)快速發(fā)展的大環(huán)境下,人類已經(jīng)步入前所未有的大數(shù)據(jù)時(shí)代,隨之而來的就是海量的多媒體資源,其中就包含受眾廣泛的數(shù)字音樂。世界文化的多元化和大融合,使得音樂呈現(xiàn)出數(shù)量龐大、種類繁多、風(fēng)格不一的特點(diǎn)。同時(shí),對于聽眾來說,由于審美層次和文化背景的不同,并非所有風(fēng)格的音樂都是滿足他們喜好的音樂,這就要求音樂檢索系統(tǒng)具備快速高效的分類能力。然而,傳統(tǒng)的音樂檢索系統(tǒng)的性能在很大程度上依賴于人工標(biāo)注的訓(xùn)練樣本。在當(dāng)今這個(gè)數(shù)據(jù)量呈在線式增長的大數(shù)據(jù)時(shí)代,標(biāo)注海量樣本的做法顯然是不現(xiàn)實(shí)的,依靠少量人工標(biāo)注樣本訓(xùn)練得到的分類器的泛化性能也會很差。因此,研究如何設(shè)計(jì)學(xué)習(xí)速度快、分類準(zhǔn)確率高的音樂檢索系統(tǒng),具有非常重要的實(shí)用價(jià)值和現(xiàn)實(shí)意義。本文首先介紹了課題的研究背景,對音樂分類的國內(nèi)外研究現(xiàn)狀進(jìn)行了分析;接著從歷史訓(xùn)練樣本集和新增訓(xùn)練樣本集兩個(gè)方面,對傳統(tǒng)的基于SVM的增量學(xué)習(xí)算法進(jìn)行了研究。在分析該算法在這兩方面存在的不足的基礎(chǔ)上,提出一種改進(jìn)的基于SVM的增量式分類算法:針對歷史訓(xùn)練樣本集,引入包含更多分類信息的殼向量,代替?zhèn)鹘y(tǒng)算法所使用的支持向量;針對帶有類別標(biāo)簽的新增訓(xùn)練樣本集,提出基于KKT條件的差錯(cuò)控制策略,以此來選擇最具代表性的樣本參與訓(xùn)練。同時(shí),為了使得算法更好地適應(yīng)現(xiàn)實(shí)應(yīng)用場景,針對大量沒有類別標(biāo)簽的新增樣本集,為了減少人工標(biāo)注的成本,本文引入主動(dòng)學(xué)習(xí)算法,提出一種綜合考慮樣本不確定性和多樣性的價(jià)值樣本選擇策略,并將其應(yīng)用于前文提出的增量式學(xué)習(xí)算法。仿真實(shí)驗(yàn)結(jié)果表明,算法在大大減少增量學(xué)習(xí)成本的同時(shí),還保證了較高的分類準(zhǔn)確率和較好的泛化性能。本文通過對傳統(tǒng)的基于SVM的增量學(xué)習(xí)算法的分析,提出了相應(yīng)的改進(jìn)方案,并將其應(yīng)用于音樂的自動(dòng)分類,這對于未來關(guān)于音樂分類的研究工作具有一定的參考價(jià)值和現(xiàn)實(shí)意義。
[Abstract]:In recent years, with the rapid development of Internet and multimedia information technology, mankind has entered an unprecedented era of big data, followed by a large number of multimedia resources, including a wide range of digital music. The diversity and amalgamation of world culture make music present the characteristics of large quantity, various kinds and different styles. At the same time, for the audience, due to the different aesthetic level and cultural background, not all styles of music is to meet their preferences, which requires a rapid and efficient music retrieval system. However, the performance of traditional music retrieval systems depends largely on manual training samples. In the age of big data, where the amount of data is growing in line, the method of tagging massive samples is obviously unrealistic, and the generalization performance of classifier trained by a small number of manual labeled samples will be very poor. Therefore, it is of great practical value and practical significance to study how to design a music retrieval system with high learning speed and high classification accuracy. This paper first introduces the research background of the subject and analyzes the current research situation of music classification at home and abroad. Then the traditional incremental learning algorithm based on SVM is studied from the historical training sample set and the new training sample set. Based on the analysis of the shortcomings of this algorithm, an improved incremental classification algorithm based on SVM is proposed. For the historical training sample set, a shell vector containing more classification information is introduced. Instead of the support vector used in the traditional algorithm, an error control strategy based on KKT condition is proposed for the new training sample set with class label to select the most representative samples to participate in the training. At the same time, in order to better adapt the algorithm to the practical application scenarios, aiming at a large number of new sample sets without class labels, in order to reduce the cost of manual tagging, this paper introduces an active learning algorithm. A value sample selection strategy considering the uncertainty and diversity of samples is proposed and applied to the incremental learning algorithm proposed in this paper. The simulation results show that the algorithm not only reduces the incremental learning cost but also ensures higher classification accuracy and better generalization performance. Based on the analysis of the traditional incremental learning algorithm based on SVM, this paper puts forward the corresponding improvement scheme, and applies it to the automatic classification of music. This has certain reference value and practical significance for the future research on music classification.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN912.3;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 樓俊鋼;蔣云良;申情;江建慧;;軟件可靠性預(yù)測中不同核函數(shù)的預(yù)測能力評估[J];計(jì)算機(jī)學(xué)報(bào);2013年06期

2 劉盼盼;李雷;;SVM圖像分割中最優(yōu)權(quán)值組合核函數(shù)的研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年03期

3 范會敏;王浩;;模式識別方法概述[J];電子設(shè)計(jì)工程;2012年19期

4 劉康;錢旭;王自強(qiáng);;主動(dòng)學(xué)習(xí)算法綜述[J];計(jì)算機(jī)工程與應(yīng)用;2012年34期

5 于文華;;基于數(shù)學(xué)問題解決的模式識別研究述評[J];數(shù)學(xué)教育學(xué)報(bào);2012年03期

6 吳閱帆;;基于內(nèi)容的音樂信息檢索[J];信息與電腦(理論版);2011年12期

7 龍軍;殷建平;祝恩;蔡志平;;選取最大可能預(yù)測錯(cuò)誤樣例的主動(dòng)學(xué)習(xí)算法[J];計(jì)算機(jī)研究與發(fā)展;2008年03期

8 解洪勝;張虹;;基于支持向量機(jī)的圖像檢索主動(dòng)學(xué)習(xí)方法[J];山東師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年04期

9 申曉勇;雷英杰;史朝輝;王堅(jiān);呼瑋;;一種SVM增量學(xué)習(xí)淘汰算法[J];計(jì)算機(jī)工程與應(yīng)用;2007年06期

10 孫功星;戴貴亮;;神經(jīng)網(wǎng)絡(luò)主動(dòng)學(xué)習(xí)的進(jìn)化算法[J];計(jì)算機(jī)科學(xué);2002年10期

相關(guān)博士學(xué)位論文 前1條

1 薛貞霞;支持向量機(jī)及半監(jiān)督學(xué)習(xí)中若干問題的研究[D];西安電子科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前6條

1 甘蘇婷;基于信息熵的數(shù)據(jù)挖掘算法在決策支持系統(tǒng)中的改進(jìn)研究[D];吉林大學(xué);2015年

2 李靖;IPTV平臺下新媒體用戶行為挖掘分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];云南大學(xué);2015年

3 許鈺;基于半監(jiān)督SVM主動(dòng)學(xué)習(xí)的文本分類算法研究[D];蘭州交通大學(xué);2013年

4 蘇啟院;基于內(nèi)容的音樂檢索關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2011年

5 趙國化;小型數(shù)字音樂圖書館的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2011年

6 周艷麗;基于主動(dòng)學(xué)習(xí)SVM的智能車輛障礙物檢測[D];南京理工大學(xué);2008年

，

本文編號：2041530