基于支持向量机的音乐自动分类
【摘要】：音乐分类实质上是音频分类的一个分支,现已逐渐成为模式识别领域的一个研究热点,其研究发展方向大体可以归纳为以下三个方面:一是在音乐特征提取的方法和特征向量的组成上做改进;二是在分类器的选择上做改进;三是在解决多分类问题的方法上做改进。
本文采用SVM做分类器,对流行音乐、古典乐器、钢琴曲、民歌、美声、戏曲六种不同风格的音乐进行分类,实验所做的工作归纳如下:
第一,通过学习数字音频技术理论来掌握音频短时处理技术,结合实际对每个音乐样本进行预加重、分帧、加窗、判别静音帧等短时预处理,然后提取音乐样本的时、频域感知特征和基音频率特征;提取音乐样本的MFCC矩阵并求取该矩阵的统计特征。
第二,在深入理解SVM分类原理的基础上,比较标准SVM与变种SVM的优缺点,确定本实验采用标准SVM来进行分类;测试了MFCC维数、MFCC统计特征、MFCC与感知特性的各种组合方式对SVM分类器性能的影响,比较了同等条件下SVM与其它分类器的优势。
第三,研究多分类方法的应用,分析比较各种多类分类方法的优劣,提出了利用先验知识和树形结构相结合的方法构造多分类系统。用标准SVM对样本进行训练得到多个两类分类器,比较各分类器的分类精度,按照比较的结果对样本进行人为的最优聚类,再用树形非交叠结构构造多分类系统,最后测试得到较好的分类效果。
【关键词】：音乐分类 特征提取 支持向量机 多类分类 【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TP18;TP391.4
【目录】：
- 摘要3-4
- ABSTRACT4-8
- 第一章 绪论8-13
- 1.1 研究的背景与意义8-9
- 1.2 音乐分类发展的历史与现状9-11
- 1.3 本文的主要内容和结构安排11-13
- 第二章 支持向量机的基本理论13-27
- 2.1 统计学习理论13-15
- 2.2 支持向量机的分类基础15-25
- 2.2.1 线性可分与最优平面16-18
- 2.2.2 线性不可分与软间隔概念18-21
- 2.2.3 非线性与核函数21-25
- 2.3 支持向量机的优势和特点25-27
- 第三章 多分类问题和分类器集成方法27-35
- 3.1 多分类问题的解决思路27-28
- 3.2 多类分类器的分解组合方法28-31
- 3.3 树型多类分类方法31-35
- 第四章 音乐特征的提取35-55
- 4.1 信号预处理35-41
- 4.1.1 预加重36-37
- 4.1.2 分帧、加窗37-39
- 4.1.3 判别静音帧39-41
- 4.2 提取音乐样本的特征属性41-54
- 4.2.1 MFCC的提取41-45
- 4.2.2 基音周期特征的提取45-49
- 4.2.3 音乐信号的时域特征49-51
- 4.2.4 信号频域特征的提取51-54
- 4.3 音乐特征向量的构成54-55
- 第五章 基于SVM的音乐分类系统55-66
- 5.1 音乐样本的处理56-57
- 5.2 几种分类器性能的比较57-59
- 5.3 分类器实现及其组合59-66
- 第六章 总结与展望66-68
- 参考文献68-71
- 致谢71
|
|
|
|
| 1 |
董春曦,杨绍全,饶鲜,汤建龙;支持向量机推广能力估计方法比较[J];电路与系统学报;2004年04期 |
| 2 |
裴继红，范九伦，谢维信;一种新的高效软聚类方法:[J];电子学报;1998年02期 |
| 3 |
叶芗芸,戚飞虎,朱国霞;一种多级分类器集成的字符识别方法[J];电子学报;1998年11期 |
| 4 |
焦李成,张莉,周伟达;支撑矢量预选取的中心距离比值法[J];电子学报;2001年03期 |
| 5 |
李蓉
,叶世伟
,史忠植;SVM-KNN分类器——一种提高SVM分类精度的新方法[J];电子学报;2002年05期 |
| 6 |
李玉榕,陆向成,杨富文;一种基于Dempster-Shafer理论的分类器组合算法[J];福州大学学报(自然科学版);2002年03期 |
| 7 |
林鸿飞,战学刚,姚天顺;基于概念的文本结构分析方法[J];计算机研究与发展;2000年03期 |
| 8 |
张文生,王珏,戴国忠;支持向量机中引入后验概率的理论和方法研究[J];计算机研究与发展;2002年04期 |
| 9 |
刘学军,陈松灿,彭宏京;基于支持向量机的计算机键盘用户身份验真[J];计算机研究与发展;2002年09期 |
| 10 |
刘向东,陈兆乾;一种快速支持向量机分类算法的研究[J];计算机研究与发展;2004年08期 |
|
手机打开
快捷付款方式
订购知网充值卡
订购热线
帮助中心