• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文学位 >一种基于线性判别分析和支持向量机的音乐分类方法
【6h】

一种基于线性判别分析和支持向量机的音乐分类方法

代理获取
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

随着互联网络以及广播技术的发展，人们有机会接触到大量的多媒体内容。但是随着数据量的快速增长，如何自动的对这些内容进行管理就成为了一个突出的问题。特别对于身边种类繁多的音乐信号，人们要求有快速高效的方法对它们进行分类管理（根据不同风格或演唱者等），本论文就是希望找到一种较好的算法来解决这个问题。 本文在现有音乐分类系统的基础上，提出了一种改进的音乐分类结构，在原来的结构中加入了线性判别分析（LDA）降维模块对所提取的高维特征向量进行降维，并在最终的分类阶段使用支持向量机（SVM）分类器，并使用Matlab软件对最终的分类结果进行了仿真。 目前大部分的音频音乐分类算法都包含了两个阶段：特征提取阶段和分类阶段。许多音乐特征可用于实现这一算法，包括时域的短时能量、短时过零率等，频域的带宽、谱质心等，还有基于听觉感受的MFCC(Mel-frequency cepstral coefficients)系数等。而分类算法可利用模式识别和模式分类中的大量现存的高效算法，例如GMM（高斯混合模型）[29]、NN（神经网络）、HMM（隐马尔可夫模型）等等。 面对如此多的特征和分类算法，如何组合它们来得到较好的分类精确率，是否有可能对某些特征进行预处理来提高分类精确率，或是根据音乐分类的特殊性对分类器进行优化来取得高精确率。为了解决这个问题，本文在大量现存的音乐分类算法的基础上，提出了一种新的音乐分类结构。 现存的音乐分类方法都将特征提取和分类这两个阶段孤立开来，提取的特征直接交由分类器进行分类，没有考虑到当前提取的音乐特征并不是最有利于分类的特征（特征向量代表的特征点在高维空间中的可分度并不是最高的），有可能通过一定的线性或非线性变换得到可分度更高的音乐特征。本文设计了一种新的音乐分类方法，该方法充分考虑了信号特征的可分类特性。在音乐特征提取阶段，首先使用傅立叶变换等方法从每一段音乐中提取各项音频特征，包括Mel倒谱系数、基音频率、频带能量及频带带宽等等，并将它们按比例组成一个高维向量；在将这些音乐特征交由分类器进行分类之前，使用线性判别分析（LDA）对这些高维向量进行降维，使得各类音乐的类间离散度与类内离散度的比值最大，即得到了最有利于分类的特征；最后在音乐分类阶段，使用当前热门的支持向量机（SVMs）分类器对降维后的特征进行分类。 论文对所提出的算法进行了大量的数值实验和性能测试，实验中采用的音乐数据库包括流行音乐、民歌、古代器乐、戏曲和语音五个类别。实验中对不同的分类器针对不同特征集进行分类的结果进行了仿真，仿真结果不但验证了使用线性判别分析（LDA）后音乐分类的最终精确度有了较大的提高（最高可达93.05％），而且也显示了SVMs在分类问题上相对于其它分类器的优势。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号