支持向量機集成及在音樂分類中的應用.pdf

1、隨著通信技術和計算機技術，尤其是Internet的飛速發(fā)展，各種各樣的信息成幾何級數增長，人們也更有機會接觸到大量的多媒體內容，如圖像、視頻、音頻等。這些多媒體數據已經逐漸成為信息處理領域中主要的信息媒體形式。但是隨著數據量的快速增長，如何自動的對這些內容進行管理就成為了一個突出的問題。特別是對于身邊日益繁多的海量音樂信息，人們要求有快速高效的方法對它們進行分類管理(根據音樂流派或演唱者等)。 音樂的自動分類實質是語音信號識別問

2、題，一直以來都得到了人們的重視和研究。盡管隨著語音識別技術的發(fā)展，許多新的方法都被應用到音樂分類這一領域來，卻由于音樂的多樣性和不確定性，使其離大規(guī)模的實際應用尚有一段距離。目前大部分的音頻音樂分類算法都包含了兩個階段：特征提取階段和分類階段。許多音樂特征可用于實現這一算法，包括時域的短時能量、短時過零率等，頻域的帶寬、譜質心等，還有基于聽覺感受的MFCC(Mel-frequency cepstral coefficients)系數等。

3、而分類算法可利用模式識別和模式分類中的大量現存的高效算法，例如CMM(高斯混合模型)、NN(神經網絡)、HMM(隱馬爾可夫模型)等等。 面對如此多的特征和分類算法，如何組合它們來得到較好的分類精確率，是否有可能對某些特征進行預處理來提高分類精確率，或是根據音樂分類的特殊性對分類器進行優(yōu)化來取得高精確率?為了解決這個問題，本文在大量現存的音樂分類算法的基礎上，提出了一種與支持向量機集成技術相結合的新的音樂分類算法及結構。

4、自Vapnik于1995年提出支持向量機(Support Vector Machines,SVM)后，支持向量機已經在很多領域得到了成功的應用。它以統(tǒng)計學習理論(StatisticalLearning Theory,SLT)為基礎，具有簡潔的數學形式、標準的訓練方法和良好的泛化性能，已廣泛應用于模式識別、函數估計和時間序列預測及分類問題中。但在SVM的研究中仍然存在許多問題尚待解決，例如：模型選擇問題、針對大規(guī)模訓練集的學習效率問題等。

5、目前，在SVM的學習訓練過程中，幾乎所有研究都以單個支持向量機作為訓練器，關于SVM的多學習器學習方法研究甚少。集成學習(Ensemble Leaming)技術作為一種有效的多學習器學習方法已獲得許多有價值的結果，將集成學習技術引入到SVM學習中，可以更好地提高SVM的泛化能力，因此，基于集成學習的SVM學習方法研究成為目前SVM研究中一個重要的方向。 本文系統(tǒng)地研究了SVM集成學習方法及音樂分類的原理、方法與技術，對現有的支持