基于SVM的增量式音樂風(fēng)格分類研究.pdf

1、伴隨著互聯(lián)網(wǎng)時代的來臨,信息技術(shù)日新月異，因特網(wǎng)上的數(shù)據(jù)資源也得以飛速的增長，音樂正是海量數(shù)據(jù)中熱門的信息資源。隨著大眾審美的不斷提高以及變化迥異、風(fēng)格不一的音樂也越來越多，音樂檢索系統(tǒng)也應(yīng)該更加高效和功能多樣化。但是傳統(tǒng)的音樂分類系統(tǒng)在訓(xùn)練初期往往需要足夠完善的音樂樣本，且并不能隨著各式各樣新增音樂樣本的加入而有效調(diào)整。在實際情況中，分類識別過程通常面對的是不斷演化的新數(shù)據(jù)，初始得到的訓(xùn)練樣本集不可能反映全部的樣本信息。于是，本文旨在

2、研究增量學(xué)習(xí)技術(shù)，設(shè)法讓音樂分類系統(tǒng)隨著音樂數(shù)據(jù)的新增而不斷優(yōu)化，使之能對這些海量音樂進行有效分類管理，使之便捷又準確地被人們按照自己的喜樂進行快速檢索。
　　支持向量機正是近幾年異?；馃峋哂袃?yōu)良性能的機器學(xué)習(xí)方法，本文在已有研究的基礎(chǔ)上，根據(jù)增量數(shù)據(jù)集是否帶有標簽，分兩種情況對基于SVM的增量式音樂風(fēng)格分類系統(tǒng)進行探索，主要研究內(nèi)容如下：
　?。?）在增量數(shù)據(jù)集是全部帶有標簽的情況下，本文引入凸包向量的求解，減少了初始樣本

3、的訓(xùn)練時間。然后根據(jù)差錯推動策略，提出了一種基于凸包向量和差錯推動策略的增量學(xué)習(xí)算法，能有效篩選歷史有用信息同時，剔除新增樣本中無用信息，減少增量學(xué)習(xí)的訓(xùn)練時間，保持良好的精度和性能。
　　（2）在增量數(shù)據(jù)集是未帶有標簽的情況下，本文引入主動學(xué)習(xí)理論，同時兼顧新增樣本的不確定性和多樣性，提出了一種篩選出有價值樣本的選擇策略，不但可以降低學(xué)習(xí)過程中人工標注的成本，還達到了增量學(xué)習(xí)的目的，讓音樂風(fēng)格分類系統(tǒng)隨著樣本集的增加，保持分類準