基于多核学习支持向量机的音乐流派分类

针对不同特征向量下选择最优核函数的学习方法问题,将多核学习支持向量机(MK-SVM)应用于音乐流派自动分类中,提出了将最优核函数进行加权组合构成合成核函数进行流派分类的方法。多核分类学习能够针对不同的声学特征采用不同的最优核函数,并通过学习得到各个核函数在分类中的权重,从而明确各声学特征在流派分类中的权重,为音乐流派分类中特征向量的分析和选择提供了一个清晰、明确的结果。在ISMIR 2011竞赛数据集上验证了提出的基于多核学习支持向量机(MKL-SVM)的分类方法,并与传统的基于单核支持向量机的方法进行了比较分析。实验结果表明基于MKL-SVM的音乐流派自动分类准确率比传统单核支持向量机的分类准确率提高了6.58%,且该方法与传统的特征选择结果比较,更清楚地解释了所选择的特征向量对流派分类的影响大小,通过选择影响较大的特征组合进行分类,分类结果也有了明显的提升。

结合节拍语义和MFCC声学特征的音乐流派分类

由于音乐节拍的强度、快慢、持续时间等是反映音乐不同流派风格的重要语义特征,而音乐节拍多属于由打击乐器所产生的低频部分,为此利用小波变换对音乐信号进行6层分解来提取低频节拍特征;针对节拍特征差异不明显的音乐流派,提出用描述频域能量包络的MFCC声学特征与节拍特征结合,并用基于音乐流派机理分析的8阶MFCC代替常用的12阶MFCC。对8类音乐流派实验仿真结果表明,基于语义特征和声学特征结合的方法,总体分类准确率可达68.37%,同时特征维数增加对分类时间影响很小。

基于支持向量机音乐类型分类方法

音乐类型分类是音乐检索中非常重要的一个方面。采用支持向量机方法进行音乐类型分类,提取B样条小波特征作为音乐的特征。采用指数径向基函数(ERBF)内核,分类正确率可达86%,比传统的混合高斯模型和K近邻分类器,分类性能分别提高了22%和24%。实验结果表明,采用B样条小波和支持向量机方法是一种有效的音乐类型分类方法。

基于连续小波和支持向量机分类音乐类型

音乐类型分类主要包括两个阶段:特征提取和分类。文中在研究小波变换理论基础上,采用连续小波分析方法提取音乐特征参数。支持向量机是专门针对有限样本情况下的一种分类方法。它是建立在统计学习理论的VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。采用指数径向基函数(ERBF)内核,分类正确率可达85%,比传统的混合高斯模型和K近邻分类器,分类性能分别提高了21%和23%。实验结果表明,采用小波和支持向量机方法是一种相当有效的音乐类型分类方法。

基于支持向量机的人脸特征分类技术

针对人脸识别技术中准确性较差、识别复杂度较高、预处理较易陷入"维数灾难"等问题,本文运用支持向量机人脸特征分类技术,提出了进一步提高人脸识别效率的一种方法。为了达到面部特征的精确检测与识别,通过微粒群优化的智能KFD算法,确立核函数最优参数σ的值,实现不同类特征的类内间距最小、类间间距最大的数学特性,从而将特征进行分类,并采用Matlab进行仿真分析。仿真结果表明,随着σ增加,可分性测度Y先呈正比增加,然后急剧减少,最后趋于稳定;当σ=0.2时,类间间距最大,类内间距最小,最容易使不同类的样本投影尽可能的分散。该方法解决了样本特征值线性不可分、二次规划计算量大的问题,而且通过分析可分性测度与σ的关系,找到最优参数σ的值和对应人脸识别的最优算法。该研究提高了人脸识别精度,降低了计算量,实现了面部特征的精确分类。