一种基于线性判别分析和支持向量机的音乐分类方法

《一种基于线性判别分析和支持向量机的音乐分类方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、上海交通大学硕士学位论文一种基于线性判别分析和支持向量机的音乐分类方法姓名：姚斯强申请学位级别：硕士专业：电路与系统指导教师：胡剑凌20061201上海交通大学硕士学位论文缩略语LDA：LinearDiscriminativeAnalysis线性判别分析SVMs：SupportVectorMachines支持向量机MFCC：Mel-frequencycepstralcoefficient美尔倒谱系数第73页上海交通大学硕士学位论文上海交通大学学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引

2、用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：姚斯强日期：2007年1月第3页上海交通大学硕士学位论文上海交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权上海交通大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密□，在

3、本学位论文属于不保密□√。（请在以上方框内打“√”）年解密后适用本授权书。学位论文作者签名：姚斯强日期：2007年1月指导教师签名：胡剑凌日期：2007年1月第4页上海交通大学硕士学位论文一种基于线性判别分析和支持向量机的音乐分类方法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

4、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-frequencycepstralcoefficients)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）[

5、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

6、。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。在音乐特征提取阶第5页上海交通大学硕士学位论文段，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

7、，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。关键词：音频检索；音乐分类；线性判别分析；支持向量机第6页上海交通大学硕士学位论文ResearchofMusicClassificationAlgorithmBasedonLinearDiscriminativeAnalysisandSupportVectorMach

8、ineABSTRACTAlongwiththedev