一種基于線性判別分析和支持向量機的音樂分類方法.pdf

1、隨著互聯(lián)網絡以及廣播技術的發(fā)展，人們有機會接觸到大量的多媒體內容。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。特別對于身邊種類繁多的音樂信號，人們要求有快速高效的方法對它們進行分類管理（根據不同風格或演唱者等），本論文就是希望找到一種較好的算法來解決這個問題。 本文在現(xiàn)有音樂分類系統(tǒng)的基礎上，提出了一種改進的音樂分類結構，在原來的結構中加入了線性判別分析（LDA）降維模塊對所提取的高維特征向量進

2、行降維，并在最終的分類階段使用支持向量機（SVM）分類器，并使用Matlab軟件對最終的分類結果進行了仿真。 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(xiàn)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。而分類算法可利用模式識別和模式分類中的大量現(xiàn)存的高效算法

3、，例如GMM（高斯混合模型）[29]、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(xiàn)存的音樂分類算法的基礎上，提出了一種新的音樂分類結構。 現(xiàn)存的音樂分類方法都將特征提取和分類這兩個階段孤立開來，提取的特征直接交由分類器進

4、行分類，沒有考慮到當前提取的音樂特征并不是最有利于分類的特征（特征向量代表的特征點在高維空間中的可分度并不是最高的），有可能通過一定的線性或非線性變換得到可分度更高的音樂特征。本文設計了一種新的音樂分類方法，該方法充分考慮了信號特征的可分類特性。在音樂特征提取階段，首先使用傅立葉變換等方法從每一段音樂中提取各項音頻特征，包括Mel倒譜系數、基音頻率、頻帶能量及頻帶帶寬等等，并將它們按比例組成一個高維向量；在將這些音樂特征交由分類器進行分

5、類之前，使用線性判別分析（LDA）對這些高維向量進行降維，使得各類音樂的類間離散度與類內離散度的比值最大，即得到了最有利于分類的特征；最后在音樂分類階段，使用當前熱門的支持向量機（SVMs）分類器對降維后的特征進行分類。 論文對所提出的算法進行了大量的數值實驗和性能測試，實驗中采用的音樂數據庫包括流行音樂、民歌、古代器樂、戲曲和語音五個類別。實驗中對不同的分類器針對不同特征集進行分類的結果進行了仿真，仿真結果不但驗證了使用線性判