數(shù)據(jù)挖掘在音樂分類中的應(yīng)用.pdf

1、為了滿足不同人群對音樂愛好的需求，各大音樂軟件企業(yè)開始致力于數(shù)據(jù)挖掘在音樂分類中的研究，由于它具有很大商業(yè)價值和廣泛的應(yīng)用前景，很快引起了學(xué)者們的熱切關(guān)注。本論文從統(tǒng)計學(xué)角度介紹數(shù)據(jù)挖掘常用算法在音樂分類中的應(yīng)用。
　　 本文所做工作與創(chuàng)新如下:
　　 首先，介紹了BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)，LVQ神經(jīng)網(wǎng)絡(luò)，Hoppfeild神經(jīng)網(wǎng)絡(luò)，通過解釋其算法推導(dǎo)過程中所遵循的不同原理，闡述其實際應(yīng)用的差別，以及他們之間的優(yōu)缺點

2、。運用上述神經(jīng)網(wǎng)絡(luò)分類器對本文所提供的數(shù)據(jù)進(jìn)行分類，并解釋其產(chǎn)生不同分類效果的原因。然后引入支持向量機分類器，通過粒子群和遺傳算法優(yōu)化算法，選擇使適應(yīng)度函數(shù)最小的參數(shù)。最后介紹了判別分析和邏輯回歸分類，并對比分析所有分類器的效果。
　　 本文首次運用粒子群算法解決音樂分類問題中支持向量機參數(shù)選擇問題。與遺傳算法相比它們都從開始設(shè)定隨機解，然后通過適應(yīng)度函數(shù)，向不同方向?qū)ふ易顑?yōu)解，但是粒子群算法沒有交叉，變異等操作，規(guī)則簡單，容易