基于多核学习支持向量机的音乐流派分类.docx

基于多核学习支持向量机的音乐流派分类摘要：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（MKSVM）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ISMIR2011竞赛数据集上验证了提出的基于多核学习支持向量机（MKLSVM）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MKLSVM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。关键词：音乐流派分类；多核学习；支持向量机；特征选择；模式识别中图分类号：中图分类号是否有误请核实？是否应为TP391.4对应该为TP391.4TP391.4文献标志码：A英文摘要Abstract：MultipleKernelLearningandSupportVectorMachine（MKLSVM）wasappliedtoautomaticmusicgenreclassificationtochoosetheoptimalkernelfunctionsfordifferentfeaturesamethodofconductingtheoptimalkernelfunctioncombinationintothesynthetickernelfunctionbyweightingformusicgenreclassificationwasproposed.Differentoptimalkernelfunctionswerechosenfordifferentacousticfeaturesbymultiplekernelclassificationlearningtheweightofeachkernelfunctioninclassificationwasobtainedandtheweightofeachacousticfeatureintheclassificationofthegenrewasclarifiedwhichprovidedaclearanddefiniteresultfortheanalysisandselectionofthefeaturevectorintheclassificationofmusicgenre.TheexperimentsonthedatasetofISMIR2011showthatcomparedwiththetraditionalsinglekernelsupportvectormachineclassificationtheaccuracyoftheproposedmusicgenreautomaticclassificationmethodbasedonMKLSVMisgreatlyimprovedby6.58%.Andtheproposedmethodcanmoreclearlyrevealthethedifferentfeaturesimpactsonmusicgenreclassificationresultstheclassificationresultshasalsobeensignificantlyimprovedbyselectingfeatureswithlargereffectsonclassification.英文关键词Keywords：musicgenreclassification；multiplekernellearning；SupportVectorMachine（SVM）；featureselection；patternrecognition0引言音乐流派分类是音乐信息检索领域一项应用前景广阔同时又非常具有挑战性的研究工作而多核学习是目前机器学习