[發(fā)明專利]一種基于SVM主動(dòng)學(xué)習(xí)的音樂情感分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810853536.6
• 申請(qǐng)日: 2018-07-30
• 公開（公告）號(hào): CN109189982A
• 公開（公告）日: 2019-01-11
• 發(fā)明（設(shè)計(jì)）人: 景路路;姚磊;景學(xué)琦
• 申請(qǐng)（專利權(quán)）人: 南京林業(yè)大學(xué)
• 主分類號(hào): G06F16/65
• 分類號(hào): G06F16/65;G06K9/62
• 代理公司: 南京知識(shí)律師事務(wù)所 32207
• 代理人: 李吉寬

1.一種基于SVM主動(dòng)學(xué)習(xí)的音樂情感分類方法，其特征在于包括以下步驟：

步驟1：建立音樂訓(xùn)練樣本集X＝{x₁…x_n},X∈R^d，選取候選樣本集合U；

步驟2：對(duì)音樂樣本進(jìn)行梅爾頻率倒譜系數(shù)以及基于傳統(tǒng)PLP提出的相對(duì)譜-感知線性預(yù)測(cè)兩個(gè)特征提取，并對(duì)音樂樣本集進(jìn)行建模分類訓(xùn)練；

步驟3：從候選樣本集U中通過聚類算法選取n個(gè)樣本并進(jìn)行先驗(yàn)標(biāo)注，對(duì)應(yīng)的類別標(biāo)注為{y₁…y_n},y_i∈{1,-1}，將先驗(yàn)標(biāo)注的樣本作為初始訓(xùn)練樣本集Train，并保證集合Train中至少包含一個(gè)正樣本和一個(gè)負(fù)樣本，正負(fù)樣本利用SVM判別函數(shù)為g(x)＝ω·Φ(x)+b進(jìn)行判別，當(dāng)且僅當(dāng)對(duì)每一個(gè)x_i，若有y_i＝+1，g(x)＞0，若有y_i＝-1，g(x)＜0，令U＝U-Train，其中，隱式映射Φ：X→F(F為特征空間)，分類面g與參數(shù)ω是一一對(duì)應(yīng)的；

步驟4：利用SVM算法中的公式12，對(duì)先驗(yàn)標(biāo)注的樣本集Train進(jìn)行訓(xùn)練，得到一個(gè)最優(yōu)分類超平面，即分類選擇器；

y_i[ω·Φ(x_i)+b]-1≥0,i＝1,…,n (12)

步驟5：動(dòng)態(tài)構(gòu)建批量選取的樣本集S，并兼顧多樣性；

5-1：判斷樣本集S中的樣本個(gè)數(shù)是否小于m，如果小于m，跳至步驟5-2，否則跳至步驟6，m為動(dòng)態(tài)批量選取值；

5-2：按照公式12，動(dòng)態(tài)劃分可行域，選取最有價(jià)值的(x_i,y_i)；

5-3：根據(jù)5-2的結(jié)果集合，按照公式24，對(duì)結(jié)果集合中的所有樣本計(jì)算它的Score值，選取Score值最小的樣本x_s，并執(zhí)行S＝S∪{x_s}，更新S，跳至步驟5-1；

上式前半部分計(jì)算了未標(biāo)注樣本x_i到當(dāng)前分類超平面的距離，表示對(duì)樣本不確定性的判斷因素，值越小，表示分類效果越好；上式后半部分是按照我們上文提出的S形成策略，計(jì)算未標(biāo)注樣本和S之間角度的余弦值，該角度越大，相應(yīng)的式子本身求得的余弦值越小，分類效果越好；α在其中則起到了權(quán)衡的作用，其取值范圍為0到1，若α取值大于0.5則表示更看重樣本的不確定性，反之表示著更看重樣本的多樣性；

步驟6：將此高信息含量的樣本加入S集合后，對(duì)S集合中各個(gè)樣本點(diǎn)的類別進(jìn)行人工標(biāo)注，并且執(zhí)行Train＝Train∪S，U＝U-S對(duì)樣本重新劃分，用更新的已標(biāo)注樣本重新訓(xùn)練SVM分類選擇器，判斷是否滿足停止準(zhǔn)則，滿足則停止迭代，輸出訓(xùn)練好的SVM分類器，不滿足則重復(fù)步驟3至步驟7；

步驟7：分類結(jié)束。

2.根據(jù)權(quán)利要求1所述的一種基于SVM主動(dòng)學(xué)習(xí)的音樂情感分類方法，其特征在于步驟1中所述建立音樂訓(xùn)練樣本集X＝{x₁…x_n},X∈R^d包括以下步驟：

(1)人工標(biāo)注類別：興奮、憤怒、悲傷和放松；

(2)每個(gè)音樂片段截取中間段的30秒，采樣頻率為16kHz，mp3，單聲道，特征提取后每個(gè)音樂樣本維度為100維。