[發明專利]一種基于SVM主動學習的音樂情感分類方法

在審

• 申請號: 201810853536.6
• 申請日: 2018-07-30
• 公開（公告）號: CN109189982A
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 景路路;姚磊;景學琦
• 申請（專利權）人: 南京林業大學
• 主分類號: G06F16/65
• 分類號: G06F16/65;G06K9/62
• 代理公司: 南京知識律師事務所 32207
• 代理人: 李吉寬

本發明公開了一種改進的SVM(支持向量機)主動學習方法，涉及機器學習中的音樂分類與信息處理技術的交叉領域，同時涉及面向大規模訓練數據的SVM主動學習分類方法。通過多次迭代方法，把提供給用戶信息量最大的樣本加入訓練集，可以大大減少人工標記樣本所耗費的代價。為了評估分類器的性能，實驗包含四種音樂情感類別：興奮的、憤怒的、悲傷的和放松的，對音樂樣本進行了分類，并從分類準確率的收斂速度、達到同等準確率下需要標注的樣本數目這兩個方面，驗證了本發明提出的SVM主動學習方法的有效性。

技術領域

本發明涉及機器學習及信息處理技術領域，具體涉及一種基于SVM主動學習的音樂情感分類方法。

背景技術

隨著近年來互聯網技術與多媒體信息技術的快速發展，網絡負載的信息量也越來越龐大，其中就包括數量增長迅速的數字音樂，音樂作為大眾娛樂的主要方式之一，不僅為大眾提供了聽覺上的盛宴，同時音樂帶來的情感內涵也極大豐富了大眾的情感空間。伴隨著大量歌手涌現以及海量專輯和網絡歌曲的面世，另外受世界文化發展多元化的影響，各式各樣的音樂風格也隨之產生，為滿足人們根據自己不同的喜好和情感需求來準確而又快速的找到自己想要查詢的歌曲，這就要求音樂檢索系統更加快速和高效，通過音樂情感類別來建立索引，目前最為有效的解決方法是減少特定搜索。

主動學習的概念是Simon于1974年首次提出，近年來廣泛應用于各領域。主動學習也可以稱為最佳實驗設計，其原理是它制定了某種選擇策略，要求分類器可以自動地從給定的未標注的樣本中選擇出最有價值的樣本，提供給用戶進行標注，然后將新標注的樣本加入到訓練集再次訓練學習器，重復以上方法從而在多次迭代中不斷改善學習器性能。一般只要采用合理的選擇策略，在達到同樣分類效果甚至更好的分類效果的前提下，使訓練集的規模更小，能有效地減少人工標注樣本所耗費的代價。

目前，在眾多研究方法中，已經提出的多種音樂自動分類方法中大多是屬于傳統式機器學習，即采用被動監督式學習方法，也就是通過用戶對訓練樣本進行人工標注，然后進行訓練得到分類器，最后對未知樣本數據進行分類，這種被動學習方法的分類效果需要大量標注好的訓練樣本參與訓練才能有所保證，但是標注這些訓練樣本所耗費的人力和時間是巨大的，對未知樣本進行分類標注也需要標注者有相應領域的專業知識。因此，如何有效的利用未標注樣本來訓練分類器具有十分重要的應用價值，而基于SVM主動學習的方法，就能夠很好地解決上面的問題。

發明內容

傳統的SVM主動學習方法中，通常認為樣本到分類超平面的距離越近，所包含的信息量越大，針對這一技術問題，本發明提出了一種改進的SVM主動學習方法，提出“劃分動態可行域的概念”，且在選取樣本時既要考慮選取那些距離分類超平面較近的樣本，同時也要考慮保證樣本的多樣性。通過實驗對比，從分類準確率的收斂速度和標記樣本數目兩方面證實了方法的可行性。

為解決上述技術問題，本發明采用了一種基于SVM主動學習的音樂情感分類方法，該方法包括如下步驟：

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

步驟2：對音樂樣本進行梅爾頻率倒譜系數((Mel Frequency CepstrumCoefficients：MFCC))以及基于傳統PLP提出的相對譜-感知線性預測(Relative Spectra-Perceptual Linear Predictive：RASTA-PLP)兩個特征提取，并對音樂樣本集進行建模分類訓練；