[發明專利]一種基于特征加權模糊支持向量機的音樂流派分類方法及系統

有效

• 申請號: 201811140315.0
• 申請日: 2018-09-28
• 公開（公告）號: CN109492664B
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 賈連印;左喻灝;丁家滿;游進國;李曉武;雷妍;沈兵林;胡俊濤
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于特征加權模糊支持向量機的音樂流派分類方法，其特征在于：包括：

特征權重的計算及特征選擇步驟，先將原始音樂數據集歸一化處理并分為歸一化音樂訓練集和歸一化音樂測試集，然后在歸一化音樂訓練集上使用reliefF特征選擇算法得到各個特征的權重，將特征權重按照從大到小累加直到超過所有特征權重之和的設定比值，將剩余未被累加的特征移除得到最終的音樂訓練集和音樂測試集；其中，原始音樂數據集包含類別屬性和特征屬性；

隸屬度確定步驟，求出最終的音樂訓練集按照類別屬性下的各個類中心，并基于音樂訓練集里的每個音樂訓練樣本到所屬類的類中心的加權歐式距離來確定每個訓練樣本的隸屬度；

分類模型的訓練步驟，將最終的音樂訓練集按照一類對其余的方式分組，并由隸屬度確定步驟得到的各訓練樣本的隸屬度作為各訓練樣本在構造最優分類面判別式的懲罰系數，對每組分別求出最優分類面，將各組最優分類面合并作為最終的分類模型；

音樂流派分類步驟，將最終的音樂測試集代入分類模型，如果音樂測試集中的測試樣本落入相應的類別，則輸出測試樣本所對應的音樂流派類別結果；如果測試集中的測試樣本散落在分類模型得出的不可分區域，則該測試樣本作為不可分點，針對不可分點，按照其到各個類中心的加權歐氏距離來確定分屬于各個類別的類別概率，類別概率低于設定最小類別概率閾值的類別標簽被剔除，并將剩余類別類別概率重新百分比計算并按類別概率從大到小排序，以此作為該不可分點的類別概率輸出結果；其中，不可分區域為不可讓樣本落入唯一類別的區域。

2.根據權利要求1所述的基于特征加權模糊支持向量機的音樂流派分類方法，其特征在于：所述特征權重的計算及特征選擇步驟，具體為：

原始音樂數據集包含類別屬性和特征屬性，針對原始音樂數據集的各特征屬性分別采用0均值歸一化的方法進行歸一化、原始音樂數據集的類別屬性不變，得到歸一化音樂數據集，將歸一化音樂數據集按照1:1的比例拆分為歸一化音樂訓練集和歸一化音樂測試集；

采用reliefF特征選擇算法對歸一化音樂訓練集進行特征權重計算，得到每一個特征的特征權重；

將特征權重按照從大到小排序，依次累加直到超過所有特征權重之和的80％，將剩余特征權重對應的特征在歸一化音樂訓練集和歸一化音樂測試集上移除，得到最終的音樂訓練集和音樂測試集。

3.根據權利要求1所述的基于特征加權模糊支持向量機的音樂流派分類方法，其特征在于：所述隸屬度確定步驟，具體為：

分別對最終的音樂訓練集里的每個類別，求取該類別內所有樣本分別在各個特征上的平均值，以此作為該類別的類中心；

分別對音樂訓練集里的每個類別，求取該類別里各個樣本到該類別中心的加權歐氏距離；

分別對音樂訓練集里的每個類別，取該類別下的最大加權歐式距離作為該類別特征空間超球體半徑，將該類別里各個樣本到該類別中心的加權歐氏距離與該類別特征空間超球體半徑的作除，將數值1與作除的結果作差來確定該類別下各個樣本的隸屬度。

4.根據權利要求1所述的基于特征加權模糊支持向量機的音樂流派分類方法，其特征在于：所述分類模型的訓練步驟，具體為：

先將最終的音樂訓練集按照一類對其余的方式分組，假設共有c個類別，第一組把類別1的訓練樣本定為正樣本，其余類別下的訓練樣本合起來定為負樣本，第二組把類別2的訓練樣本定為正樣本，其余類別下的訓練樣本合起來定為負樣本，以此類推共分為c組；

采用模糊支持向量機思想，將隸屬度確定步驟得到的每個音樂訓練樣本的隸屬度，作為各訓練樣本在分別構造c個類別的最優分類面判別式的懲罰系數；

對每組訓練集分別求出該組正樣本對應的類別的最優分類面，將各組最優分類面合并作為最終的分類模型。

5.根據權利要求1所述的基于特征加權模糊支持向量機的音樂流派分類方法，其特征在于：所述按照其到各個類中心的加權歐氏距離來確定分屬于各個類別的類別概率，具體為：按照計算類別概率；其中表示不可分點x^#分屬于第k個類別的類別概率，表示不可分點x^#到各個類類中心的加權歐式距離的最大值，表示不可分點x^#到第k個類類中心O_k的加權歐式距離，表示最小類別概率，c表示類別的個數。