[發(fā)明專利]一種基于特征加權(quán)模糊支持向量機的音樂流派分類方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201811140315.0
• 申請日: 2018-09-28
• 公開（公告）號: CN109492664B
• 公開（公告）日: 2021-10-22
• 發(fā)明（設(shè)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(quán)）人: 昆明理工大學(xué)
• 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

本發(fā)明涉及一種基于特征加權(quán)模糊支持向量機的音樂流派分類方法及系統(tǒng)，屬于音樂內(nèi)容檢索及模式識別技術(shù)領(lǐng)域。本發(fā)明的分類器選擇模糊支持向量機，能夠根據(jù)不同輸入樣本對分類貢獻的不同，賦以相應(yīng)隸屬度，目的在于能夠很好的減少噪聲的影響；用reliefF特征選擇算法計算出的各特征權(quán)重，用于對模糊支持向量機的隸屬度的確定方法，考慮到了不同權(quán)重的特征對分類影響大小的不同；針對盲區(qū)不可分點，用該點到各個類中心的加權(quán)歐氏距離進行多類別概率劃分，符合當(dāng)下音樂多元化的實質(zhì)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于特征加權(quán)模糊支持向量機的音樂流派分類方法及系統(tǒng)，屬于音樂內(nèi)容檢索及模式識別技術(shù)領(lǐng)域。

背景技術(shù)

音樂是人們用來表現(xiàn)生活、抒發(fā)情感的一種藝術(shù)。音樂流派是人類創(chuàng)造的分類標(biāo)簽，由專家們通過一定的相似性將音樂進行組織整理。隨著音樂數(shù)據(jù)的不斷增多，越來越龐大的數(shù)字音樂數(shù)據(jù)庫需要智能化、自動化的分類管理，音樂流派的分類受到社會和學(xué)界越來越廣泛的關(guān)注。然而，當(dāng)下音樂的發(fā)展趨勢越來越多元化，一首音樂作品可能會融入多種流派。

音樂流派分類系統(tǒng)有三個組成部分：音樂特征的提取及選擇；分類器的選擇及模型訓(xùn)練；分類效果測試及對比。國內(nèi)外研究，主要圍繞著新特征的引入以及分類器最優(yōu)適配選擇進行開展。目前，主流的音樂流派分類系統(tǒng)主要集中于音色、節(jié)奏、基因頻率等音頻的聲學(xué)特征進行提取，且多采用支持向量機(SVM)分類器對音樂流派分類，取得了良好的效果。然而，目前的研究工作，鮮有考慮到音樂流派具有模糊性這一特點，其最終僅輸出一個可能性最大的流派，導(dǎo)致音樂流派信息的不完整，不能跟上如今音樂更加多元化的發(fā)展趨勢。此外，SVM分類器受噪點影響較大的問題，在對音樂流派分類上也沒有得到很好的解決。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于特征加權(quán)模糊支持向量機的音樂流派分類方法及系統(tǒng)，該發(fā)明考慮到了不同權(quán)重的特征對分類的貢獻程度的不同，能夠很好的降低噪點影響；對在盲區(qū)的不可分點的多類別概率劃分，符合當(dāng)下音樂多元化的實質(zhì)。

本發(fā)明的技術(shù)方案是：一種基于特征加權(quán)模糊支持向量機的音樂流派分類方法，包括：

特征權(quán)重的計算及特征選擇步驟，先將原始音樂數(shù)據(jù)集歸一化處理并分為歸一化音樂訓(xùn)練集和歸一化音樂測試集，然后在歸一化音樂訓(xùn)練集上使用reliefF特征選擇算法得到各個特征的權(quán)重，將特征權(quán)重按照從大到小累加直到超過所有特征權(quán)重之和的設(shè)定比值，將剩余未被累加的特征移除得到最終的音樂訓(xùn)練集和音樂測試集；其中，原始音樂數(shù)據(jù)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(xùn)練集按照類別屬性下的各個類中心，并基于音樂訓(xùn)練集里的每個音樂訓(xùn)練樣本到所屬類的類中心的加權(quán)歐式距離來確定每個訓(xùn)練樣本的隸屬度；

分類模型的訓(xùn)練步驟，將最終的音樂訓(xùn)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(xùn)練樣本的隸屬度作為各訓(xùn)練樣本在構(gòu)造最優(yōu)分類面判別式的懲罰系數(shù)，對每組分別求出最優(yōu)分類面，將各組最優(yōu)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(yīng)的類別，則輸出測試樣本所對應(yīng)的音樂流派類別結(jié)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(qū)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(quán)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(shè)定最小類別概率閾值的類別標(biāo)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(jié)果；其中，不可分區(qū)域為不可讓樣本落入唯一類別的區(qū)域。

所述特征權(quán)重的計算及特征選擇步驟，具體為：

原始音樂數(shù)據(jù)集包含類別屬性和特征屬性，針對原始音樂數(shù)據(jù)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(shù)據(jù)集的類別屬性不變，得到歸一化音樂數(shù)據(jù)集，將歸一化音樂數(shù)據(jù)集按照1:1的比例拆分為歸一化音樂訓(xùn)練集和歸一化音樂測試集；