[发明专利]一种基于SVM主动学习的音乐情感分类方法

说明书

本发明公开了一种改进的SVM(支持向量机)主动学习方法，涉及机器学习中的音乐分类与信息处理技术的交叉领域，同时涉及面向大规模训练数据的SVM主动学习分类方法。通过多次迭代方法，把提供给用户信息量最大的样本加入训练集，可以大大减少人工标记样本所耗费的代价。为了评估分类器的性能，实验包含四种音乐情感类别：兴奋的、愤怒的、悲伤的和放松的，对音乐样本进行了分类，并从分类准确率的收敛速度、达到同等准确率下需要标注的样本数目这两个方面，验证了本发明提出的SVM主动学习方法的有效性。

技术领域

本发明涉及机器学习及信息处理技术领域，具体涉及一种基于SVM主动学习的音乐情感分类方法。

背景技术

随着近年来互联网技术与多媒体信息技术的快速发展，网络负载的信息量也越来越庞大，其中就包括数量增长迅速的数字音乐，音乐作为大众娱乐的主要方式之一，不仅为大众提供了听觉上的盛宴，同时音乐带来的情感内涵也极大丰富了大众的情感空间。伴随着大量歌手涌现以及海量专辑和网络歌曲的面世，另外受世界文化发展多元化的影响，各式各样的音乐风格也随之产生，为满足人们根据自己不同的喜好和情感需求来准确而又快速的找到自己想要查询的歌曲，这就要求音乐检索系统更加快速和高效，通过音乐情感类别来建立索引，目前最为有效的解决方法是减少特定搜索。

主动学习的概念是Simon于1974年首次提出，近年来广泛应用于各领域。主动学习也可以称为最佳实验设计，其原理是它制定了某种选择策略，要求分类器可以自动地从给定的未标注的样本中选择出最有价值的样本，提供给用户进行标注，然后将新标注的样本加入到训练集再次训练学习器，重复以上方法从而在多次迭代中不断改善学习器性能。一般只要采用合理的选择策略，在达到同样分类效果甚至更好的分类效果的前提下，使训练集的规模更小，能有效地减少人工标注样本所耗费的代价。

目前，在众多研究方法中，已经提出的多种音乐自动分类方法中大多是属于传统式机器学习，即采用被动监督式学习方法，也就是通过用户对训练样本进行人工标注，然后进行训练得到分类器，最后对未知样本数据进行分类，这种被动学习方法的分类效果需要大量标注好的训练样本参与训练才能有所保证，但是标注这些训练样本所耗费的人力和时间是巨大的，对未知样本进行分类标注也需要标注者有相应领域的专业知识。因此，如何有效的利用未标注样本来训练分类器具有十分重要的应用价值，而基于SVM主动学习的方法，就能够很好地解决上面的问题。

发明内容

传统的SVM主动学习方法中，通常认为样本到分类超平面的距离越近，所包含的信息量越大，针对这一技术问题，本发明提出了一种改进的SVM主动学习方法，提出“划分动态可行域的概念”，且在选取样本时既要考虑选取那些距离分类超平面较近的样本，同时也要考虑保证样本的多样性。通过实验对比，从分类准确率的收敛速度和标记样本数目两方面证实了方法的可行性。

为解决上述技术问题，本发明采用了一种基于SVM主动学习的音乐情感分类方法，该方法包括如下步骤：

步骤1：建立音乐训练样本集X＝{x₁…x_n},X∈R^d，选取候选样本集合U；

步骤2：对音乐样本进行梅尔频率倒谱系数((Mel Frequency CepstrumCoefficients：MFCC))以及基于传统PLP提出的相对谱-感知线性预测(Relative Spectra-Perceptual Linear Predictive：RASTA-PLP)两个特征提取，并对音乐样本集进行建模分类训练；