[发明专利]一种基于SVM主动学习的音乐情感分类方法

摘要

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。

主权项

1.一种基于SVM主动学习的音乐情感分类方法，其特征在于包括以下步骤：步骤1：建立音乐训练样本集X＝{x1…xn},X∈Rd，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以及基于传统PLP提出的相对谱‑感知线性预测两个特征提取，并对音乐样本集进行建模分类训练；步骤3：从候选样本集U中通过聚类算法选取n个样本并进行先验标注，对应的类别标注为{y1…yn},yi∈{1,‑1}，将先验标注的样本作为初始训练样本集Train，并保证集合Train中至少包含一个正样本和一个负样本，正负样本利用SVM判别函数为g(x)＝ω·Φ(x)+b进行判别，当且仅当对每一个xi，若有yi＝+1，g(x)＞0，若有yi＝‑1，g(x)＜0，令U＝U‑Train，其中，隐式映射Φ：X→F(F为特征空间)，分类面g与参数ω是一一对应的；步骤4：利用SVM算法中的公式12，对先验标注的样本集Train进行训练，得到一个最优分类超平面，即分类选择器；yi[ω·Φ(xi)+b]‑1≥0,i＝1,…,n     (12)步骤5：动态构建批量选取的样本集S，并兼顾多样性；5‑1：判断样本集S中的样本个数是否小于m，如果小于m，跳至步骤5‑2，否则跳至步骤6，m为动态批量选取值；5‑2：按照公式12，动态划分可行域，选取最有价值的(xi,yi)；5‑3：根据5‑2的结果集合，按照公式24，对结果集合中的所有样本计算它的Score值，选取Score值最小的样本xs，并执行S＝S∪{xs}，更新S，跳至步骤5‑1；上式前半部分计算了未标注样本xi到当前分类超平面的距离，表示对样本不确定性的判断因素，值越小，表示分类效果越好；上式后半部分是按照我们上文提出的S形成策略，计算未标注样本和S之间角度的余弦值，该角度越大，相应的式子本身求得的余弦值越小，分类效果越好；α在其中则起到了权衡的作用，其取值范围为0到1，若α取值大于0.5则表示更看重样本的不确定性，反之表示着更看重样本的多样性；步骤6：将此高信息含量的样本加入S集合后，对S集合中各个样本点的类别进行人工标注，并且执行Train＝Train∪S，U＝U‑S对样本重新划分，用更新的已标注样本重新训练SVM分类选择器，判断是否满足停止准则，满足则停止迭代，输出训练好的SVM分类器，不满足则重复步骤3至步骤7；步骤7：分类结束。