支持向量机集成及在音乐分类中的应用
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景和意义 | 第10-11页 |
| ·音乐分类算法发展的历史与现状 | 第11-14页 |
| ·本文的主要内容 | 第14-15页 |
| 第2章 音频分类技术及原理 | 第15-24页 |
| ·音频信号预处理技术 | 第15-21页 |
| ·短时处理技术 | 第15-17页 |
| ·音频信号分类技术 | 第17-21页 |
| ·音频信号特征分析与提取 | 第21页 |
| ·分类器的设计与实现 | 第21-24页 |
| 第3章 统计学习理论与支持向量机 | 第24-32页 |
| ·统计学习理论 | 第24-26页 |
| ·支持向量机 | 第26-32页 |
| ·支持向量机简介 | 第26-29页 |
| ·支持向量机模型 | 第29-30页 |
| ·支持向量机的特点及应用 | 第30-32页 |
| 第4章 集成学习方法的分析与研究 | 第32-40页 |
| ·集成学习方法简介 | 第33-35页 |
| ·集成学习方法及实现策略 | 第33页 |
| ·成员分类器的要求 | 第33-34页 |
| ·成员分类器的生成方法 | 第34页 |
| ·成员分类器的组合方法 | 第34-35页 |
| ·经典的集成学习方法 | 第35-38页 |
| ·Bagging 方法 | 第35-36页 |
| ·Boosting 方法 | 第36-38页 |
| ·支持向量机集成 | 第38-40页 |
| 第5章 基于支持向量机集成的音乐分类 | 第40-51页 |
| ·音乐信号的处理 | 第40-43页 |
| ·分帧 | 第41页 |
| ·预加重 | 第41-42页 |
| ·加窗 | 第42-43页 |
| ·静音帧判别 | 第43页 |
| ·用于分类的音乐特征的提取 | 第43-50页 |
| ·时域特征的提取 | 第43-45页 |
| ·频域特征的提取 | 第45-47页 |
| ·基音周期特征的提取 | 第47-48页 |
| ·Mel 倒谱系数提取 | 第48-50页 |
| ·使用SVM 集成对特征向量进行分类 | 第50-51页 |
| 第6章 系统的设计与实现 | 第51-60页 |
| ·音乐分类系统的设计 | 第51-52页 |
| ·音乐分类系统的具体实现 | 第52-55页 |
| ·音乐预处理及特征提取子系统 | 第52页 |
| ·集成学习训练子系统 | 第52-54页 |
| ·音乐分类子系统 | 第54-55页 |
| ·实验环境及所需数据 | 第55页 |
| ·实验结果及分析 | 第55-60页 |
| ·支持向量机算法和几种常用分类算法的比较 | 第56-57页 |
| ·集成学习算法和支持向量机算法的比较 | 第57-60页 |
| 第7章 总结和展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·未来工作展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第68页 |
