摘要 | 第1-7页 |
ABSTRACT | 第7-13页 |
第一章 绪论 | 第13-25页 |
·研究背景和意义 | 第13-15页 |
·国内外研究现状 | 第15-17页 |
·存在的问题 | 第17-18页 |
·本文的创新点及结构安排 | 第18-21页 |
·本文的创新点 | 第18-20页 |
·本文的结构安排 | 第20-21页 |
参考文献 | 第21-25页 |
第二章 音频检测与分类系统 | 第25-54页 |
·引言 | 第25页 |
·音频分割 | 第25-26页 |
·特征提取 | 第26-33页 |
·短时特征 | 第27-32页 |
·长时特征 | 第32-33页 |
·音频事件建模及分类 | 第33-42页 |
·支持向量机 | 第34-38页 |
·高斯混合模型 | 第38-41页 |
·隐马尔可夫模型 | 第41页 |
·K近邻 | 第41-42页 |
·人工神经网络 | 第42页 |
·决策树 | 第42页 |
·后处理 | 第42-43页 |
·常用的聚类算法 | 第43-50页 |
·K均值聚类 | 第44-47页 |
·谱聚类 | 第47-50页 |
·评价准则 | 第50页 |
·本章小结 | 第50-51页 |
参考文献 | 第51-54页 |
第三章 基于BIC的主动学习初始样本集选择 | 第54-76页 |
·引言 | 第54页 |
·主动学习概述 | 第54-58页 |
·问题描述 | 第58-59页 |
·基于BIC的主动学习初始样本集选择算法 | 第59-64页 |
·贝叶斯信息准则BIC | 第59-60页 |
·根据BIC判断簇的状态 | 第60-62页 |
·子空间样本选择 | 第62-63页 |
·基于BIC的主动学习初始样本集选择的具体策略 | 第63-64页 |
·实验结果与分析 | 第64-71页 |
·在toy data上的实验 | 第64-65页 |
·在真实数据上的实验 | 第65-71页 |
·本章小结 | 第71页 |
参考文献 | 第71-76页 |
第四章 基于间隔和误识特性采样的支持向量机主动学习 | 第76-98页 |
·引言 | 第76-77页 |
·基于间隔和误识特性采样 | 第77-87页 |
·基于间隔和误识特性的采样方案一 | 第77-79页 |
·基于间隔和误识特性的采样方案二 | 第79-82页 |
·基于间隔和误识特性的采样方案三 | 第82-87页 |
·实验结果与分析 | 第87-96页 |
·实验设置 | 第87-88页 |
·MMCBS-1主动学习算法的对比实验 | 第88-90页 |
·MMCBS-2主动学习算法的对比实验 | 第90-92页 |
·MMCBS-3主动学习算法的对比实验 | 第92-94页 |
·MMCBS-1、MMCBS-2和MMCBS-3的对比实验 | 第94-96页 |
·本章小结 | 第96页 |
参考文献 | 第96-98页 |
第五章 结合主动学习和半监督学习的音频事件检测 | 第98-116页 |
·引言 | 第98-99页 |
·半监督学习概述 | 第99-101页 |
·支持向量机主动学习 | 第101-103页 |
·主动半监督支持向量机 | 第103-106页 |
·半监督学习和模式类中心样本 | 第104-105页 |
·主动半监督学习流程 | 第105-106页 |
·实验结果与分析 | 第106-112页 |
·在toy data上的实验 | 第106-108页 |
·在真实数据上的实验 | 第108-110页 |
·主动学习迭代次数M和半监督学习迭代次数K | 第110-112页 |
·本章小结 | 第112-113页 |
参考文献 | 第113-116页 |
第六章 复杂音频文档的音频事件分类策略 | 第116-126页 |
·引言 | 第116页 |
·音频事件模型 | 第116-117页 |
·支持向量机SVM | 第116页 |
·高斯混合模型GMM | 第116-117页 |
·结合纯净音频事件模型和聚类信息进行分类 | 第117-121页 |
·根据聚类信息估计样本的类别概率 | 第118-120页 |
·分类 | 第120-121页 |
·实验结果与分析 | 第121-124页 |
·实验设置 | 第121-122页 |
·实验结果 | 第122-124页 |
·本章小结 | 第124-125页 |
参考文献 | 第125-126页 |
第七章 总结与展望 | 第126-128页 |
·论文总结 | 第126页 |
·研究展望 | 第126-128页 |
博士期间发表的论文 | 第128-129页 |
致谢 | 第129页 |