基于SVM的增量式音乐自动分类研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文研究内容与论文结构 | 第14-16页 |
| 第二章 音乐自动分类基础 | 第16-25页 |
| 2.1 音乐自动分类系统概述 | 第16-17页 |
| 2.2 音乐信号特征提取 | 第17-24页 |
| 2.2.1 预处理 | 第17-20页 |
| 2.2.2 MFCC特征提取 | 第20-21页 |
| 2.2.3 RASTA-PLP特征提取 | 第21-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 支持向量机与增量学习算法概述 | 第25-38页 |
| 3.1 统计学习理论 | 第25-27页 |
| 3.1.1 经验风险最小化 | 第26页 |
| 3.1.2 VC维与结构风险最小化 | 第26-27页 |
| 3.2 支持向量机 | 第27-36页 |
| 3.2.1 最优分类超平面 | 第28-31页 |
| 3.2.2 特征空间与核函数 | 第31-33页 |
| 3.2.3 多分类问题 | 第33-36页 |
| 3.3 增量学习算法概述 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于SVM的增量式音乐自动分类 | 第38-61页 |
| 4.1 传统的增量学习算法 | 第38页 |
| 4.2 壳向量与差错控制策略 | 第38-43页 |
| 4.2.1 壳向量 | 第39-40页 |
| 4.2.2 增量学习后支持向量的变化分析 | 第40-42页 |
| 4.2.3 差错控制策略 | 第42-43页 |
| 4.3 本文改进的SVM增量式音乐分类算法 | 第43-47页 |
| 4.3.1 算法描述 | 第43-44页 |
| 4.3.2 实验数据准备 | 第44-45页 |
| 4.3.3 实验仿真环境 | 第45页 |
| 4.3.4 实验系统框架 | 第45-46页 |
| 4.3.5 实验仿真与结果分析 | 第46-47页 |
| 4.4 无类别标签样本与主动学习 | 第47-55页 |
| 4.4.1 主动学习理论 | 第48页 |
| 4.4.2 主动学习常用选择策略 | 第48-51页 |
| 4.4.3 传统的主动学习算法 | 第51-53页 |
| 4.4.4 改进的主动学习算法 | 第53-55页 |
| 4.5 结合主动学习的SVM增量式音乐分类算法 | 第55-60页 |
| 4.5.1 算法描述 | 第56-57页 |
| 4.5.2 实验系统框架 | 第57页 |
| 4.5.3 实验仿真与结果分析 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 致谢 | 第66页 |
