基于连续小波和支持向量机分类音乐类型

音乐类型分类主要包括两个阶段：特征提取和分类。文中在研究小波变换理论基础上,采用连续小波分析方法提取音乐特征参数。支持向量机是专门针对有限样本情况下的一种分类方法。它是建立在统计学习理论的VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。采用指数径向基函数（脚）内核,分类正确率可达85％,比传统的混合高斯模型和K近邻分类器,分类性能分别提高了21％和23％。实验结果表明,采用小波和支持向量机方法是一种相当有效的音乐类型分类方法。     

基于连续小波和支持向量机分类音乐类型

音乐类型分类主要包括两个阶段:特征提取和分类.文中在研究小波变换理论基础上,采用连续小波分析方法提取音乐特征参数.支持向量机是专门针对有限样本情况下的一种分类方法.它是建立在统计学习理论的VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力.采用指数径向基函数(ERBF)内核,分类正确率可达85%,比传统的混合高斯模型和K近邻分类器,分类性能分别提高了21%和23%.实验结果表明,采用小波和支持向量机方法是一种相当有效的音乐类型分类方法.     

基于单类支持向量机的音频分类

研究一种基于单类支持向量机的音频分类方法,能够使每一类样本都独立地获得一个决策函数,通过决策函数的最大值来判断样本所属的类。通过使用小波包变换提取语音特征向量,并融合多特征向量,将音频分为5类：纯语音、音乐、环境音、含背景音语音和静音。实验结果表明这种方法具有较好的分类精度,性能优于贝叶斯、隐马尔可夫模型和神经网络分类器。     

基于支持向量机音乐类型分类方法

音乐类型分类是音乐检索中非常重要的一个方面。采用支持向量机方法进行音乐类型分类,提取B样条小波特征作为音乐的特征。采用指数径向基函数（ERBF）内核,分类正确率可达86%,比传统的混合高斯模型和K近邻分类器,分类性能分别提高了22%和24%。实验结果表明,采用B样条小波和支持向量机方法是一种有效的音乐类型分类方法。