基於有向无环图支援向量机之多类音乐识别研究.pptVIP

1 結論與建議 本研究對四類音樂(民歌、古箏、搖滾、流行)進行分類識別，使用DAG-SVMs 建構預測模型，進行方式是從四類音樂中任意組合三類分別建模測試，結果顯示，各組合中有些單一類別的 DAG-SVMs 準確率較 BPNN 高，但DAG-SVMs對相近音樂模式的分類辨識度較低，綜合準確度是 BPNN 模型略優於 DAG-SVMs 模型。 本研究所使用之 DAG-SVMs 模型，僅使用 SVM 做為分類節點，後續可進一步嘗試結合使用不同分類演算法進行研究，提升多類識別之準確率。 本研究所提出之用 DAG-SVMs 模型，未來可進一步就其他領域之分類問題，進行測試，以擴展本模型之推廣應用能力。 END 總合四種組合的各類準確率 加以平均成這張圖 所以綜合比較上是BPNN的準確率高於DAG-SVMs 從結果看來，DAG-SVMs的分類準確度稍微偏低 於是我們就就 來進行討論 這裡提出分類準確度較低 這個DAG-SVMs組合進行分析，這是的DAG-SVMs中各節點 對自己的訓練類別進行預測的準確率 在DAG-SVMs模型中我們將各節點用有兩個類別的資料進行訓練，然後共同用三個類別的資料進行測試 這麼一來各節點在預測上將會有一個無法辨識的類別，但是以模式上還是會分向較接近的一類 所以我們找出各節點對第三類音樂資料的分類進行比較，發現 綜合來看無法分類的資料有高機率分項民歌類，使民歌類的正確率增加，這也影響了DAG-SVMs在分類上的準確率 * DAG-SVMs方法在訓練階段要建構出每兩類間的分類面，即有k(k-1)/2個分類器。但是在分類階段，該方法將所有分類器構成一種兩方向的有向無環圖，包括k(k-1)/2個分類器和k個輸出類別，對未知樣本測試時，首先從頂部根節點開始，根據分類結果用下一層左節點或右節點繼續分類，直到底層某個輸出類別為止。 每一個圓圈都是一個SVM的二元分類器，此方法將樣本進行非類別的排除，得出分類的最終結果。 * 取自MATLAB中文論壇提供的語音特徵提取資料 倒傳遞類神經網路是屬於類神經網路 裡面的一種演算法 類神經網路 是一種模仿人的神經在傳遞訊息的方式，模擬人工神經元，並組合成人工神經網路 BPNN這種演算法可以將資訊利用誤差反向傳播，不斷調整模型中的權重與閥值，讓輸出接近我們期望的輸出值 現在看到BPNN的模型架構而BPNN的架構分三層，有輸入層、隱含層和輸出層，隱含層其實可以有好幾層，這邊以一層為例 輸入層從外部接收資訊，不會做任何計算，將資訊傳遞給隱含層 隱含層將這些資訊加以分析，然後傳入下一層，逐層處理，如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差 來調整連接的權值和神經元中的閥值，從而使BP神經網路 的預測輸出不斷逼近期望輸出 模型建構方面 在實際執行時我們將以四類音樂資料中取出三類來製作模型，這就會有四種類別組合 DAG-SVMs的模型再處理三類資料時會建立3個節點，也就是有3個SVM的分類器 BPNN部分，也是輸入三類資料，將24個條件屬性的三類資料製成 的BPNN模型 * * * 有向無環圖支援向量機於多類音樂識別之應用研究 指導老師： 組員名單： 陳明華 老師 謝雅雯 988C039 劉蓉茜 988V057 中華民國１０２年５月９日 大綱 研究問題 研究方法 研究設計 結果與討論 結論與建議 研究問題 現今，音樂是人們生活中不可或缺的一部份，許多人喜歡聽音樂來放鬆心情或者紓解壓力，有些店家也會播放音樂藉以製造氣氛，在不同的場合所使用的音樂類型都有所不同 。 我們希望能建立一個音樂分類方面的模型，方便使用者在眾多音樂曲目中，能夠快速的分類出所要的音樂。 研究問題 決定分類音樂之演算法 有向無環圖支援向量機(DAG-SVMs) 倒傳遞類神經網路(BPNN) 研究問題 文獻回顧與探討 王磊等人探討了在AdaBoost演算法，K-L變換和GMM模型的基礎上構造弱分類器的方法。 張燕等人採用基於Mel倒譜係數特徵的隱馬爾可夫模型對音樂進行分類。 研究方法 支援向量機(SVM) 有向無環圖支援向量機(DAG-SVMs) 倒傳遞類神經網路(BPNN) 研究方法 支援向量機(SVM) 超平面 研究方法 核心函數 線性核心函數(Liner kernel function) 多項式核心函數(Polynomial kernel function) 輻狀基底函數(Radial basis function，RBF) 雙彎曲核心函數(Sigmoid kernel function) 研究方法 支援向量機處理多類問題 一對多 一對一 二元樹 DAG-SVMs 研究方法 有向無環圖支援向量機(DAG-SVMs) 研究方法 倒傳遞類神經網路(BPNN) 研究設計 研究樣本 分