基于支持向量基的音乐打榜预测.doc

摘要：本文主要是为了满足人们能够对身边繁多的音乐信号进行快速高效的分类管理，研究一种较好的音乐分类模型。借助软件，并使用傅立叶变换或小波分析或等方法从音乐中选取各项音频特征。然后将它们按比例组成一组高维向量。通过主成分分析和线性判别分析进行对比分析，分别探讨出两个降维方法的优缺点，最终选择出较优的降维方法，并使用此降维方法得到最有利于分类的特征。通过将大量现存的高效模型进行对比，最终确定出相对较优的分类模型。并且对各模型进行大量的数值试验和性能测试，然后给出各模型对于六种类型分类的正确率。

主要包含了以下三个阶段：

第一阶段为特征提取阶段：充分考虑了音乐心理学和音乐信号处理这两个方面，最终选取的主要特征有:时域特征，频域特征，基音周期特征和频率倒谱系数。

第二阶段为降维阶段：由于维数的增加，会直接导致计算量和问题复杂化的增加。因此本文通关将两种常用的降维方法主成分分析和线性判别分析进行对比，最终选择针对本题来说较优的降维方法---线性判别分析来给提取的特征值降维。

第三阶段为分类阶段：当提取特征并进行降维后，本文通过将模式识别和模式分类中大量现存的高效模型进行对比，最终确定出相对较优的分类模型为支持向量基模型。

关键词 分类模型；支持向量基；主成分分析

目录

摘要

Abstract

1绪论1

1.1研究背景和意义1

1.2研究现状 .1

1.3研究方法.2

2基础知识.3

2.1模型假设.3

2.2定义和符号说明.3

3模型的建立与求解.4

3.1算法结构总体框图.4

3.2语音信号预处理.4

3.2.1分帧.4

3.2.2加窗.5

3.2.3静音帧判别.6

3.3用于分类的音乐的特征提取.6

3.3.1时域特征的提取.7

3.3.2频域特征的提取.8

3.4对特征向量进行降维.9

3.4.1主成分分析10

3.4.2线性判别分析11

3.5 使用SVM对特征向量进行分类.13

3.5.1模糊模式识别13

3.5.2高斯混合模型(GMM).13

3.5.3隐马尔可夫模型（HMM） ,14

3.5.4支持向量机(SVM).16

结论.22

致谢.23

参考文献.24

附录.25