论文题目: 基于支持向量机的多类分类问题的研究
论文类型: 硕士论文
论文专业: 通信与信息系统
作者: 郭世杰
导师: 李莉
关键词: 音频分类,法增广两类分类法
文献来源: 上海师范大学
发表年度: 2005
论文摘要: 支持向量机是上世纪九十年代提出的一种基于小样本的新的统计学习方法。本论文通过引入一种新的基于支持向量机的多类分类方法来解决音频中的多类分类问题,同时将该方法与传统的两种多类分类方法的性能做了比较分析。为了探究基于支持向量机的各种多类分类法在音频方面的分类性能,论文对包含13 类327 多个音频文件进行了实验。本论文工作主要集中于如下几个方面:一.在样本训练阶段,论文提出了一种新的离群点检测方法,通过预处理(去除离群点,进行矢量量化),大大减小了样本训练时处理的数据量。二.引入一个新的多类分类方法AB(Augment Binary)用于设计音频分类器。该方法有较高的分类精度。更突出的一点就是由于该方法将多类问题直接映射为两类分类问题,使得通过计算实验误差来估计泛化误差的界成为可能。这样对如何选择分类器的各个参数具有指导意义。三.在音频样本特征提取中,对低能量成分比例和平均幅度差函数做了修正。从实验的结果来看,修正以后的特征区分效果有明显改进。此外,为进一步精简模板,提高音频分类阶段的效率,实验中采用了一种近似核函数展开的方法,在保证一定精度的前提下用以减少支持向量个数。实验表明:在中规模数据处理中,该方法对于进一步提高分类器的效率是十分有效的。
论文目录:
摘要
ABSTRACT
第一章 引言
1.1 支持向量机的介绍与音频分类的研究现状
1.2 论文的主要工作
本章小结
第二章 统计学习理论与支持向量机的原理
2.1 机器学习所面临的问题
2.2 统计学习理论的核心内容
2.2.1 学习过程的一致性条件
2.2.2 VC 维的定义与函数集的学习性能以及可推广性的界
2.3 支持向量机的基本原理
2.3.1 最大间隔分类器
2.3.2 软间隔优化与核函数
本章小结
第三章 音频特征的选择和特征集的构造
3.1 音频特征的定义与修正
3.2 特征集的构造
本章小结
第四章 多类分类策略及数据集精简技术
4.1 多类分类策略
4.2 序贯最小优化算法(SMO)及实现
4.3 数据工作集精简(REDUCED SET METHOD)方法
本章小结
第五章 实验分析与讨论
5.1 实验流程框图及预处理方法介绍
5.2 音频样本的选择与音频库的结构
5.3 特征的提取与特征向量可分性性能分析
5.3.1 MLER 性能分析
5.3.2 DAMDF 性能分析
5.3.3 特征向量可分性性能分析
5.4 多类分类器的性能分析
本章小结
第六章 总结与展望
致谢
参考文献
研究生学习期间公开发表的文章
附录
论文独创性声明
论文使用授权声明
发布时间: 2005-10-11
参考文献
- [1].多类分类支持向量机在语音识别中的应用研究[D]. 段继康.太原理工大学2010
- [2].多类分类支持向量机在嵌入式语音识别系统中的研究[D]. 牛砚波.太原理工大学2012
- [3].支持向量机学习算法及其在雷达目标识别中的应用[D]. 孙发圣.国防科学技术大学2007
- [4].协作式递归神经网络在多类分类和语音增强中的应用研究[D]. 俞颖.福州大学2009
- [5].基于支持向量机算法的室内无线定位系统[D]. 李广.长春理工大学2018
- [6].基于谐波结构的乐器音色特征提取方法研究[D]. 杨婧.哈尔滨工业大学2018
- [7].基于改进的支持向量机的无线定位研究[D]. 林振军.天津大学2017
- [8].支持向量机样本预选取技术在语音识别中的应用研究[D]. 贺元元.太原理工大学2012
- [9].V支持向量机中参数的优化及在语音识别中的应用[D]. 王洁.太原理工大学2012
- [10].超球支持向量机在语音识别中的应用研究[D]. 高翔.太原理工大学2011
相关论文
- [1].基于支持向量机的多类模式识别模型[D]. 吴换妮.重庆大学2007
- [2].支持向量机分类算法研究与应用[D]. 彭璐.湖南大学2007
- [3].支持向量机训练算法实现及其改进[D]. 兰光华.南京理工大学2005
- [4].支持向量机中若干优化算法研究[D]. 邵小健.山东科技大学2005
- [5].支持向量机和分类问题的算法研究[D]. 于乐源.大连理工大学2006
- [6].基于模糊支持向量机的多类分类方法研究[D]. 杨杰.武汉大学2005
- [7].基于粗糙集和支持向量机的多值分类算法[D]. 冯洪海.河北农业大学2002
标签：音频分类论文; 法增广两类分类法论文;