發(fā)布時(shí)間：2017-07-27 07:20

  本文關(guān)鍵詞：數(shù)據(jù)挖掘在音樂分類中的應(yīng)用

  更多相關(guān)文章： 支持向量機(jī) 線性判別 音樂分類 數(shù)據(jù)挖掘 神經(jīng)網(wǎng)絡(luò)

【摘要】：為了滿足不同人群對(duì)音樂愛好的需求,各大音樂軟件企業(yè)開始致力于數(shù)據(jù)挖掘在音樂分類中的研究,由于它具有很大商業(yè)價(jià)值和廣泛的應(yīng)用前景,很快引起了學(xué)者們的熱切關(guān)注。本論文從統(tǒng)計(jì)學(xué)角度介紹數(shù)據(jù)挖掘常用算法在音樂分類中的應(yīng)用。 本文所做工作與創(chuàng)新如下： 首先,介紹了BP神經(jīng)網(wǎng)絡(luò),RBF神經(jīng)網(wǎng)絡(luò),LVQ神經(jīng)網(wǎng)絡(luò),Hoppfeild神經(jīng)網(wǎng)絡(luò),通過解釋其算法推導(dǎo)過程中所遵循的不同原理,闡述其實(shí)際應(yīng)用的差別,以及他們之間的優(yōu)缺點(diǎn)。運(yùn)用上述神經(jīng)網(wǎng)絡(luò)分類器對(duì)本文所提供的數(shù)據(jù)進(jìn)行分類,并解釋其產(chǎn)生不同分類效果的原因。然后引入支持向量機(jī)分類器,通過粒子群和遺傳算法優(yōu)化算法,選擇使適應(yīng)度函數(shù)最小的參數(shù)。最后介紹了判別分析和邏輯回歸分類,并對(duì)比分析所有分類器的效果。 本文首次運(yùn)用粒子群算法解決音樂分類問題中支持向量機(jī)參數(shù)選擇問題。與遺傳算法相比它們都從開始設(shè)定隨機(jī)解,然后通過適應(yīng)度函數(shù),向不同方向?qū)ふ易顑?yōu)解,但是粒子群算法沒有交叉,變異等操作,規(guī)則簡(jiǎn)單,容易實(shí)現(xiàn),比較分析可知優(yōu)化后的支持向量在此音樂分類實(shí)例便中具有很好的分類效果。 本文的線性判別分析,決策樹算法運(yùn)用R軟件建模。神經(jīng)網(wǎng)絡(luò),支持向量機(jī)運(yùn)用matlab軟件建模分析。邏輯回歸運(yùn)用spss軟件進(jìn)行建模。
【關(guān)鍵詞】：支持向量機(jī) 線性判別 音樂分類 數(shù)據(jù)挖掘 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：中南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2012
【分類號(hào)】：J60
【目錄】：

• 摘要3-4
• ABSTRACT4-7
• 第1章 緒論7-10
• 1.1 統(tǒng)計(jì)學(xué)與數(shù)據(jù)挖掘7-8
• 1.2 音樂分類問題的提出8-9
• 1.3 國內(nèi)外發(fā)展現(xiàn)狀9-10
• 第2章 神經(jīng)網(wǎng)絡(luò)10-23
• 2.1 神經(jīng)網(wǎng)絡(luò)10-17
• 2.1.1 概念10-11
• 2.1.2 BP神經(jīng)網(wǎng)絡(luò)11-13
• 2.1.3 徑向基(RBF)函數(shù)神經(jīng)網(wǎng)絡(luò)13
• 2.1.4 Hopfield網(wǎng)絡(luò)13-16
• 2.1.5 LVQ神經(jīng)網(wǎng)絡(luò)16-17
• 2.2 評(píng)估方法17-18
• 2.2.1 模型的過份擬合17
• 2.2.2 交叉驗(yàn)證17
• 2.2.3 混淆矩陣17-18
• 2.3 神經(jīng)網(wǎng)絡(luò)在音樂分類中的應(yīng)用18-23
• 2.3.1 數(shù)據(jù)來源18-19
• 2.3.2 BP神經(jīng)網(wǎng)絡(luò)驗(yàn)證19
• 2.3.3 Hoppfield網(wǎng)絡(luò)分類器19-20
• 2.3.4 RBF神經(jīng)網(wǎng)絡(luò)分類器20-21
• 2.3.5 Ivq神經(jīng)網(wǎng)絡(luò)分類器21
• 2.3.6 小結(jié)21-23
• 第3章 優(yōu)化算法23-27
• 3.1 遺傳算法23-25
• 3.1.1 基本原理23
• 3.1.2 基本構(gòu)成23-24
• 3.1.3 遺傳算法基本流程24-25
• 3.2 粒子群算法25-27
• 3.2.1 基本原理25-26
• 3.2.2 粒子群算法步驟26-27
• 第4章 支持向量機(jī)27-36
• 4.1 支持向量機(jī)27-32
• 4.1.1 概述27
• 4.1.2 VC維理論27-28
• 4.1.3 推廣誤差邊界28-29
• 4.1.4 支持向量與最優(yōu)超平面29-31
• 4.1.5 非線性情況31-32
• 4.2 基于遺傳算法優(yōu)化支持量機(jī)在音樂分類中的應(yīng)用32-34
• 4.2.1 GA+SVM32-34
• 4.3 基于PSO算法優(yōu)化支持向量機(jī)在音樂分類中的應(yīng)用34-36
• 4.3.1 PSO+SVM設(shè)計(jì)34-35
• 4.3.2 小結(jié)35-36
• 第5章 其它分類方法在音樂分類中的應(yīng)用36-43
• 5.1 線性判別分析36-37
• 5.1.1 判別分析的假設(shè)條件36
• 5.1.2 線性判別基本形式36-37
• 5.2 logistic回歸模型37-39
• 5.2.1 基本形式37-38
• 5.2.2 系數(shù)解釋38-39
• 5.3 實(shí)證分析39-43
• 5.3.1 線性判別分析39
• 5.3.2 邏輯回歸驗(yàn)證39-40
• 5.3.3 分類回歸樹驗(yàn)證分析40-41
• 5.3.4 對(duì)比分析41-43
• 第6章 總結(jié)與展望43-45
• 6.1 總結(jié)43
• 6.2 展望43-45
• 參考文獻(xiàn)45-49
• 附錄49-53
• 致謝53

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 丁世飛;齊丙娟;譚紅艷;;支持向量機(jī)理論與算法研究綜述[J];電子科技大學(xué)學(xué)報(bào);2011年01期

2 姚斯強(qiáng);胡劍凌;;線性判別分析和支持向量機(jī)的音樂分類方法[J];電聲技術(shù);2006年12期

3 李穗豐;陳燕清;;BP神經(jīng)網(wǎng)絡(luò)及其在數(shù)據(jù)分類中的應(yīng)用[J];電腦與電信;2006年09期

4 王歡良,韓紀(jì)慶,張磊;基于支持向量機(jī)的變異語音分類研究[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2003年04期

5 袁玉萍;陳慶華;汪洪艷;;關(guān)于支持向量機(jī)VC維問題證明的研究[J];黑龍江氣象;2006年03期

6 徐曉萍;馬文杰;;非上市中小企業(yè)貸款違約率的定量分析——基于判別分析法和決策樹模型的分析[J];金融研究;2011年03期

7 陳蕾;黃賢武;孫兵;;基于WT和LVQ網(wǎng)絡(luò)的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程;2006年21期

8 佘春東,李磊,戴彥群,王茂芝,范植華;改進(jìn)對(duì)向傳播神經(jīng)網(wǎng)絡(luò)應(yīng)用于碼書設(shè)計(jì)及其性能分析[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2005年04期

9 田大新;劉衍珩;李賓;吳靜;;基于Hebb規(guī)則的分布神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J];計(jì)算機(jī)學(xué)報(bào);2007年08期

10 高紅;;基于交叉驗(yàn)證的錯(cuò)誤率估計(jì)分析[J];科技信息;2011年25期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前6條

1 周利娟;基于情感語義相似度的音樂檢索模型研究[D];大連理工大學(xué);2011年

2 李鴻壹;基于支持向量機(jī)的人臉檢測(cè)[D];大連理工大學(xué);2006年

3 李永江;基于LVQ神經(jīng)網(wǎng)絡(luò)的手寫英文字母識(shí)別[D];廣東工業(yè)大學(xué);2008年

4 趙懿丹;兩種群體智能算法的研究及其應(yīng)用[D];廈門大學(xué);2009年

5 易云飛;改進(jìn)粒子群優(yōu)化算法及其應(yīng)用研究[D];中南民族大學(xué);2009年

6 王彪;LARS診斷回歸樹[D];中國科學(xué)技術(shù)大學(xué);2009年

，

本文編號(hào)：580332