基于测度学习支持向量机的钢琴乐谱难度等级识别
现有钢琴乐谱难度分类主要由人工方式完成,效率不高,而自动识别乐谱难度等级的算法对类别的拟合度较低.因此,与传统将乐谱难度等级识别归结为回归问题不同,本文直接将其建模为基于支持向量机的分类问题.并结合钢琴乐谱分类主观性强、特征之间普遍存在相关性等特点,利用测度学习理论有难度等级标签乐谱的先验知识,依据特征对难度区分的贡献度,改进高斯径向基核函数,从而提出一种测度学习支持向量机分类算法——ML-SVM算法.在9类和4类难度两个乐谱数据集上,我们将ML-SVM算法与逻辑回归,基于线性核函数、多项式核函数、高斯径向基核函数的支持向量机算法以及结合主成分分析的各个支持向量机算法进行了对比,实验结果表明我们提出算法的识别正确率优于现有算法,分别为68.74%和84.67%.所提算法有效提高了基于高斯径向基核函数支持向量机算法在本应用问题中的分类性能.
数字钢琴乐谱、难度等级识别、分类算法、支持向量机、测度学习、高斯径向基核函数
13
TP391.4(计算技术、计算机技术)
国家自然科学基金项目60802049,61471263;天津市自然科学基金重点项目16JCZDJC31100
2018-04-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
196-201