排序方式: 共有2条查询结果,搜索用时 62 毫秒
1
1.
基于统计学习的音频分类具有理论基础坚实,实现机制简单等特点受到广泛关注并被很多音频分类系统所采用。本文对核Logistic回归算法(KLR)进行了深入分析,提出基于KLR的音频分类器设计方法,应用其解决同类型的乐器音乐分类问题。结合所采集的小提琴中提琴和大提琴的音乐信号样本进行了分类仿真试验,并与传统的Logistic回归(LR)和支持向量机(SVM)进行对比。结果表明,核Logistic回归模型具有较为优越的分类性能和非线性处理能力。 相似文献
2.
提出使用最小二乘支持向量机LS—SVM(Least Squares Support Vector Machines)算法进行乐器音乐分类,从而实现乐器的辩识。在对Ls—sVM理论进行深入探讨的基础上,选择乐器音乐clip作为样本,进行特征提取,提取的特征包括频谱特征,短时自相关系数和MFCC等,然后用最小二乘支持向量机算法进行分类。对古琴、古筝、箜篌和琵琶音乐采取样本进行仿真实验,求得分类准确率和运行时间,同时使用逻辑回归(Logistic Regression)算法进行对比试验,其中最小二乘支持向量机和逻辑回归分类的准确率分别为96.5%和92.5%,且LS—SVM的运行时间比Logist的少。实验结果表明最小二乘支持向量机具有更为优越的分类性能和非线性处理能力,可以推广用于解决其它实际分类问题。 相似文献
1