[发明专利]基于测度学习改进支持向量机的钢琴乐谱难度识别算法

摘要

本发明一种基于测度学习改进支持向量机的钢琴乐谱难度识别算法，包括建立分类数字钢琴乐谱代表集；提取难度相关特征，构建特征向量空间，并对提取到的特征进行归一化预处理；利用测度学习从训练样本中有监督的得到新的距离测度，并用新的距离测度改进高斯径向基核函数；用one‑versus‑all方法将SVM扩展到多分类；5)基于网格搜索算法选择最优的高斯径向基核函数参数，建立多分类支持向量机模型；6)对于待识别数字乐谱，重复第2)步，依据训练好的多分类支持向量机模型得到的决策函数，计算各子分类器的决策值，将待识别数字乐谱归为所有决策值中最大值所对应的类别。本发明具有较高识别稳定性和识别准确率。

主权项

一种基于测度学习改进支持向量机的钢琴乐谱难度识别算法，包括以下步骤：1)建立分类数字钢琴乐谱代表集；2)提取难度相关特征，构建特征向量空间，并对提取到的特征进行归一化预处理；3)利用测度学习从训练样本中有监督的得到新的距离测度，并用新的距离测度改进高斯径向基核函数，方法如下：a).利用测度学习知识，基于相同难度标签的乐谱拉近距离，而不同类别标签乐谱之间的间隔尽可能大思想，建立优化目标，通过求解大间隔优化问题，得到投影矩阵M，基于投影矩阵M得到新的距离测度DM：DM(xi,xj)＝(xi‑xj)TM(xi‑xj)其中xi,xj{i,j∈1,...,n}，n表示训练样本的数目，表示序号分别为i和j的特征向量。b).利用新的距离测度DM改进高斯径向基核函数中的欧氏距离测度，得到新的高斯径向基核函数形式为：kM(xi,xj)=exp(-12σ2DM(xi,xj))]]>其中，σ是高斯径向基核函数参数，exp表示以自然常数e为底的指数函数。c).建立基于上述新的高斯径向基核函数的支持向量机分类模型。4)用one‑versus‑all方法将SVM扩展到多分类；5)基于网格搜索算法选择最优的高斯径向基核函数参数，建立多分类支持向量机模型；6)对于待识别数字乐谱，重复第2)步，依据训练好的多分类支持向量机模型得到的决策函数，计算各子分类器的决策值，将待识别数字乐谱归为所有决策值中最大值所对应的类别。