Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов
Представлена оптимизация линейных алгоритмов синтеза систем распознавания принадлежности сигналов к классу путем максимизации ширины разделяющей полосы, а также применение оптимального разделения к задаче классификации звуковых сигналов (распознавание музыкальных жанров). Представлено оптимізацію лі...
Збережено в:
| Опубліковано в: : | Компьютерная математика |
|---|---|
| Дата: | 2013 |
| Автор: | |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2013
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/84756 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов / А.С. Гавриленко // Компьютерная математика. — 2013. — № 2. — С. 125-133. — Бібліогр.: 6 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859680184952684544 |
|---|---|
| author | Гавриленко, А.С. |
| author_facet | Гавриленко, А.С. |
| citation_txt | Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов / А.С. Гавриленко // Компьютерная математика. — 2013. — № 2. — С. 125-133. — Бібліогр.: 6 назв. — рос. |
| collection | DSpace DC |
| container_title | Компьютерная математика |
| description | Представлена оптимизация линейных алгоритмов синтеза систем распознавания принадлежности сигналов к классу путем максимизации ширины разделяющей полосы, а также применение оптимального разделения к задаче классификации звуковых сигналов (распознавание музыкальных жанров).
Представлено оптимізацію лінійних алгоритмів синтезу систем розпізнавання приналежності сигналів до класу шляхом максимізації ширини роздільної смуги, а також застосування оптимального розділення до задачі класифікації звукових сигналів (розпізнавання музичних жанрів).
Article presents the improvement of the algorythm for signal classification systems synthesis by maximizing distance between separating hyperplanes and application of optimized algorithm for sound sygnals classification (automatic recognition of music genres).
|
| first_indexed | 2025-11-30T18:28:48Z |
| format | Article |
| fulltext |
Компьютерная математика. 2013, № 2 125
Теория и методы
оптимизации
Представлена оптимизация линей-
ных алгоритмов синтеза систем
распознавания принадлежности
сигналов к классу путем максими-
зации ширины разделяющей поло-
сы, а также применение опти-
мального разделения к задаче клас-
сификации звуковых сигналов (рас-
познавание музыкальных жанров).
А.С. Гавриленко, 2013
УДК 519.685.3
А.С. ГАВРИЛЕНКО
ПРИМЕНЕНИЕ
ОПТИМАЛЬНОГО АЛГОРИТМА
СИНТЕЗА ЛИНЕЙНЫХ СИСТЕМ
КЛАССИФИКАЦИИ
В ОБРАБОТКЕ ЗВУКОВЫХ
СИГНАЛОВ
Введение. В задачах классификации сигна-
лов широко применяются методы синтеза
систем классификации, основанные на авто-
матическом обучении системы посредством
некоторой тренировочной выборки сигналов.
В работах [1, 2] рассмотрена теоретическая
постановка как линейной, так и нелинейной
задачи разделения сигналов на классы и
предложен математический аппарат для ее
решения. В работе [3] представлен разрабо-
танный алгоритм линейного синтеза с после-
дующей нелинейной оптимизацией в случае
неэффективности базового метода.
Остановимся подробнее на задаче опти-
мального синтеза линейных гиперплоскост-
ных кластеров и поставленной в рамках ее
задачи оптимальной линейной полосной раз-
делимости двух множеств точек, а также рас-
смотрим применение оптимизированной си-
стемы для классификации звуковых сигналов
(автоматическое распознавание музыкальных
жанров в аудиофайлах).
Теоретические основы алгоритма
Пусть mRjx ∈)( , Nj ..1= – полученная
в результате эксперимента тренировочная
выборка векторов характерных признаков
рассматриваемых сигналов, подлежащих
классификации.
Тренировочную выборку в дальнейшем
будем представлять в виде матрицы X =
А.С. ГАВРИЛЕНКО
Компьютерная математика. 2013, № 2 126
( ) ( )(1) ( )(1) ( )
TT T
mx x N x x= =K K . Здесь предполагается 1)( =jxm .
А.С. ГАВРИЛЕНКО
Компьютерная математика. 2013, № 2 126
Согласно [1], необходимое и достаточное условие существования линейной
отделимости множества от начала координат имеет вид
* *( )
min ( ) ( ) ( ) ( ) 0T T
y D
y Z X y y Z X y
∈ ∆
= ∆ ∆ = , где ( ) nZ X I X X+= − ,
а { }1( ) : ( , , ) , , 1,T
n jD y y y y y j n∆ = = ≥ ∆ =K .
Максимальная толщина разделяющей полосы достигается при значениях
,)(,)(minarg opt
T
opt
T
Dy
opt yXayXRyy +
∈
== ( ) ( )TR X X X+ += ,
где { }* *: ( ) ( ) 0, 1, 1,T T T
jD y y Z X y y Z X y e y j n= = = ≥ = .
Используя сингулярное разложение матриц (SVD):
1 1
, ( ) , , ,
r r
T T T T
j j j n j j i j ij i j ij
j j
X u v Z X I v v u u v v
= =
= λ = − = δ = δ∑ ∑
2 2 2 2
1, , , , 1,T T
j j j j j j rXX u u X Xv v i j n= λ = λ λ ≥ ≥ λ =K
и учитывая, что ( ) 0Ty Z X y = для y D∈ , можно записать следующие
соотношения:
1 1
, 1, 1, ,
r r
T
i i i j i
i i
y v e v j n
= =
= α α ≥ ∀ =∑ ∑
2
1
( )
r
T T T T T
j j j
j
y R X y y X X y y v v y+ + −
=
= = λ =∑
2 2 2 2 2
1
1 1 1 1
( ,..., )
r r r r
T T T
i i j j j k k j j r
i j k j
v v v v diag− − − −
= = = =
= α λ α = α λ = α λ λ α∑ ∑ ∑ ∑ .
Таким образом, задача поиска оптимальной линейной отделимости точек
( ), 1,x j j n= от начала координат сводится к решению задачи оптимизации
квадратичной функции на выпуклом множестве
{ }1
2 2
1
: ( ) 1, 1,
arg min ( ,..., ) ,
T
j r
T
opt r
e v v j n
diag − −
α= α α≥ =
α = α λ λ α
MKM
( )1 ... ,opt r opty v v= αM M
( )1 1 1
1 1 1
1
( )
r
T
opt j j j r opt r r opt
j
a u v v v u u− − −
=
= λ ⋅ α = λ λ α∑ MKM MKM .
Рассмотрим теперь пошаговый алгоритм решения задачи линейной полосной
разделимости двух множеств точек с учетом выведенных выше соотношений.
Схема алгоритма. Алгоритм основан на схеме, описанной в [4]. Обучаю-
щая выборка – массив точек )1()( xkix Ω∈ , 1..1 Nk = )2()( xsjx Ω∈ , 2..1 Ns = .
ПРИМЕНЕНИЕ ОПТИМАЛЬНОГО АЛГОРИТМА…
Компьютерная математика. 2013, № 2 127
1. Зададим некоторое начальное значение 0>d и сформируем первое
приближение
( )1 , , 1.. .N jy d j N= ∆ ∆ ∆ = =K
2. Решая систему 1+× mN уравнений Xay = , получаем вектор коэф-
фициентов yXa +=ˆ .
3. Вычисляем:
а) вектор модельных значений ˆ;M ey X a=
б) дискриминантную функцию для точек, условно отнесенных к первой
и ко второй группам:
(1) (1)
(2) (2)
ˆ
;
ˆ
e e
e e
y X a
y X a
=
=
в) невязку yyM − и среднеквадратичное отклонение
2
My y− =
( )Ty Z X y= .
4. В случае если выполняется условие
∆−≤
∆≥
)2(
)1(
e
e
y
y
,
осуществляется выход из алгоритма.
5. Иначе проводим уточнение значения вектора допусков Ty =
( )1 , , 1..N j d j N= ∆ ∆ ∆ = =K , минимизируя квадратичную форму
yXZyy T
Dy
)(minarg*
∈
= градиентным методом с ограничением Dy ∈ ,
где { }: ', 1..jD y d d j N= ≤ ∆ ≤ = (положим 610'=d ).
6. Зная *y , находим уточненное значение вектора коэффициентов линейной
регрессии *
*ˆ yXa += .
7. В случае если выполняется условие, что проекция *
My на ортогональное
дополнение к объединенному массиву экспериментальных данных X
(положим точность приближения 610−ε = )
* *( )T
M My Z X y < ε ,
где *
* âXyM = – уточненный вектор модельных значений, разделяющая плос-
кость найдена.
8. Далее, используя вышеприведенные условия линейной отделимости то-
чек в mR в применении к текущей постановке задачи, представим линейную
полосную разделимость двух классов обучающей выборки в виде существова-
ния такого вектора ,ma R∈ для которого
А.С. ГАВРИЛЕНКО
Компьютерная математика. 2013, № 2 128
.,1,1)(
,,1,1)(
2
1
Nsjxa
Nkixa
s
T
k
T
=−≤
=≥
Тогда условие линейной полосной разделимости приобретает вид
,0)(min =
∈
yXZyT
Dy
{ }1 2: 1, 1, 1, , 1, .
k s
T T
i jD y e y e y k N s N= ≥ ≤ − = =
9. Значение вектора коэффициентов a будем определять из условия макси-
мизации толщины разделяющей полосы:
( ) opt
T
opt yXa
+= ,
где ( )
1
arg min ,T
opt
y D
y y R X y
∈
= а ( ){ }1 : 0TD y y Z X y D= = ∩ .
Как видим, для вычисления оптимального значения a необходимо последо-
вательно решить две задачи квадратичного программирования. Применяя пред-
ставление SVD для матрицы X , сведем эти две задачи к одной задаче поиска
экстремума квадратичной функции на выпуклом множестве и вычислим opta :
{ }: ( ... ) 1, ( ... ) 1, 1, , 1,1 21 1
2 2
1arg min ( ,..., ) ,
T Te v v e v v k N s Nr rjsik
T
opt rdiag
α∈ α α≥ α≤− = =
− −α = α λ λ α
M M M M
( )1 ...opt r opty v v= αM M ,
( ) ( )1 1
1 1... ,...,opt r r opta u u diag − −= λ λ αM M .
Ширина разделяющей полосы при этом будет равна
( )
1
2 2 2
1( ,..., )T
opt opt r optdiag
−− −δ = α λ λ α [2].
Постановка задачи распознавания
Музыкальный жанр как комплекс характерных признаков широко использу-
ется как для структурирования музыки, хранимой в цифровой форме, так и для
поиска информации о содержимом аудиофайла. Традиционно эта задача выпол-
няется вручную. Конкретный музыкальный жанр характеризуется статистиче-
скими свойствами, отражающими использованные инструменты, ритмическую
структуру и другие характерные признаки.
В данном случае в качестве вектора признаков использованы характеристи-
ки, отражающие фактуру, тембр и набор инструментов, использованных
в музыкальном произведении: mean-Centroid, mean-Rolloff, mean-Flux, mean-
ZeroCrossings, std-Centroid, std-Rolloff, std-Flux, std-ZeroCrossings, LowEnergy.
ПРИМЕНЕНИЕ ОПТИМАЛЬНОГО АЛГОРИТМА…
Компьютерная математика. 2013, № 2 129
Средние и стандартные отклонения этих признаков рассчитываются для ок-
на длиной в 1 секунду, состоящего из 40 «аналитических» окон длиной 20 мил-
лисекунд (512 образцов при частоте дискретизации 22050). Расчеты производят-
ся с использованием оконного преобразования Фурье, которое эффективно вы-
числяется с помощью быстрого преобразования Фурье (БПФ).
Следующие функции рассчитываются для каждого «аналитического»
окна: ( ][ fM – величина БПФ на частоте ,f N – количество частотных окон).
Centroid (мера спектральной яркости):
1
1
[ ]
[ ]
N
N
fM f
C
M f
= ∑
∑
N.
Rolloff (мера спектральной формы): значение R такое, что:
1 1
[ ] 0,85 [ ].
R N
M f M f=∑ ∑
Flux (мера спектрального изменения):
][][ fMfM p− ,
где pM – величина БПФ для предыдущего отрезка времени. Оба вектора вели-
чины нормированы по энергии.
ZeroCrossings: количество изменений знака (нулей) в сигнале. Полезно для
определения количества шума в сигнале.
Расчет функций для представления ритмической структуры музыки произ-
водится на основе вейвлет-преобразования.
Дискретное вейвлет-преобразование является частным случаем вейвлет-
преобразования, которое обеспечивает компактное представление сигнала по
времени и частоте, что позволяет более эффективные вычисления. В данном
случае используется пирамидальный алгоритм, в котором сигнал анализируется
на различных полосах частот с различными разрешениями путем разложения на
грубую аппроксимацию и подробную информацию.
Затем грубое приближение дополнительно разлагается без изменения
вейвлет-шага. Разложение проводится путем последовательной фильтрации сиг-
нала по верхним и нижним частотам и определяется следующими уравнениями:
[ ] [ ] [2 ],high
n
y k x n g k n= −∑
[ ] [ ] [2 ],low
n
y k x n h k n= −∑
где g и h – высокочастотный и низкочастотный фильтры соответственно.
Выделение признаков ритмического рисунка основана на выявлении наибо-
лее характерных периодичностей в сигнале. Вначале сигнал разлагается в набор
октавных частотных полос с использованием дискретного вейвлет-
преобразования. Затем выделяется огибающая амплитуды на временном проме-
жутке для каждой частотной полосы. Это достигается за счет применения двух-
полупериодного выпрямления, фильтрации нижних частот и децимации для
А.С. ГАВРИЛЕНКО
Компьютерная математика. 2013, № 2 130
каждой частотной полосы. Затем огибающие для каждой полосы суммируются
и вычисляется автокорреляционная функция. Всплески автокорреляционной
функции соответствуют различным периодичностям в огибающей сигнала.
Описанные этапы задаются уравнениями:
1. Двухполупериодное выпрямление:
[ ] ( [ ]).y n abs x n=
2. Фильтрация нижних частот (ФНЧ): (однополюсный фильтр с 0,99α = :
[ ] (1 ) [ ] [ ].y n x n y n= − α − α
3. Децимация по k (в рассматриваемой реализации 16=k ):
[ ] [ ].y n x kn=
4. Нормализация (удаление среднего):
[ ] [ ] [ [ ]].y n x n E x n= −
5. Автокорреляционная функция:
1
[ ] [ ] [ ]
n
y n x n x n k
N
= +∑ .
Выделяются первые пять всплесков автокорреляционной функции и соот-
ветствующие им периодичности, выраженные в ударах в минуту, на основе ко-
торых строится так называемая ударная гистограмма. Процесс итеративно по-
вторяется с накоплением периодичностей в гистограмме (в данном случае раз-
мер окна составляет 65536 образцов при частоте дискретизации 22050 Гц с ите-
рационным шагом в 4096 образцов).
Выделенные всплески конечной гистограммы соответствуют различным
периодичностям звукового сигнала и используются при расчете численных
характеристик ритма, а именно.
1. Period0: периодичность первого всплеска в уд/мин.
2. Amplitude0: относительная амплитуда (деленная на сумму амплитуд)
первого всплеска.
3. RatioPeriod1: соотношение периодичности второго всплеска к периодич-
ности первого всплеска.
4. Amplitude1: относительная амплитуда второго всплеска.
5. RatioPeriod2, Amplitude2, RatioPeriod3, Amplitude3 – аналогично.
Полученный 8-мерный вектор признаков ритмического рисунка может быть
объединен с 9-мерным основным вектором признаков.
Для обучения синтезированной оптимальной системы классификации в
данном случае были использованы вычисленные для двух музыкальных жанров
(а именно, «джаз» и «неоклассика») мелодико-частотные кепстральные коэффи-
циенты (MFCC) [4], вычисленные с помощью системы MARSYAS [5, 6]
(табл. 1, 2). MFCC могут быть использованы в качестве замены оконного преоб-
разования Фурье с аналогичным описанному последующим вычислением сред-
них и стандартных отклонений первых пяти признаков для окна большего раз-
мера (в данном случае окна длиной 1 с.).
ПРИМЕНЕНИЕ ОПТИМАЛЬНОГО АЛГОРИТМА…
Компьютерная математика. 2013, № 2 131
ТАБЛИЦА 1. MFCC для жанра «джаз»
Jazz
52.765196 9.969953 –1.068876 0.372135 0.750053 –0.082523 –0.057770 0.145388 –0.140282
–47.323153 5.177846 –1.107054 0.655738 –0.331889 0.401314 –0.044381 –0.087062 –0.191644
–48.103305 6.525593 –2.009164 1.696986 –0.571502 0.634679 –0.225843 0.182733 –0.036656
–47.853101 7.788700 –2.075793 1.687302 –0.359639 0.988925 –0.256285 –0.428794 –0.674491
–47.795176 7.254454 –1.728231 1.830460 –0.722954 0.866811 –0.395115 0.022426 –0.530013
–48.110098 5.801459 –0.314840 0.530672 0.015405 0.145267 –0.100025 –0.105939 –0.126800
–47.144708 7.908430 –1.578344 1.400528 –0.074236 0.167585 0.009038 –0.320367 0.130205
–48.007967 5.988282 –0.879154 2.140802 –0.553409 0.944400 –0.461947 0.291691 –0.220351
–49.409359 7.920237 –0.705804 1.310598 –0.139005 0.594784 0.133871 0.220815 –0.155640
–46.901865 6.118231 –0.451342 1.245182 –0.088447 0.567180 –0.134913 0.141795 –0.537725
–47.548655 6.492598 –1.478057 1.417851 –0.156623 0.096782 –0.110061 0.117167 –0.074586
–47.548655 6.492598 –1.478057 1.417851 –0.156623 0.096782 –0.110061 0.117167 –0.074586
–48.299786 6.037525 –0.544464 0.982117 –0.140868 0.324324 –0.034081 0.007872 –0.141855
–47.021231 6.842780 –1.171481 1.147371 –0.106207 0.196891 –0.064192 0.017304 0.027194
–47.422584 6.913468 –1.073093 1.295354 –0.172893 0.303768 –0.013511 0.095759 0.043826
–48.157082 4.550797 –0.066564 0.779817 –0.346519 0.397902 –0.021595 –0.073226 –0.103904
–48.027493 5.475738 0.207603 0.798316 –0.155938 0.389709 –0.120319 –0.155803 0.170739
–48.282734 6.698345 –0.000768 1.108222 –0.273255 0.389634 0.037302 0.046539 0.410506
–50.033461 5.368075 0.694274 1.084474 0.355777 0.386235 0.392366 –0.173208 –0.034135
–52.375001 7.119549 1.143711 0.676076 0.204379 0.594507 0.320473 –0.221682 0.005853
ТАБЛИЦА 2. MFCC для жанра «классика»
Neo-
Classics
1 2 3 4 5 6 7 8 9
–42.519996 2.791965 –0.551018 1.648224 0.250287 0.255351 0.544240 0.184539 0.482820
–43.620071 3.522973 –0.655716 1.371293 0.066918 0.371061 0.658504 0.143836 0.075018
–44.916634 2.480168 –0.052545 1.715316 0.085388 0.714413 0.468862 0.380389 0.353419
–43.900186 4.225723 –0.691845 1.235925 0.236653 0.460900 0.455110 0.391106 0.573263
–44.819528 3.902396 –0.401066 1.624539 0.031978 0.517075 0.412870 0.139171 0.320433
–43.716847 3.232922 –0.482210 1.286344 0.212244 0.633372 0.526592 0.330332 0.308743
–42.759187 3.356651 –0.542355 1.482408 0.251527 0.499683 0.361233 0.427227 0.650168
–44.730868 3.855467 –0.578810 1.879171 0.185021 0.571880 0.431775 0.432590 0.528225
–41.342148 3.039183 0.107569 1.849919 –0.143252 0.758268 0.235490 0.356677 –0.017974
–44.352347 4.551677 –0.166774 1.606438 –0.048026 0.652277 0.243426 0.148154 0.016650
А.С. ГАВРИЛЕНКО
Компьютерная математика. 2013, № 2 132
Окончание табл. 2
1 2 3 4 5 6 7 8 9
–43.569055 5.026774 –0.523512 1.366952 0.061907 0.362519 0.286701 0.178622 0.335419
–43.718137 4.412115 –0.444838 1.383368 –0.253404 0.494083 0.280392 0.175557 –0.057454
–43.004565 4.984104 –0.799496 1.514265 –0.134894 0.292498 0.487551 –0.007842 0.293451
–44.044681 4.254025 –0.426857 1.599984 0.106479 0.356600 0.151158 –0.288511 0.197443
–44.444159 5.313499 –0.635376 1.231647 0.047593 0.467125 0.314914 0.110206 0.074439
–45.043005 5.630610 –0.187339 1.376719 –0.091472 0.576595 0.371674 0.104184 0.155919
–42.323962 4.326221 –0.939891 1.224892 –0.306318 0.613339 –0.030573 0.016638 –0.108492
–43.436943 4.965412 –0.533134 1.413742 –0.106005 0.688715 0.060311 0.145482 0.054193
–44.922768 5.612160 –0.770044 1.308193 –0.372075 0.660108 0.281929 0.243398 0.133602
–44.820261 5.687104 –0.161438 1.342538 –0.235188 0.591333 0.360430 0.336583 –0.128797
По результатам вычислений
( )10.785,2.74,5.77, 1.38, 4.356, 5.206,5.1,1.108,2.55 ,opta = − − −
2.04.optδ =
Средняя эффективность распознавания с помощью оптимальной синтезиро-
ванной системы – 90 %.
Заключение. В работе выведено теоретическое обоснование и принципи-
альная схема оптимального алгоритма синтеза системы классификации сигналов
с максимальной шириной разделяющей полосы. Описанный алгоритм успешно
апробирован в практической задаче обработки аудиосигналов, показав эффек-
тивность не ниже известных алгоритмов [6], а также снижение машинной ресур-
соемкости задачи за счет предложенного преобразования.
А.С. Гавриленко
ЗАСТОСУВАННЯ ОПТИМАЛЬНОГО АЛГОРИТМУ СИНТЕЗУ
ЛІНІЙНИХ СИСТЕМ КЛАСИФІКАЦІЇ В ОБРОБЦІ ЗВУКОВИХ СИГНАЛІВ
Представлено оптимізацію лінійних алгоритмів синтезу систем розпізнавання приналежності
сигналів до класу шляхом максимізації ширини роздільної смуги, а також застосування оп-
тимального розділення до задачі класифікації звукових сигналів (розпізнавання музичних
жанрів).
A.S. Gavrylenko
APPLYING OF OPTIMAL ALGORYTHM FOR SIGNAL CLASSIFICATION PROBLEM
SOLVING SYSTEMS SYNTHESIS TO AUDIO SYGNALS PROCESSING
Article presents the improvement of the algorythm for signal classification systems synthesis by
maximizing distance between separating hyperplanes and application of optimized algorithm for
sound sygnals classification (automatic recognition of music genres).
ПРИМЕНЕНИЕ ОПТИМАЛЬНОГО АЛГОРИТМА…
Компьютерная математика. 2013, № 2 133
1. Кириченко Н.Ф., Крак Ю.В., Полищук А.А. Псевдообратные и проекционные матриц
в задачах синтеза функциональных преобразователей // Кибернетика и системный ана-
лиз. – 2004. – № 3. – С. 116 – 129.
2. Кириченко Н.Ф., Кривонос Ю.Г., Лепеха Н.П. Синтез систем нейрофункциональных пре-
образователей в решении задач классификации // Там же. – 2007. – № 3. – С. 47 – 57.
3. Кириченко Н.Ф. Аналитическое представление возмущений псевдообратных матриц //
Там же. – 1997. – № 2. – С. 98 – 107.
4. Logan B.Mel. Frequency Cepstral Coefficients for music modeling. Read at the first Interna-
tional Symposium on Music Information Retrieval. http://ciir.cs.umass.edu/music2000
5. George Tzanetakis, Georg Essl. Automatic Musical Genre Classification Of Audio Signals //
IEEE Transactions on Speech and Audio Processing. – 2001. – Р. 293–302.
6. Li. T., Ogihara M., Li. G. A Comparative Study on Content-Based Musik Genre Classification
// In: SIGRIR’03. – AСM Press, 2003. – P. 282–289.
Получено 15.07.2013
Об авторе:
Гавриленко Анастасия Сергеевна,
младший научный сотрудник
Института кибернетики имени В.М. Глушкова НАН Украины.
Е-mail: anastasiia.gavrylenko@gmail.com
|
| id | nasplib_isofts_kiev_ua-123456789-84756 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | ХХХХ-0003 |
| language | Russian |
| last_indexed | 2025-11-30T18:28:48Z |
| publishDate | 2013 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Гавриленко, А.С. 2015-07-14T16:00:46Z 2015-07-14T16:00:46Z 2013 Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов / А.С. Гавриленко // Компьютерная математика. — 2013. — № 2. — С. 125-133. — Бібліогр.: 6 назв. — рос. ХХХХ-0003 https://nasplib.isofts.kiev.ua/handle/123456789/84756 519.685.3 Представлена оптимизация линейных алгоритмов синтеза систем распознавания принадлежности сигналов к классу путем максимизации ширины разделяющей полосы, а также применение оптимального разделения к задаче классификации звуковых сигналов (распознавание музыкальных жанров). Представлено оптимізацію лінійних алгоритмів синтезу систем розпізнавання приналежності сигналів до класу шляхом максимізації ширини роздільної смуги, а також застосування оптимального розділення до задачі класифікації звукових сигналів (розпізнавання музичних жанрів). Article presents the improvement of the algorythm for signal classification systems synthesis by maximizing distance between separating hyperplanes and application of optimized algorithm for sound sygnals classification (automatic recognition of music genres). ru Інститут кібернетики ім. В.М. Глушкова НАН України Компьютерная математика Теория и методы оптимизации Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов Застосування оптимального алгоритму синтезу лінійних систем класифікації в обробці звукових сигналів Applying of optimal algorythm for signal classification problem solving systems synthesis to audio sygnals processing Article published earlier |
| spellingShingle | Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов Гавриленко, А.С. Теория и методы оптимизации |
| title | Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов |
| title_alt | Застосування оптимального алгоритму синтезу лінійних систем класифікації в обробці звукових сигналів Applying of optimal algorythm for signal classification problem solving systems synthesis to audio sygnals processing |
| title_full | Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов |
| title_fullStr | Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов |
| title_full_unstemmed | Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов |
| title_short | Применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов |
| title_sort | применение оптимального алгоритма синтеза линейных систем классификации в обработке звуковых сигналов |
| topic | Теория и методы оптимизации |
| topic_facet | Теория и методы оптимизации |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/84756 |
| work_keys_str_mv | AT gavrilenkoas primenenieoptimalʹnogoalgoritmasintezalineinyhsistemklassifikaciivobrabotkezvukovyhsignalov AT gavrilenkoas zastosuvannâoptimalʹnogoalgoritmusintezulíníinihsistemklasifíkacíívobrobcízvukovihsignalív AT gavrilenkoas applyingofoptimalalgorythmforsignalclassificationproblemsolvingsystemssynthesistoaudiosygnalsprocessing |