检测十年间音乐品味趋势——一种用简单特征分类音乐内容的新型特征提取算法
信息检索
2019-01-09 v1 机器学习
声音
音频与语音处理
摘要
本文提出一种新颖的特征选择算法，用于将歌曲分类至不同组别。音乐内容分类常非易事，且仍是相对少被探索的领域。本文传达的主要思想是提出一种新的特征选择方案，以优雅且高准确率完成分类任务，但使用更简单且明智选取的少量特征，从而更不易过拟合。其利用音频信号结构的一般基本观念，即通常呈梯形形状。因此，借助音乐界此一般观念，我们提出对每则音频信号考虑并分析三帧——开头、主歌与结尾——用于特征提取，且经大量实验证实该方案在低维特征空间中以较不复杂特征实现更高效分类，因而也是计算代价较低的方法。本文逐步开展了特征提取、特征排序、使用 PCA 的降维分析。顺序前向选择（SFS）算法用于探索原始 Fisher 判别比（FDR）及 PCA 后显著特征值下的最显著特征。此外，在分类中对声称有效性以蒙特卡洛方式进行广泛验证与交叉验证。
引用
@article{arxiv.1901.02053,
title = {Detecting the Trend in Musical Taste over the Decade -- A Novel Feature Extraction Algorithm to Classify Musical Content with Simple Features},
author = {Anish Acharya},
journal= {arXiv preprint arXiv:1901.02053},
year = {2019}
}