بهینه سازی پارامترهای ماشین بردار پشتیبان با استفاده از الگوریتم ژنتیک برای تشخیص سیگنال موسیقی
محل انتشار: هشتمین کنفرانس ملی مهندسی برق و الکترونیک ایران
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 883
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEEE08_070
تاریخ نمایه سازی: 11 مرداد 1396
چکیده مقاله:
تشخیص خودکار سیگنال آلات موسیقی در بسیاری از سیستم های هوشمند آهنگ سازی و نوازندگی کاربرد فراوان دارد. ماشین بردار پشتیبان با کرنل RBF از موفق ترین روش های دسته بندی در تشخیص خودکار آلات موسیقی شناخته می شود. میزان تشخیص و دقت دسته بندی ماشین بردار پیشتیبان به پارامترهای کرنل RBF وابسته است. بنابراین انتخاب بهترین مقادیر برای پارامتر های کرنل RBF بسیار مهم و اساسی است. روش ارایه شده در این مقاله برای رفع این چالش، استفاده از الگوریتم ژنتیک است. که پارامترها را برای کرنل RBF انتخاب می کند. و با استفاده از پارامترهای انتخاب شده کرنل RBF دسته بندی ماشین بردار پشتیبان آموزش داده میشود. با توجه به نتایج به نتایج بدست آمده استفاده از روش پیشنهادی سبب می شود میزان دقت تشخیص آلات موسیقی به میزان 0.32 درصد افزایش پیدا کرده و به 98.5 درصد رسیده است
کلیدواژه ها:
اSVM- Music genre classificationclassification ، Genetic Algorithm
نویسندگان
محمدرضا ظریف
دانشگاه آزاد اسلامی واحد فردوس، فردوس، ایران
هومن کاشانیان
عضو هیات علمی گروه کامپیوتر دانشگاه آزاد اسلامی واحد فردوس،فردوس، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :